LongCat-2.5, 1,6 Trilyon Parametre ve Yerel Görsel Tokenlarla Tanıtıldı

LongCat, 1 Kasım 2026’da LongCat-2.5‘i tanıttı. Bu model, toplam 1,6 trilyon parametreye ve token başına etkinleştirilen yaklaşık 48 milyar parametreye sahip, uzun vadeli ajan tabanlı görevler için geliştirilmiş, doğal olarak çok modlu bir uzman karışımı modelidir.

LongCat, bu sürümün LongCat-2.0’ın üzerine daha güçlü doğal görsel anlama ve ajan tabanlı kodlama yetenekleri eklediğini belirtti. Eğitim sürecinde, karmaşık kod tabanlarının geliştirilmesi ve tüm projelerin derlenmesi için daha fazla uzun vadeli görev dizisinden ve büyük ölçekli, uzun vadeli pekiştirmeli öğrenmeden yararlanılıyor. Sürüm, LongCat’in sohbet arayüzüne ve API platformuna bağlantı sunarken GitHub ve Hugging Face düğmelerinde yakında kullanıma sunulacakları belirtiliyor.

Ayrık Görsel Tokenlar ve Ajan Eğitimi

LongCat-2.5, görsel sinyalleri çok düzeyli ayrık tokenlar olarak temsil ederek ana modelin görsel ve metinsel girdileri birleşik, token tabanlı bir biçimde işlemesini sağlıyor. Tasarımda yerel çözünürlükte görsel tokenlaştırma, çevrimdışı görsel ön işleme ve ana modelle birlikte öğrenilen görsel gömmeler bir araya getiriliyor. Model, Semantik ve Hizalanmış Kodlayıcıdan alınan yerel çözünürlüklü özelliklere Artık Vektör Kuantizasyonu uyguluyor; görüntüler ayrık token dizileri olarak kodlanıyor ve görsel bir detokenizer tarafından yeniden oluşturuluyor.

Sabit bir tokenizer, görsel token kimliklerinin önceden hesaplanıp çevrimdışı önbelleğe alınmasını sağlayarak ana modelin önceden tokenlaştırılmış dizileri işlemesine olanak tanıyor. Veri paketleme ve karıştırma sırasında görüntü tokenlarının sayısı bilindiğinden, kip yükleri öngörülebiliyor ve veri paralelliği sıraları arasındaki oranları yaklaşık olarak eşit tutulabiliyor. LongCat, ortalama yaklaşık 3 milyar etkin parametreye sahip daha küçük bir MoE modeliyle yapılan ön doğrulamada, t-SNE görselleştirmelerinde görsel ve metinsel gömmelerin iç içe geçtiğinin görüldüğünü ve bunun ortak bir anlamsal uzayda bütünleşmeye işaret ettiğini belirtti.

Ajan tabanlı kodlama görevleri için bir sentez hattı, eğitim görevleri, etkileşimli ortamlar ve doğrulanabilir testler üretiyor. LongCat, GitHub çekme isteklerini ve bunlarla bağlantılı sorunları filtreliyor, görevleri açıklamak ve ortamları sentezlemek için ajanlardan yararlanıyor ve bunları başarısızdan başarılıya ve başarılıdan başarılıya testlerle doğruluyor. Canlı çalıştırmalardaki başarı oranları yeniden etiketleme ve filtreleme süreçlerine yön verirken, yanlış pozitif ve yanlış negatif görev dizilerinin çevrimdışı analizi testleri düzeltiyor ve genişletiyor. Gerçek dünyadaki ajan başarısızlığı görev dizileri de tekrarlanabilir, doğrulanabilir eğitim görevlerine dönüştürülüyor.

Eşzamansız kısmi çalıştırmalar, tam bir toplu işlem toplandıktan sonra devam eden görev dizilerini kesip kaydediyor, ardından bunları bir sonraki örnekleme aşamasında sürdürüyor. Ödül manipülasyonunu sınırlamak için LongCat, görev ortamlarında ağ erişimini devre dışı bırakıyor, Git geçmişini ve önbelleğe alınmış dosyaları kaldırıyor ve görev dizilerini istismar girişimleri açısından denetlemek üzere bir LLM değerlendiricisi kullanıyor. Çok turlu etkileşimlerde tekrarlanan akıl yürütme ve araç çağrılarına yönelik ek cezalar da uygulanıyor.

Hızlandırıcılarda Eğitim ve W4A4 Çıkarımı

Uzun dizili eğitim, hem ara eğitim hem de denetimli ince ayar aşamalarında, aygıt başına belleği 80 GB’tan az olan yerli yapay zekâ hızlandırıcılarında gerçekleştiriliyor. Paralel gruplar süper düğüm topolojisini izleyerek parametrelerin tüm düğümlere toplanması, uzman tokenlarının tüm düğümlere dağıtılması ve KV’lerin tüm düğümlere toplanması işlemlerini bu topolojinin yüksek bant genişlikli ara bağlantısı içinde tutuyor.

İkili parçalara ayırmalı FSDP, model parametrelerinin parçalanmasını her süper düğüm içinde tutarken FP32 ana ağırlıkları ve iyileştirici durumlarını FSDP alanları arasında daha da küçük parçalara ayırıyor. LongCat, uzun dizili denetimli ince ayar görevlerinde aygıt başına verimin DDP temel değerine kıyasla %86 daha yüksek olduğunu bildirdi.

LongCat, eğitim ve çıkarım yığınının paralellik yapılandırmalarını birbirinden ayırırken token başına log olasılıklarını bit düzeyinde özdeş ve performans yükünü sıfıra yakın tuttuğunu belirtti. Her iki altyapı da toplu işlem boyutundan bağımsız çekirdekler ve uyumlu çerçeve mantığı kullanıyor; ayrıca geriye yayılımı destekliyor.

W4A4 çıkarımı, uzman ağırlıklarını ve etkinleştirmelerini 4 bite kuantize ediyor ve bunlara karşılık gelen matris çarpımlarını yerel INT4 birimlerinde gerçekleştiriyor. Uzmanlar arasında paylaşılan bir girdi dönüşümü, tokenlar çoğaltılıp dağıtılmadan önce kuantizasyona olanak tanıyor; böylece aynı INT4 gösterimi, uzmanlar arasındaki iletişim ve hesaplama sırasında yeniden kullanılabiliyor. LongCat, değerlendirilen tüm alt görevlerde doğruluğun kuantize edilmemiş modelle karşılaştırılabilir olduğunu bildirdi.

W8A8 INT8 temel değerine karşı yapılan çevrimiçi stres testlerinde LongCat, ön doldurma veriminin %43,3, kod çözme veriminin ise %42,77 arttığını; buna karşılık TTFT’nin %15,91 ve TPOT’nin %19,72 azaldığını bildirdi. GMM çekirdeği, W8A8’e kıyasla ortalama 1,73× hızlanma sağladı.

Bildirilen Değerlendirme Sonuçları

LongCat, LongCat-2.5 ve önceki modeli için aşağıdaki kıyaslama sonuçlarını bildirdi:

Görsel değerlendirmelerde LongCat, 3DCodeBench Metinden 3B’ye görevinde 55,4, Vision2Web’de ise 78,6 puan aldığını bildirdi.

Aksi belirtilmedikçe LongCat-2.5 değerlendirmelerinde düşünme özelliği etkin, temperature 1.0 ve top_p 0.95 olarak ayarlandı. Terminal Bench v2.1, maksimum dizi uzunluğu 512K olan Claude Code test düzeneğini kullandı ve üç bağımsız çalıştırmanın ortalaması alındı. DeepSWE v1.1, maksimum dizi uzunluğu 1M olan mini-swe-agent’ı kullandı ve burada da üç çalıştırmanın ortalaması alındı.

LongCat’in tam değerlendirme tablosunda yer alan diğer modeller için yıldız işaretiyle belirtilen puanlar, kamuya açık teknik raporlardan, blog yazılarından veya resmî kıyaslama tablolarından alınmıştır. İşaretlenmeyen puanlar ise kurum içinde yapılan çalıştırmalardan elde edilmiş ve yalnızca gösterge niteliğinde oldukları belirtilmiştir.

API Erişimi ve Fiyatlandırma

API hızlı başlangıç kılavuzu, LongCat-2.5’in hem OpenAI hem de Anthropic ile uyumlu biçimlerde kullanılabildiğini belirtiyor. Bunların sırasıyla temel uç noktaları https://api.longcat.chat/openai ve https://api.longcat.chat/anthropic, destekleyerek /v1/chat/completions ve /v1/messages. Tek bir istekte 1M tokenlık bağlam penceresi ve 128K tokenlık maksimum çıktı uzunluğu bulunur.

LongCat ürün sayfası, Claude Code, Codex, Hermes ve diğer ajan test düzenekleriyle uyumluluktan söz ediyor. Ayrıca görsel kodlama, yaratıcı tasarım ve 3D görevlerinin yanı sıra çok adımlı akıl yürütme ve araç kullanımını içeren karmaşık kod tabanları ve tam proje derlemeleri için destek sunduğunu belirtiyor.

Kullandıkça öde fiyatlandırması, milyon token başına sınırlı süre için indirimli ücretleri şöyle listeliyor: önbelleğe alınmamış girdi için $0.30, önbelleğe alınmış girdi için $0.006 ve çıktı için $1.20. Bunlara karşılık gelen yuan ücretleri ¥2, ¥0.04 ve ¥8. Fiyatlar değişebilir; API platformunda gösterilen fiyatlar ve faturalandırma kayıtları esas alınır.

GitHub ve Hugging Face hâlâ yakında sunulacak olarak işaretlenirken, duyuruda erişim için kullanılabilir seçenekler olarak sohbet arayüzü ve API öne çıkarılıyor.