Meituan open-source LongCat-2.5 : un MoE multimodal de 1600 Md de paramètres (48B actifs, contexte 1M) sous licence MIT

Meituan open-source LongCat-2.5 : un MoE multimodal de 1600 Md de paramètres (48B actifs, contexte 1M) sous licence MIT

🔎 Un géant chinois lâche 1,6 billion de paramètres en open weights

Meituan vient de franchir une ligne que aucun lab américain n'a osée franchir : publier les poids d'un modèle frontal de 1,6 trillion de paramètres sous licence MIT. Le 10 novembre 2026, le géant chinois de la livraison et du e-commerce a mis en ligne sur Hugging Face les poids de LongCat-2.5, un MoE nativement multimodal conçu pour les tâches agentiques longues. Usage commercial, fine-tuning, redistribution : tout est autorisé.

Pourquoi maintenant ? Parce que l'écart entre les modèles ouverts et les modèles fermés n'a jamais été aussi mince — et que la Chine continue de creuser son avance sur le front open weights. Après DeepSeek et Qwen, après GLM-5.2 et ses 753B MoE sous licence MIT, Meituan passe à la vitesse supérieure avec un modèle qui accepte des images, gère un contexte de 1M de tokens et ne coûte que 0,30 $/M tokens en entrée via son API.

Pendant ce temps, les labs américains — OpenAI, Anthropic, Google — restent fermement closed-weights. La bataille de l'IA ouverte se joue désormais presque exclusivement côté asiatique et européen. LongCat-2.5 est le dernier épisode, et il est significatif.

L'essentiel

• Meituan publie les poids de LongCat-2.5 sous licence MIT : usage commercial, modification et redistribution autorisés sans restriction (la licence ne couvre pas les marques ni brevets Meituan).
• Architecture MoE nativement multimodale : 1,6T de paramètres totaux, environ 48 Md activés par token, modes thinking et non-thinking, images acceptées en entrée, contexte de 1M de tokens.
• Gains massifs vs LongCat-2.0 : Terminal Bench v2.1 à 88,4 (contre 70,8), DeepSWE v1.1 à 64,6 (contre 9,7), BrowseComp à 91,9, SWE Atlas à 58,3 (contre 33,1).
• Le tableau reste mitigé face aux rivaux : DeepSeek-V4.1-Flash (90,6) et Claude Opus 5 (89,1) devancent LongCat-2.5 sur Terminal Bench v2.1 ; sur Terminal Bench v4.0, LongCat-2.5 (38,5) est derrière GLM-5.3 (41,8) et Claude Opus 5 (53,9).
• Trop gros pour du matériel personnel, mais quantification 4-bit des poids d'experts et déploiement NPU via un fork SGLang existent déjà.
• API Meituan à 0,30 $/M tokens en entrée et 1,20 $/M en sortie (offre à durée limitée, novembre 2026). Aucun inference provider tiers pour l'instant.

Outils recommandés

LongCat-2.5, c'est quoi exactement ? Un MoE multimodal pensé pour les agents

Réponse directe : LongCat-2.5 est un modèle de mixture-of-experts de 1,6 trillion de paramètres totaux, dont environ 48 milliards sont activés à chaque token, avec des images en entrée, un contexte de 1M de tokens et deux modes de raisonnement (thinking et non-thinking). C'est le premier modèle de cette taille publié sous licence MIT avec des capacités multimodales natives.

Le mot clé ici, c'est « nativement multimodal ». Ce n'est pas un modèle texte auquel on a greffé un module vision après coup. Les images font partie de l'architecture dès le pré-entraînement, ce qui change la donne pour les tâches agentiques : browsing, lecture de documents, manipulation d'interfaces. C'est exactement le créneau visé par Meituan, qui précise sur Hugging Face que le modèle est optimisé pour les tâches agentiques longues.

L'architecture MoE avec 48B actifs sur 1,6T totaux est le compromis classique du moment : vous obtenez la capacité d'un modèle colossal, mais le coût d'inférence d'un modèle beaucoup plus petit. C'est la même logique que GLM-5.2 avec ses 753B MoE, et c'est ce qui rend ces modèles économiquement viables — 1,6T de paramètres denses seraient tout simplement inférençables à aucun prix raisonnable.

Le contexte de 1M de tokens est l'autre argument sérieux. Pour des agents qui doivent parcourir des dizaines de pages web, des bases de code entières ou des corpus documentaires, c'est un prérequis devenu quasi standard sur les modèles frontaux — et LongCat-2.5 l'offre sans surcoût de licence.

Modes thinking et non-thinking

Le modèle propose deux modes de génération. Le mode thinking engage un raisonnement explicite avant de répondre, utile pour les tâches de code et d'analyse complexes. Le mode non-thinking répond directement, pour les tâches simples où la latence compte. C'est un pattern devenu standard, mais son implémentation dans un modèle open weights de cette taille reste rare.

Benchmarks : les chiffres sont impressionnants, mais pas dominants

Réponse directe : LongCat-2.5 fait un bond spectaculaire par rapport à LongCat-2.0, mais il ne domine aucun leaderboard face aux meilleurs modèles du moment. C'est un modèle de très haut niveau, pas un modèle numéro un.

Commençons par la progression interne, qui est réellement spectaculaire :

Sources : CuriousLM et VentureBeat. Le gain sur DeepSWE v1.1 — de 9,7 à 64,6 — est le plus frappant : il suggère que la génération précédente était quasiment inutilisable en ingénierie logicielle autonome, et que la nouvelle génération est devenue compétitive. C'est le genre de saut qu'on voit entre deux générations majeures, pas entre une itération mineure.

Maintenant, le tableau face aux rivaux, et là c'est plus nuancé :

Mon lecture : sur Terminal Bench v2.1, LongCat-2.5 est dans le peloton de tête, à 2,2 points de DeepSeek-V4.1-Flash et 0,7 point derrière Claude Opus 5. Sur Terminal Bench v4.0 — la version plus récente et plus exigeante du benchmark — l'écart se creuse : 38,5 contre 53,9 pour Claude Opus 5. Le modèle est donc excellent sur les benchmarks de sa génération, mais la version la plus dure du test révèle une limite face aux modèles fermés les plus récents.

C'est un pattern que je vois de plus en plus : les modèles ouverts écrasent les benchmarks établis, mais les nouveaux benchmarks plus difficiles rétablissent un écart en faveur des modèles fermés. Pas de miracle ici, pas de puff : LongCat-2.5 est un très bon modèle frontal, pas un modèle qui rend Claude ou GPT obsolètes.

La licence MIT : pourquoi c'est le vrai événement

Réponse directe : la licence MIT est la plus permissive qui existe, et l'appliquer à un modèle de 1,6T de paramètres multimodal est une première. C'est ce qui distingue LongCat-2.5 de la plupart des « open weights » chinois, souvent publiés sous des licences custom avec des restrictions d'usage.

Concrètement, la licence MIT autorise :

• Usage commercial sans restriction — vous pouvez intégrer LongCat-2.5 dans un produit payant, sans négociation, sans revenue share.
• Fine-tuning et modification — vous pouvez adapter le modèle à votre domaine, publier vos variantes.
• Redistribution — vous pouvez héberger, revendre, redistribuer les poids.

Les seules exclusions : les marques commerciales et les brevets Meituan. VentureBeat confirme que la publication est bien sous licence permissive, sans clause restrictive de type « usage acceptable » ou « moins de 700M d'utilisateurs actifs » qu'on retrouve ailleurs.

Pourquoi c'est important ? Comparez avec les alternatives du moment. DeepSeek V3.1 avait déjà fait bouger les lignes avec sa licence MIT, mais sur un modèle plus petit. Aleph Alpha a publié Kolibri-1, un MoE 78B (3,46B actifs) sous Apache 2.0, orienté IA souveraine on-premise. Et Thinking Machines s'apprête à dévoiler Inkling 2 Small sous Apache 2.0. La tendance est claire : les licences permissives deviennent le standard du front open weights, et LongCat-2.5 pousse ce standard à l'échelle maximale.

Pour les organisations et les cloud providers, c'est le critère décisif. Une licence MIT signifie qu'un cloud provider peut héberger LongCat-2.5 et le proposer à ses clients sans risque juridique. C'est exactement ce qui a fait le succès commercial de Llama à l'époque — et ce qui manque cruellement aux modèles sous licences custom.

Peut-on le faire tourner en local ? Non, pas vraiment — et c'est le prix de la taille

Réponse directe : avec 1,6T de paramètres totaux, LongCat-2.5 est hors de portée de tout matériel personnel, même quantifié. C'est un modèle pour datacenters, pas pour votre RTX 4090.

Meituan le reconnaît implicitement. CuriousLM est formel : le modèle est trop gros pour du matériel personnel. Mais deux pistes de déploiement existent déjà pour les mieux équipés :

• Un fork SGLang permet le déploiement sur NPU, une voie rare pour les modèles open weights de cette taille.
• La quantification 4-bit des poids d'experts sur accélérateurs domestiques réduit l'empreinte mémoire — mais même à 4 bits, 1,6T de paramètres représentent des centaines de Go, hors de portée d'un setup grand public.

Concrètement, pour faire tourner LongCat-2.5 en local, il faut un cluster multi-GPU ou un accès cloud. C'est le domaine des organisations, pas des particuliers.

Si vous voulez du local, la stratégie réaliste en 2026 est hybride : une API pour les tâches lourdes (LongCat-2.5, ou un modèle équivalent), et un modèle local plus petit pour les tâches quotidiennes. Notre sélection des meilleurs LLM locaux et le guide d'installation d'un LLM local avec Ollama ou LM Studio couvrent cette partie. Et si vous construisez des agents, notre guide sur les agents IA open source avec Ollama montre comment combiner un petit modèle local avec des appels API pour les tâches exigeantes.

Aucun inference provider pour l'instant

Point important : à la date de publication, aucun inference provider tiers (Together, Fireworks, Groq, etc.) n'héberge LongCat-2.5. La seule option clé en main est l'API Meituan elle-même, à 0,30 $/M tokens en entrée et 1,20 $/M en sortie — une offre à durée limitée, clairement pensée pour accélérer l'adoption. C'est un prix agressif, mais la dépendance à une API unique, hébergée en Chine, est un facteur à prendre en compte pour les entreprises sensibles à la souveraineté des données. C'est précisément le créneau où Aleph Alpha positionne Kolibri-1 pour l'IA souveraine on-premise.

La Chine creuse l'écart sur l'open weights — et les labs US regardent ailleurs

Réponse directe : quasiment tous les modèles frontaux open weights publiés en 2026 viennent de Chine ou d'Europe. Les labs américains majeurs n'ont rien publié en open weights, et LongCat-2.5 accentue ce déséquilibre.

Regardez la liste des publications récentes en open weights : DeepSeek, Qwen, GLM de Z.AI, Kimi de Moonshot, LongCat de Meituan. Côté occidental, il reste Aleph Alpha avec Kolibri-1, Thinking Machines avec Inkling 2 Small, et quelques acteurs de niche. Aucun des grands labs américains — OpenAI, Anthropic, Google — n'a publié de modèle frontal en open weights.

Pourquoi cet écart ? Trois raisons, à mon avis :

1. Le modèle économique. Les labs US monétisent l'API et les abonnements ; publier les poids détruit leur moat. Les acteurs chinois utilisent l'open weights comme arme d'écosystème : ils gagnent en adoption, en contributions communautaires, en influence, là où ils ne peuvent pas gagner en revenus API.
2. La pression réglementaire. L'Europe et une partie de l'Asie poussent vers des modèles auditables et déployables on-premise. Les modèles ouverts sont les seuls à répondre à ce besoin.
3. L'effet réseau. Chaque modèle MIT publié attire les développeurs, les fine-tunes, les outils. DeepSeek l'a compris, Z.AI l'a compris, Meituan l'a compris.

La conséquence pratique pour vous : si vous construisez sur des modèles ouverts, votre choix se fait presque exclusivement parmi des modèles chinois ou européens. Notre comparatif mensuel des meilleurs LLM reflète ce déséquilibre, et les modèles fermés restent en tête sur les benchmarks les plus récents — mais l'écart se resserre mois après mois.

Où se situe LongCat-2.5 dans cette hiérarchie ?

Dans le peloton de tête open weights, aux côtés de DeepSeek-V4.1-Flash et GLM-5.3. Sur les benchmarks de code, DeepSeek-V4.1-Flash garde une légère avance sur Terminal Bench v2.1, et GLM-5.3 devance LongCat-2.5 sur Terminal Bench v4.0. Mais LongCat-2.5 apporte une combinaison unique : multimodalité native + contexte 1M + licence MIT + taille 1,6T. Aucun autre modèle ouvert ne coche ces quatre cases simultanément.

Comment utiliser LongCat-2.5 concrètement : trois scénarios

Réponse directe : trois voies d'accès existent — l'API Meituan, le self-hosting en cloud, et le téléchargement des poids pour fine-tuning. Le choix dépend de votre volume et de vos contraintes de souveraineté.

Scénario 1 : tester via l'API

Le plus simple. L'API Meituan coûte 0,30 $/M tokens en entrée et 1,20 $/M en sortie (offre à durée limitée, novembre 2026, vérifiez sur tech.meituan.com). Pour comparer, c'est un positionnement tarifaire agressif pour un modèle de cette classe. Le protocole est standard, donc l'intégration dans un pipeline existant est rapide. Si vous hébergez votre application sur un VPS, Hostinger fait très bien l'affaire pour la partie front — l'API Meituan gère l'inférence.

Scénario 2 : self-hosting en cloud

Pour les organisations qui veulent maîtriser l'inférence sans acheter de GPU. Prévoyez un cluster multi-GPU sérieux — le modèle est trop gros pour du matériel personnel, même quantifié. Le fork SGLang avec support NPU est la voie documentée par Meituan, avec quantification 4-bit des poids d'experts pour réduire l'empreinte. C'est un projet d'infrastructure, pas un déploiement de week-end.

Scénario 3 : fine-tuning et redistribution

C'est là que la licence MIT brille. Vous pouvez télécharger les poids depuis Hugging Face, fine-tuner sur votre domaine, et publier votre variante — commercialement, sans restriction. Pour les cloud providers, c'est une opportunité directe : devenir le premier inference provider tiers de LongCat-2.5, puisque CuriousLM confirme qu'il n'en existe aucun à ce jour. Le premier qui s'y met capte la demande.

Faut-il adopter LongCat-2.5 ? Mon verdict sans langue de bois

Réponse directe : oui pour les organisations qui veulent un modèle frontal open weights multimodal avec licence MIT ; non pour les particuliers et les petits projets, qui n'ont ni le matériel ni le besoin.

Adoptez si vous êtes une organisation qui :

• a besoin d'un modèle agentique multimodal avec un grand contexte, sans dépendance à un lab fermé ;
• veut du fine-tuning sur vos données avec une licence sans restriction ;
• est un cloud provider cherchant un nouveau modèle à héberger ;
• fait de la recherche et veut un modèle frontal auditable.

Passez votre chemin si vous êtes :

• un développeur solo ou une petite équipe : l'API Meituan est une option de test, mais la dépendance à un seul provider chinois et l'absence d'inference providers tiers rendent le risque de continuité réel. Pour du code au quotidien, notre comparatif des meilleurs LLM pour coder reste plus pertinent.
• quelqu'un qui cherche du local pur : le modèle est trop gros. Regardez plutôt notre sélection des meilleurs LLM locaux et le guide d'installation.
• quelqu'un qui cherche un modèle gratuit pour un usage personnel : les options de notre sélection des meilleurs LLM gratuits sont plus adaptées.

Mon opinion : LongCat-2.5 n'est pas le modèle qui va changer votre quotidien de développeur cette semaine. C'est un modèle qui change le paysage sur douze mois. La licence MIT à cette échelle, avec la multimodalité native et le contexte 1M, crée un précédent que les autres acteurs — chinois comme occidentaux — vont devoir suivre. Et pour les organisations qui construisent des agents sur le long terme, c'est exactement le type de fondation qu'elles cherchent : notre guide sur les meilleurs LLM pour les agents IA devrait d'ailleurs intégrer LongCat-2.5 dans sa prochaine mise à jour.

❌ Erreurs courantes

Erreur 1 : confondre « open weights » et « open source »

Les poids sont publiés sous licence MIT, ce qui est effectivement open source au sens strict. Mais attention : les données d'entraînement, le code de pré-entraînement et les recettes complètes ne sont pas publiés. LongCat-2.5 est un modèle open weights sous licence permissive, pas un projet open source complet à la manière de Linux. La distinction compte quand vous évaluez la reproductibilité.

Erreur 2 : croire qu'on peut le faire tourner sur son PC

1,6T de paramètres, même avec 48B actifs et une quantification 4-bit des experts, ça reste des centaines de Go de mémoire. Le fork SGLang pour NPU et la quantification 4-bit visent des setups spécialisés, pas un gaming PC. La solution : API pour les tâches lourdes, petit modèle local pour le reste.

Erreur 3 : se fier aux benchmarks de la génération précédente

Les gains vs LongCat-2.0 sont spectaculaires (+54,9 points sur DeepSWE v1.1), mais ce n'est pas le bon comparatif. Le bon comparatif, c'est face aux rivaux actuels : DeepSeek-V4.1-Flash et Claude Opus 5 devancent LongCat-2.5 sur Terminal Bench v2.1, et l'écart se creuse sur Terminal Bench v4.0. Jugez toujours un modèle face à ses concurrents du jour, pas face à sa propre version précédente.

Erreur 4 : ignorer l'absence d'inference providers tiers

Aucun provider tiers n'héberge LongCat-2.5 à ce jour. Si vous construisez un produit sur l'API Meituan, vous avez un point de défaillance unique, hébergé en Chine, avec une tarification « à durée limitée ». Prévoyez un plan B — ou attendez qu'un cloud provider annonce un hébergement, ce qui ne devrait pas tarder vu la licence MIT.

❓ Questions fréquentes

LongCat-2.5 est-il vraiment gratuit ?

Les poids sont gratuits sous licence MIT : usage commercial, fine-tuning et redistribution autorisés. Seules exceptions : les marques et brevets Meituan. L'API Meituan, elle, est payante (0,30 $/M tokens en entrée, 1,20 $/M en sortie, offre à durée limitée en novembre 2026). Le téléchargement des poids est gratuit, l'inférence ne l'est pas — sauf si vous avez votre propre infrastructure.

Peut-on faire tourner LongCat-2.5 sur un Mac ou un gaming PC ?

Non. Avec 1,6T de paramètres totaux, le modèle dépasse largement les capacités de tout matériel grand public, même quantifié en 4 bits. Meituan propose un fork SGLang pour déploiement NPU et une quantification 4-bit des poids d'experts, mais ces options visent des accélérateurs spécialisés. Pour du local, choisissez un modèle plus petit dans notre sélection des meilleurs LLM locaux.

LongCat-2.5 est-il meilleur que Claude Opus 5 ?

Non, pas sur les benchmarks les plus récents. Sur Terminal Bench v2.1, Claude Opus 5 (89,1) devance LongCat-2.5 (88,4). Sur Terminal Bench v4.0, plus exigeant, Claude Opus 5 (53,9) domine nettement LongCat-2.5 (38,5). L'intérêt de LongCat-2.5 n'est pas de battre Claude, mais d'offrir un niveau proche avec des poids téléchargeables et une licence MIT.

Pourquoi Meituan publie-t-il un modèle de 1,6T de paramètres ?

Meituan est un géant du e-commerce et de la livraison chinoise, avec des besoins massifs en agents (support client, logistique, browsing). Publier les poids lui coûte peu — il garde l'infrastructure — et lui rapporte en adoption, en contributions communautaires et en influence sur l'écosystème. C'est la même stratégie que DeepSeek et Z.AI : gagner l'open weights, là où les labs US défendent leurs revenus API.

Que valent les benchmarks de Meituan ?

Les benchmarks sont auto-rapportés par Meituan, ce qui impose une prudence standard. VentureBeat confirme les gains vs LongCat-2.0, et les chiffres face aux rivaux sont publiés avec les résultats des concurrents — y compris quand LongCat-2.5 perd, ce qui est un signe de bonne foi. Attendez-vous à des évaluations indépendantes dans les semaines qui suivent la publication.

✅ Conclusion

LongCat-2.5 n'est pas le modèle le plus puissant du monde — mais c'est le plus puissant modèle multimodal jamais publié sous licence MIT, et ça change la donne pour les organisations qui veulent construire sur des fondations ouvertes. La Chine continue de creuser l'écart sur l'open weights ; la question n'est plus de savoir si les labs US vont suivre, mais quand. Pour suivre l'évolution du paysage mois par mois, consultez notre comparatif des meilleurs LLM et notre sélection des meilleurs LLM locaux.