Meituan libera LongCat-2.5: LLM con visión y licencia MIT

Meituan libera los pesos de LongCat-2.5 bajo licencia MIT

Meituan publicó los pesos de LongCat-2.5 el 9 de noviembre, apenas una semana después de presentar el modelo, y lo hizo en Hugging Face bajo licencia MIT. Esa licencia habilita uso comercial, modificación y redistribución sujetos a sus requisitos de aviso, lo que convierte al modelo en algo distinto a un demo: una pieza que tu equipo puede auditar, ajustar y desplegar sin negociar con un proveedor.

El caso de uso que justifica la prueba es concreto. Un desarrollador le entrega a un agente la captura de un checkout roto, le pide que encuentre los componentes relevantes en el repositorio, que proponga un parche y que compruebe el resultado en el navegador. Meituan describe un modelo que representa la información visual como tokens y la procesa junto al texto, con una API que acepta capturas, gráficos, imágenes y videos.

Para un equipo chico, el atractivo está en cubrir trabajo visual y trabajo de código con un solo modelo en lugar de dos proveedores. La pregunta que queda abierta no es si es interesante, sino si aguanta suficiente volumen real como para reservar los modelos premium para lo difícil.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Qué tareas visuales justifican cambiar de modelo?

La documentación de la API de Meituan permite enviar imágenes embebidas en la petición o por URL, y la interfaz de video toma una URL. Ese detalle importa: si tu equipo trabaja con grabaciones internas de pantalla, la ruta de acceso al archivo condiciona el diseño del flujo.

La prueba más honesta para frontend y producto es una regresión visual con arreglo conocido:

Entrega al agente la captura que falla, acceso a un repositorio de test y una forma de renderizar la página parcheada.
Comprueba si identifica la causa, si hace un cambio acotado y si preserva la navegación por teclado y el comportamiento responsive.
Para referencias de diseño convertidas en prototipos, verifica que el resultado respete la librería de componentes y las reglas de interacción del equipo, no solo que se vea correcto.

Meituan destacó demos de desarrolladores como un sitio de lanzamiento de auto de Tasihi, una interfaz de juego de fantasía de AI Maverick Frank y un sitio de gestión de tienda de Aigc Lancet. Sus propios ejemplos incluyen una simulación de fluidos interactiva y una exhibición 3D. Son buenas pistas para herramientas internas, con una advertencia: un prototipo de tienda y una tienda en producción no tienen los mismos criterios de aceptación. El código generado debe pasar los mismos controles funcionales, de accesibilidad y de mantenimiento que un cambio escrito por una persona.

¿Cuánto mejora frente a su versión anterior?

La comparación más clara que publica Meituan es contra su propio predecesor. LongCat-2.5 obtiene 88,4 frente a 70,8 en Terminal Bench v2.1, 64,6 frente a 9,7 en DeepSWE v1.1 y 58,3 frente a 33,1 en la prueba de preguntas sobre repositorios SWE Atlas. Si tu equipo descartó la versión anterior para trabajo de repositorio, esos números justifican volver a medirla.

Las comparaciones con rivales son más mixtas. LongCat-2.5 queda a un punto de GPT-5.6 Sol y de Claude Opus 5 en Terminal Bench v2.1, pero en la versión 4.0 registra 38,5 frente a los 53,9 de Opus 5. DeepSeek-V4.1-Flash lidera el grupo en DeepSWE, LongCat lidera en 3DCodeBench y Claude Opus 5 lidera en Vision2Web. Para un equipo de software el reparto importa, porque operar una terminal, arreglar un repositorio y traducir una captura a una interfaz web son tres trabajos distintos.

Hay una señal de posicionamiento en la elección de referencias. Meituan usó GPT-5.6 Sol y Claude Opus 5 como puntos de comparación propietarios, aunque sus sucesores ya existían cuando presentó el modelo: OpenAI publicó GPT-6.1 Sol el 29 de septiembre y Anthropic anunció Claude Opus 5.5 el 22 de septiembre. En el leaderboard de Terminal-Bench 4.0, GPT-6.1 Sol registra 58,2 y Opus 5.5 registra 64,8, ambos por encima del 38,5 que reporta LongCat. Los conjuntos de prueba no son idénticos, así que no hay un cara a cara limpio, pero sí una conclusión útil: para un piloto empresarial de código conviene usar los modelos nuevos como control propietario.

¿Cuánto cuesta realmente usar LongCat-2.5?

Meituan lista una tarifa por tiempo limitado de US$0,30 por millón de tokens de entrada sin caché y US$1,20 por millón de salida, más US$0,006 por millón de tokens de entrada en caché. Con 200.000 tokens de entrada sin caché y 100.000 de salida, la corrida cuesta US$0,18 en tokens de modelo.

El mismo volumen, a las tarifas publicadas, costaría:

US$0,09 con DeepSeek en horario valle
US$1,40 con GPT-6.1 Sol
US$2,80 con Opus 5.5
US$5,60 con Claude Fable 5.2
US$7 con GPT-6 Astra

Ese ejercicio mantiene fijo el volumen de tokens, algo que en la práctica no ocurre: los modelos gastan cantidades distintas en razonamiento, repiten llamadas a herramientas o necesitan un segundo intento. El precio de DeepSeek fuera de hora pico es el comparador más exigente para lo que debería costar un modelo con pesos descargables y buenos puntajes de código.

La métrica que sí conviene seguir es el costo por resultado aceptado: incluye reintentos, tiempo de navegador o sandbox, cualquier llamada de respaldo a otro modelo y las horas de ingeniería revisando parches. Para agentes que reenvían un prefijo de prompt estable o mucho contexto de repositorio, mide la tasa real de acierto de caché en la herramienta que usan tus desarrolladores. El tamaño de la ventana de contexto dice poco sobre la factura.

¿Y si quieres correrlo en tu propia infraestructura?

Según la ficha del modelo, LongCat-2.5 tiene alrededor de 48.000 millones de parámetros activos por token sobre 1,6 billones totales. El modelo enruta cada token por un subconjunto de sus expertos, pero servirlo exige tener disponible el checkpoint completo. A dos bytes por parámetro, 1,6 billones implicarían unos 3,2 TB solo en pesos en una representación uniforme de 16 bits; ese cálculo es ilustrativo y no describe el tamaño real del checkpoint, entre otras cosas porque la metadata del repositorio en Hugging Face muestra 1,8T mientras la descripción técnica de Meituan dice 1,6T. Para dimensionar un despliegue hay que mirar los archivos y el formato exacto de servicio.

Meituan apunta a una guía de despliegue SGLang-FluentLLM para unidades de procesamiento neuronal y describe la reducción de precisión de pesos y activaciones de expertos a cuatro bits en aceleradores chinos. Eso es evidencia sobre el entorno que Meituan probó. Si tu flota de aceleradores es otra, valida que el runtime cargue el checkpoint y conserve el comportamiento visual y de uso de herramientas, y luego mide cuántas peticiones largas soporta el clúster en simultáneo.

Un despliegue privado se justifica cuando la carga de trabajo visual y de código es lo bastante grande o sensible. Para prototipos ocasionales, el camino simple es la evaluación hospedada con artefactos públicos o sintéticos, y definir antes cómo el servicio maneja retención, acceso y borrado de datos.

El riesgo regulatorio que ningún benchmark mide

Los modelos chinos enfrentan un escrutinio creciente en Washington. En octubre, el Departamento de Seguridad Nacional de EE. UU. hizo pública una orden que instruye a las agencias civiles federales a excluir DeepSeek de sus compras y a retirar su tecnología de los sistemas cubiertos, incluidas implementaciones provistas por terceros. La orden, firmada el 24 de julio por el secretario Markwayne Mullin bajo la Ley de Seguridad de la Cadena de Suministro de Adquisiciones Federales de 2018, alcanza a DeepSeek y sus afiliados, según TechRepublic.

VentureBeat no encontró ninguna restricción de compra o uso federal que nombre específicamente a Meituan o a LongCat-2.5 al 9 de noviembre. Pero las reglas cambian rápido: como recordó el mismo medio, el secretario de Defensa Pete Hegseth anunció el 27 de febrero que dirigía al Pentágono a designar a Anthropic como riesgo de cadena de suministro para la seguridad nacional, y formalizó la designación el 3 de marzo.

El clima general tampoco ayuda a la previsibilidad. TechCrunch reportó que Hugging Face, Meta, Microsoft, Mistral y Nvidia, entre otras, firmaron una carta abierta pidiendo a los responsables de política que no impongan restricciones amplias y prematuras a los modelos de pesos abiertos, en medio del debate sobre las acusaciones de destilación contra laboratorios chinos. La conclusión práctica para un proveedor es incómoda pero simple: correr los pesos en tu propia nube te da control sobre dónde van los prompts y los logs, pero una restricción puede seguir a la tecnología hasta un despliegue de terceros.

¿Qué significa esto para tu startup?

La decisión no es «adoptar LongCat-2.5» ni «descartarlo». Es decidir si mejora un flujo de trabajo que ya tienes.

Haz un piloto de tres tareas con presupuesto constante. Una corrección de bug guiada por captura, una tarea de diseño a código y una tarea de repositorio solo texto como control. Da a cada modelo el mismo estado del repositorio, navegador, suite de tests, permisos de herramientas y límite de tiempo, y repite las tareas para ver con qué frecuencia acierta cada uno.
Separa la evaluación de la captura a código. Puntúa el resultado renderizado y el código por separado. En arreglos de bugs, comprueba si el parche ataca la causa y si el revisor tiene que rehacerlo: una respuesta pulida puede esconder una llamada de herramienta fallida o un cambio que rompe algo no relacionado.
Si vendes al sector público de EE. UU., revisa contratos antes que benchmarks. Aunque no exista una orden que nombre a LongCat-2.5, los proveedores deberían verificar los términos contractuales y las órdenes aplicables de cadena de suministro federal antes de meter el modelo en trabajo orientado al gobierno. Y mantener un segundo modelo ya probado en las mismas tareas, para que un cambio de elegibilidad no obligue a reconstruir todo.

Si el modelo supera más trabajo visual en revisión a un costo total menor, enrútale esa carga. La compra de un clúster puede esperar hasta que el piloto demuestre con qué frecuencia aparece esa ventaja y cuánto vale.

Conclusión

LongCat-2.5 no es un salto de frontera: es una apuesta por rendimiento competitivo con una generación anterior de modelos premium en tareas seleccionadas, a un precio de token mucho menor y con una licencia MIT que elimina la fricción legal. El contexto ayuda a leerlo: el blog especializado WWWhat’s New recogió reportes de Reuters y South China Morning Post según los cuales el LongCat-2.0 de 1,6 billones de parámetros, presentado en junio, fue entrenado íntegramente sobre un clúster de 50.000 chips de fabricación china, y el equipo de LongCat, fundado en 2023, compite con DeepSeek y con el Doubao de ByteDance.

Para un founder, la lectura es más terrenal. Los pesos abiertos con licencia permisiva bajan el costo de experimentar y eliminan la dependencia de un solo proveedor para ciertas tareas. Lo que no eliminan es el trabajo de medir: costo por resultado aceptado, tasa de acierto de caché y horas de revisión siguen siendo los números que deciden si un modelo se queda en tu stack.