El nuevo modelo de pesos abiertos de Meituan combina programación y comprensión visual. Su arquitectura activa unos 48.000 millones de parámetros por token y, según la compañía, su entrenamiento se apoyó en aceleradores chinos.
Meituan, conocida en China por su plataforma de reparto y servicios, ha publicado los pesos de LongCat-2.5, un modelo de IA diseñado para agentes que trabajan con código e imágenes. La cifra que llama la atención es su tamaño, 1,6 billones de parámetros. El otro dato está en el centro de datos: según Meituan, el entrenamiento se realizó con aceleradores chinos, sin recurrir a GPU de Nvidia.
Qué significan los 1,6 billones de parámetros
LongCat-2.5 utiliza una arquitectura de mezcla de expertos, conocida como MoE. En cada paso, el modelo dirige parte del cálculo a un subconjunto de sus componentes. De los 1,6 billones de parámetros totales, activa unos 48.000 millones por cada token, una unidad de información que procesa el modelo.
El diseño reduce el cálculo que se realiza en cada paso. El despliegue del modelo completo sigue requiriendo alojar y distribuir todos sus pesos. Meituan los ha publicado en Hugging Face bajo licencia MIT, lo que permite utilizarlos comercialmente, aunque ejecutar el modelo completo sigue siendo una tarea de infraestructura.
El trabajo de ingeniería detrás de los chips chinos
Entrenar un modelo de este tamaño obliga a repartir el trabajo entre muchos aceleradores. Esos chips intercambian datos durante el entrenamiento, y la velocidad de esas transferencias puede limitar el rendimiento del conjunto.
Meituan explica que, en las etapas de entrenamiento con secuencias largas que describe en su informe, organizó el cálculo para que los intercambios más intensivos ocurrieran entre aceleradores conectados por enlaces de alta velocidad dentro del mismo grupo. También ajustó cómo se distribuyen los expertos para evitar que algunos chips acumularan más trabajo del que podían procesar.
La compañía ya había anunciado el uso de chips chinos con LongCat-2.0. El caso de LongCat-2.5 permite ver cómo su equipo ha seguido adaptando el software de entrenamiento a la memoria y las conexiones del hardware disponible.
Qué puede hacer LongCat-2.5 y cómo le fue en las pruebas
Meituan ha orientado el modelo a tareas que requieren varios pasos, como explorar un repositorio, modificar archivos y ejecutar pruebas. También incorpora comprensión visual, de modo que un agente puede usar una captura de pantalla junto con el código y las instrucciones para revisar una interfaz.
En las pruebas que publica Meituan, LongCat-2.5 obtuvo 88,4 puntos en Terminal Bench 2.1, frente a los 70,8 de LongCat-2.0. En DeepSWE v1.1 pasó de 9,7 a 64,6. La tabla de la compañía combina mediciones propias con cifras extraídas de informes y clasificaciones públicas, por lo que las comparaciones con otros modelos deben leerse junto con las condiciones de cada prueba.
Qué cambia para quienes desarrollan con IA
Los pesos abiertos permiten a los equipos con infraestructura suficiente evaluar LongCat-2.5 en sus propios repositorios y decidir cómo desplegarlo. Para un equipo de software, una prueba relevante sería encargarle una incidencia real y comprobar si el cambio pasa los tests y cuánto trabajo de revisión exige.
Para el sector de los chips, el interés está en que Meituan ha documentado una vía de entrenamiento a gran escala con aceleradores chinos. Comparar su competitividad económica con la de otras infraestructuras exigiría conocer el coste total, el consumo energético y el tiempo de entrenamiento en condiciones equivalentes.
Fuentes y referencias
- LongCat — presentación e informe técnico de LongCat-2.5
- Meituan en Hugging Face — pesos, licencia y resultados de evaluación
- Reuters — el antecedente de LongCat-2.0 y su entrenamiento con chips chinos
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
