LongCat-2.0 : le modèle d'IA furtif qui a dirigé silencieusement OpenRouter tout ce temps

La société de technologie chinoise Meituan a officiellement dévoilé LongCat-2.0 le 30 juin, confirmant que le modèle d'IA expert-mix sous licence ouverte de 1,6 billion de paramètres est le même système qui a passé deux mois à fonctionner de manière anonyme sur OpenRouter sous l'alias Owl Alpha.

Les paramètres correspondent au nombre total de variables qu'un modèle peut gérer pendant la formation. Le modèle active environ 48 milliards de ses paramètres par jeton (la plus petite unité de données traitée par un modèle d'IA), ce nombre variant entre 33 milliards et 56 milliards selon le degré d'exigence de la requête.

La période de discrétion a porté ses fruits. Au moment où Meituan s'est manifesté, le modèle avait déjà atteint la première place dans l'espace de travail Hermes Agent, la deuxième dans Claude Code et la troisième dans les déploiements OpenClaw, tous classés par volume d'appels mensuel.

Il s’agit du premier modèle comportant des milliers de milliards de paramètres formé et déployé de bout en bout sur les ASIC nationaux chinois, et non seulement utilisé après une formation ailleurs. En comparaison, le V4-Pro de DeepSeek utilisait les puces Huawei uniquement à des fins d'inférence, tandis que la pré-formation était effectuée sur le matériel Nvidia.

Meituan affirme que la phase de pré-formation, qui a porté sur plus de 35 000 milliards de jetons dans un groupe de plus de 50 000 accélérateurs produits dans le pays, s'est terminée « sans aucun recul ni pic de pertes irrécupérables ». Cette affirmation de stabilité est pertinente compte tenu de la fréquence à laquelle les formations à grande échelle sur des piles matérielles non testées échouent à mi-parcours et de la manière dont la Chine semble réduire sa dépendance à l’égard du matériel américain pour former ses modèles.

Le prix est le point où LongCat-2.0 présente son argument le plus fort. L'accès standard à l'API coûte 0,75 $ par million de jetons entrants et 2,95 $ par million de jetons sortants, réduit à 0,30 $/1,20 $ lors de la promotion de lancement actuelle, avec des lectures de contexte mises en cache sans frais. C'est en dessous des 5 $/30 $ par million de jetons de GPT-5.5, des frais d'introduction de 2 $/10 $ de Claude Sonnet 5, et proche des 0,435 $/0,87 $ permanents de DeepSeek V4-Pro et du MiMo-V2.5 Pro de Xiaomi, qui correspondaient aux mêmes frais après ses propres baisses de prix en mai.

Meituan propose également un plan de jetons, rendant les choses encore moins chères pour les développeurs et les gros utilisateurs, avec des packages d'un milliard de jetons pour environ 60 $.

Nous avons mis LongCat-2.0 à l'épreuve avec un test rapide de création de jeu. Il a atteint l’objectif et le résultat a assez bien résisté après quelques tours d’itération. Le résultat est visiblement en retrait de Claude Fable et de l'Opus 4.8, le rapprochant du Sonnet 4.6, mais le rapport qualité/prix est difficile à argumenter à ces tarifs.

Des vagues d'ennemis arrivent sous différents angles avec la caméra se concentrant automatiquement sur l'ennemi le plus proche. Cependant, la logique du modèle n’a pas pris en compte ce qui se passe lorsque le nombre d’ennemis augmente difficilement. À des vitesses plus élevées, la logique de commutation de cible devenait erratique ; l'attention passerait à un ennemi plus proche au milieu d'une invite de frappe, rendant le jeu frustrant et injouable.

Ceci est normal dans les sessions de codage d'ambiance, où les modèles ne prévoient pas beaucoup de conséquences logiques d'une décision et se concentrent plutôt sur la fourniture d'un résultat basé sur ce que l'utilisateur demande littéralement.

C’est également la raison pour laquelle un modèle bon marché constitue toujours un bon choix, car il donne à l’utilisateur davantage de possibilités d’améliorer chaque résultat de manière itérative jusqu’à ce que le produit final réponde aux attentes.

Dans tous les cas, sans autre interaction, à première vue, la qualité globale se situe quelque part entre DeepSeek v4 Flash et DeepSeek v4 Pro dans nos tests de programmation rapides.

Vous pouvez voir les résultats sur notre site itch.io

Comment Meituan l'a construit

LongCat-2.0 utilise plusieurs techniques pour rendre le modèle plus rapide et plus performant sans augmenter considérablement sa taille.

Son système d'attention, basé sur la conception de DeepSeek, se concentre uniquement sur les parties les plus pertinentes de très longues conversations au lieu de tout traiter de la même manière, vous aidant ainsi à répondre plus rapidement.

De plus, un nouveau système d'intégration N-gram (un moyen d'aider à comprendre des groupes de mots ou de sous-mots ensemble) donne au modèle une compréhension beaucoup plus riche des mots et des phrases (environ 100 fois plus de représentations possibles) sans ajouter beaucoup plus de composants d'IA. Fondamentalement, il apprend à l'IA à reconnaître des phrases courantes au lieu de simplement des mots individuels. Au lieu de considérer « New », « York » et « City » comme trois éléments distincts, vous pouvez également traiter « New York City » comme un seul concept significatif. Cela donne au modèle une compréhension beaucoup plus riche du langage sans l’agrandir considérablement.

Après la formation, Meituan combine également trois systèmes spécialisés : un axé sur l'utilisation d'outils (Agent), un autre sur la résolution de problèmes (Reasoning) et un autre sur les conversations (Interaction). Un mécanisme de routage décide ensuite quelle combinaison de ces spécialistes doit traiter chaque demande, de la même manière que l'on assigne la bonne équipe au bon travail.

Dans SWE-bench Pro, un benchmark qui évalue la fréquence à laquelle un modèle résout de vrais problèmes GitHub extraits des bases de code en production, LongCat-2.0 a obtenu un score de 59,5, au-dessus des 58,6 de GPT-5.5 et des 54,2 de Gemini 3.1 Pro, bien que toujours derrière Claude Opus 4.7 et 4.8. Sur FORTE, qui évalue les agents effectuant des tâches de bureau quotidiennes dans 15 professions dans un délai de 45 minutes, il a obtenu un score de 73,2, à égalité avec le 4,6 de Claude Opus mais derrière le 77,8 du GPT-5,5.

Les équipes qui créent des agents de planification avec un budget limité, ou toute personne effectuant un travail à grande échelle dans des référentiels où s'accumulent les lectures gratuites du cache contextuel, ont l'avantage le plus évident. Le modèle est disponible aujourd'hui via les points de terminaison d'API compatibles OpenAI et Anthropic de Meituan, ou via des harnais d'agents comme Hermes, Claude Code et OpenClaw qui l'intègrent déjà.

Quiconque doit l’héberger seul n’a pas de chance pour le moment. Les référentiels GitHub et Hugging Face affichent toujours « les poids des modèles à venir », mais Meituan n'a pas fixé de date pour la disponibilité des fichiers.

Trezor One – Portefeuille Matériel de Crypto-Monnaie – Le Stockage à Froid Le Plus Fiable pour Bitcoin, Ethereum, ERC20 et Bien d’autres (Noire)