aihariini – Meituan merilis bobot LongCat-2.5, model agen AI dengan 1,6 triliun parameter yang dilatih sepenuhnya memakai perangkat keras China tanpa GPU Nvidia. Rilis ini memberi developer Indonesia pilihan model terbuka untuk membangun agen AI, sekaligus menunjukkan kemajuan China dalam mengembangkan AI dengan perangkat kerasnya sendiri.

Model besar untuk tugas yang berjalan bertahap
Bobot model adalah data yang menyimpan hasil pembelajaran AI. Meituan merilis bobot LongCat-2.5 satu minggu setelah pengumuman resminya, sehingga pengguna tidak hanya bergantung pada layanan yang dijalankan perusahaan untuk memanfaatkannya.
Model ini dirancang untuk agen AI, yaitu sistem yang bisa menjalankan rangkaian langkah menuju suatu tujuan dengan tingkat kemandirian tertentu. Fokusnya adalah pekerjaan panjang dan bertahap, terutama coding atau penulisan dan pengerjaan kode perangkat lunak.
LongCat-2.5 punya 1,6 triliun parameter, tetapi tidak semuanya aktif setiap kali model memproses token, yakni potongan teks atau data yang dibaca model. Arsitektur mixture of experts membagi pekerjaan ke kelompok parameter yang berbeda; sekitar 48 miliar parameter aktif per token.
Dilatih dengan hardware China, dijalankan pada klaster besar
Pelatihan sepenuhnya pada perangkat keras China menjadi bagian penting dari rilis ini. Meituan menunjukkan bahwa model berskala besar untuk agen AI bisa dikembangkan tanpa GPU Nvidia, yang selama ini dikenal luas sebagai perangkat untuk komputasi AI.
Meski bobotnya terbuka, menjalankan model sendiri bukan berarti kebutuhan perangkat kerasnya ringan. Panduan self-hosting, yaitu menjalankan model di infrastruktur sendiri, menyebut klaster berisi 194 akselerator Huawei Ascend seri Atlas A2. Panduan itu tidak mencantumkan GPU Nvidia.
Dari jumlah itu, dua akselerator dialokasikan untuk pemrosesan gambar, 64 untuk menerima dan memproses prompt, serta 128 untuk menghasilkan respons. Bagi perusahaan atau developer di Indonesia, gambaran ini penting saat mempertimbangkan biaya dan kapasitas infrastruktur sebelum menjalankan model sendiri.
Bisa memahami gambar dan video, responsnya tetap teks
LongCat-2.5 melanjutkan pengembangan LongCat-2.0 dan menambahkan pemahaman gambar. Gambar diubah menjadi token yang diproses bersama teks, sehingga model bisa menggabungkan informasi visual dan instruksi tertulis dalam satu pekerjaan.
Model ini juga memahami video, meski responsnya berbentuk teks. Pengguna bisa menyalakan atau mematikan fitur reasoning, yaitu proses penalaran model untuk menangani masalah yang membutuhkan langkah-langkah pemikiran.
Melalui API, model bisa menangani hingga satu juta token dalam satu permintaan dan menghasilkan respons hingga 128.000 token. API adalah cara bagi aplikasi untuk berkomunikasi dengan model; kapasitas konteks yang besar bisa berguna saat agen perlu membaca banyak informasi dalam tugas yang panjang.
Baca Juga :
- Nvidia Disebut Akui Pelacakan Chip AI Bisa Diterapkan
- Anthropic Perluas Akses Claude untuk Keamanan Siber
Latihan agen memakai masalah perangkat lunak nyata
Untuk meningkatkan kemampuan agen, tim Meituan memakai reinforcement learning, metode pelatihan yang memberi umpan balik atas hasil tindakan model. Tugasnya diambil dari pull request GitHub, yaitu usulan perubahan kode, serta kegagalan agen yang direkonstruksi.
Dalam proses itu, akses internet diblokir, sementara riwayat Git dan file cache dihapus. Solusi kemudian diperiksa memakai model bahasa. Pendekatan ini menempatkan model pada tugas perangkat lunak yang perlu diselesaikan melalui beberapa langkah, bukan sekadar menjawab pertanyaan coding.
Tim juga memakai distilasi, yaitu proses memindahkan kemampuan dari model lain ke model yang dilatih. Beberapa model guru khusus untuk pekerjaan agen, penalaran, dan dialog dipakai untuk membantu membentuk kemampuan LongCat-2.5.
Hasil benchmark dekat dengan pesaing, tetapi tidak selalu unggul
Meituan mengatakan LongCat-2.5 mendekati model Barat teratas pada beberapa benchmark, yaitu pengujian standar untuk membandingkan kemampuan model. Pada Terminal Bench v2.1, LongCat-2.5 mendapat 88,4 poin, di bawah Claude Opus 5 dengan 89,1 dan GPT-5.6 Sol dengan 88,8.
Hasilnya berubah menurut jenis pengujian. Pada Terminal Bench v4.0, LongCat-2.5 meraih 38,5 poin, sedikit di atas GPT-5.6 Sol yang mendapat 37,3, tetapi masih jauh dari Claude Opus 5 dengan 53,9. Pada DeepSWE, skornya naik dari 9,7 menjadi 64,6, namun masih di bawah hampir semua model pembanding dalam tabel.
LongCat-2.5 juga mendapat 91,9 poin pada BrowseComp, skor tertinggi dalam tabel, tetapi pengujian itu dilakukan di lingkungan Meituan sendiri. Pada uji beban terpisah, versi 4-bit memproses prompt 43,3 persen lebih cepat dan menghasilkan respons 42,77 persen lebih cepat daripada versi 8-bit, dengan akurasi yang diklaim tetap setara.
Apa artinya untuk developer dan bisnis Indonesia?
Bobot LongCat-2.5 tersedia di bawah lisensi MIT, yang mengizinkan penggunaan komersial, modifikasi, dan distribusi ulang. Ini membuka pilihan bagi tim Indonesia yang ingin menyesuaikan model untuk produknya, meski menjalankan sendiri tetap membutuhkan perencanaan infrastruktur.
Kalau belum siap menyiapkan klaster, kamu bisa mencoba layanan LongCat atau mengakses model melalui API. API-nya mendukung format OpenAI dan Anthropic serta terhubung dengan perangkat kerja agen seperti Claude Code, Codex, dan Hermes. Kesesuaian format ini bisa membantu integrasi, tetapi kebutuhan setiap aplikasi tetap perlu diperiksa.
Saat peluncuran, Meituan menetapkan harga promosi terbatas sekitar €0,27 per satu juta token input dan €1,07 per satu juta token output. Sebelum memakainya untuk pekerjaan penting, bandingkan biaya aktual dan uji hasilnya pada tugas kamu sendiri: skor benchmark tidak otomatis menjamin performa yang sama di setiap proyek.
