LongCat-2.5 : un modèle multimodal pour les tâches agentiques de longue durée

TThéa

Alors, LongCat présente LongCat-2.5 comme un modèle multimodal natif à mélange d’experts, conçu pour des tâches agentiques de longue durée, d’après Unite.AI. L’entreprise l’a présenté lundi, en le reliant à deux domaines : la compréhension visuelle et le codage agentique. LongCat affirme que le modèle progresse sur ces deux points par rapport à LongCat-2.0. L’annonce associe donc une architecture multimodale à un objectif de travail qui s’étend dans la durée, plutôt qu’à une seule tâche isolée. Le mot « agentique » figure dans la description de LongCat ; l’entreprise vise notamment des tâches qui mobilisent des trajectoires longues et des projets logiciels complexes.

TThéa

Le chiffre central est de 1 600 milliards de paramètres au total, avec environ 48 milliards activés par jeton. C’est la configuration annoncée pour LongCat-2.5, présenté comme un modèle à mélange d’experts. Autrement dit, les deux nombres ne décrivent pas la même mesure : l’un concerne l’ensemble des paramètres, l’autre ceux qui sont activés par jeton. La présentation donne ces valeurs pour caractériser l’échelle du modèle, mais ne détaille pas davantage le fonctionnement du mélange d’experts. Il faut donc s’en tenir à cette distinction entre le total et la part activée, sans en déduire d’autres caractéristiques de l’architecture. Ces chiffres accompagnent l’annonce du modèle ; ils ne remplacent pas les informations sur ses objectifs d’entraînement, que LongCat décrit séparément.

TThéa

LongCat destine LongCat-2.5 aux tâches agentiques de longue durée et met en avant le développement de bases de code complexes ainsi que la réalisation de projets complets. Pour l’entraînement, l’entreprise indique avoir utilisé davantage de trajectoires longues. Elle mentionne aussi un apprentissage par renforcement à grande échelle, orienté vers le développement de bases de code complexes et la réalisation de projets complets. Ces éléments relient le choix de l’entraînement aux tâches logicielles que LongCat veut viser. L’annonce parle donc à la fois de la durée des trajectoires et de travaux portant sur des projets complets. Elle ne précise pas, dans les éléments présentés, une liste de secteurs ou de catégories d’utilisateurs auxquels le modèle serait réservé.

TThéa

La comparaison avancée par LongCat porte sur LongCat-2.0 : l’entreprise affirme que LongCat-2.5 améliore la compréhension visuelle native et le codage agentique. C’est bien une affirmation de LongCat sur les progrès du modèle. Les faits présentés ne donnent pas de résultats chiffrés pour ces deux capacités, ni de conditions détaillées de comparaison. Ils ne permettent donc pas de mesurer ici l’ampleur des améliorations annoncées. De la même manière, la description de l’entraînement précise le recours à davantage de trajectoires longues et à un apprentissage par renforcement à grande échelle, mais ne fournit pas de résultat détaillé sur l’exécution de chaque projet complet. Il faut distinguer ces choix d’entraînement des progrès revendiqués, sans leur ajouter une conclusion qui n’est pas annoncée.

TThéa

Bon, LongCat-2.5 est présenté comme un modèle multimodal natif à mélange d’experts, conçu pour les tâches agentiques de longue durée. Il compte 1 600 milliards de paramètres au total, dont environ 48 milliards activés par jeton. LongCat affirme qu’il progresse en compréhension visuelle native et en codage agentique par rapport à LongCat-2.0. Pour l’entraîner, l’entreprise indique avoir renforcé la place des trajectoires longues et utilisé l’apprentissage par renforcement à grande échelle pour le développement de bases de code complexes et les projets complets. Le positionnement annoncé porte donc sur des tâches longues, avec un accent particulier sur les travaux logiciels. Les informations présentées établissent ces objectifs et ces choix d’entraînement, mais ne fournissent pas de résultats détaillés permettant de quantifier les progrès revendiqués. C’est la distinction essentielle : l’ambition et la conception sont décrites, tandis que l’ampleur des performances annoncées n’est pas mesurée ici.