Un très grand sprint sans Nvidia
Meituan a placé LongCat-2.5 au centre du débat sur l’IA en publiant les poids d’un modèle agentique de 1,6 billion de paramètres qui, selon les informations publiées cette semaine, a été entraîné entièrement sur du matériel chinois et non sur des GPU Nvidia . Le fait important n’est pas seulement la taille du modèle. C’est l’association de quatre éléments: une échelle proche des modèles de frontière, une conception orientée agents, des poids ouverts et une pile matérielle qui ne repose pas d’abord sur CUDA.
L’enjeu est clair. Nvidia est devenu le socle par défaut de l’entraînement des grands modèles d’IA. Cette position crée des goulets d’étranglement en matière d’approvisionnement, de coût, de dépendance logicielle et de restrictions géopolitiques. LongCat-2.5 ne met pas fin à cette dépendance mondiale. Mais il apporte un exemple public: une grande équipe chinoise affirme avoir entraîné puis publié un modèle agentique de très grande taille sur une autre base matérielle, avec une documentation de déploiement qui renvoie à Huawei Ascend plutôt qu’à des GPU Nvidia .
L’état actuel du dossier est donc double. D’un côté, Meituan a publié un modèle massif, sous licence MIT, avec des poids ouverts et des résultats ambitieux sur des benchmarks d’agents. De l’autre, ces performances restent largement déclarées par Meituan, et la configuration de référence se situe au niveau du centre de données, pas du développeur indépendant.
Ce qu’est LongCat-2.5
LongCat-2.5 est un modèle mixture-of-experts. Autrement dit, ses 1,6 billion de paramètres ne sont pas tous activés à chaque jeton. Environ 48 milliards de paramètres sont actifs par jeton, ce qui permet de combiner une capacité totale énorme avec un coût de calcul par étape plus proche de celui d’un modèle dense beaucoup plus petit . Cette architecture est devenue une méthode clé pour augmenter la capacité des modèles sans rendre chaque inférence prohibitive.
Le modèle vise les tâches agentiques longues, en particulier le code. Les usages mis en avant couvrent le développement dans de grands dépôts, la construction de projets complets, les tâches multi-étapes et les scénarios où un système d’IA planifie, écrit du code, lance des outils, lit les erreurs, corrige et poursuit son travail . LongCat-2.5 accepte aussi des entrées multimodales. Selon The Decoder, il peut traiter du texte, des images et de la vidéo en entrée, tout en produisant du texte en sortie .
Le traitement des images est l’un des points techniques notables. Plutôt que d’ajouter après coup un module visuel séparé, LongCat-2.5 convertit les images à leur résolution native en jetons discrets, puis les traite dans le même flux que le texte . L’objectif est d’améliorer des tâches comme le codage visuel, l’interprétation de maquettes, la conception d’interfaces et certains usages 3D. Mais ces capacités devront encore être confirmées par des tests indépendants.
La revendication matérielle est le cœur de l’histoire
Le point stratégique du lancement est la pile d’entraînement. The Decoder rapporte que LongCat-2.5 n’a jamais utilisé de GPU Nvidia et qu’il a été entraîné entièrement sur du matériel chinois . WebPulse nuance utilement le tableau: la carte du modèle de Meituan parle d’optimisations d’infrastructure pour accélérateurs domestiques, tandis que les articles tiers formulent plus directement la revendication d’un entraînement sans Nvidia et soulignent le guide d’auto-hébergement lié à Huawei .
Cette distinction est importante. L’affirmation sur l’entraînement concerne la manière dont le modèle a été construit. Le guide de déploiement concerne la manière dont d’autres peuvent l’exécuter. Dans le chemin de déploiement décrit cette semaine, Huawei apparaît de façon concrète: l’exemple utilise 194 accélérateurs Ascend Atlas A2, dont deux pour le traitement des images, 64 pour l’ingestion des prompts et 128 pour la génération des réponses . Dirty Static souligne également que ce guide ne propose pas de voie Nvidia et que l’auto-hébergement documenté relève d’une infrastructure de centre de données, pas d’une installation légère .
Meituan utilise aussi une quantification 4 bits des poids et activations des experts. L’idée est de réduire les transferts mémoire et d’exploiter les unités INT4 natives des accélérateurs chinois . Dans les tests de charge de Meituan, cette version 4 bits aurait augmenté le débit de traitement des prompts de 43,3% et le débit de génération de 42,77% par rapport à une version 8 bits, avec une précision présentée comme comparable à celle du modèle non compressé . Ces chiffres restent toutefois des mesures du fournisseur.
Des poids ouverts, mais un matériel difficile
Les poids sont publiés sous licence MIT, ce qui autorise l’usage commercial, la modification et la redistribution . Juridiquement, LongCat-2.5 est donc plus ouvert que beaucoup de modèles simplement “disponibles”, mais limités à la recherche ou soumis à des restrictions d’usage. Tokenstrom résume bien la tension pratique: le modèle est ouvert du point de vue de la licence, mais il reste difficile à exécuter pour la plupart des développeurs à cause de sa taille et de ses besoins matériels .
C’est une leçon centrale de ce lancement. Des poids ouverts ne signifient pas un modèle exécutable sur une station de travail. Un modèle de 1,6 billion de paramètres, même avec environ 48 milliards de paramètres actifs par jeton, conserve une empreinte mémoire énorme. Le déploiement de référence à 194 accélérateurs Huawei montre que l’auto-hébergement réaliste est aujourd’hui réservé à des organisations disposant d’une infrastructure spécialisée . Pour la majorité des équipes, le premier contact avec LongCat-2.5 passera probablement par une API ou par un fournisseur déjà équipé.
L’API fait d’ailleurs partie de la stratégie d’adoption. The Decoder indique que l’API LongCat-2.5 prend en charge les formats OpenAI et Anthropic, ce qui facilite son intégration dans des harnais d’agents comme Claude Code, Codex ou Hermes . Cette compatibilité peut réduire les frictions côté logiciel, même si la couche matérielle reste inhabituelle pour de nombreux développeurs hors de Chine.
Des benchmarks prometteurs, mais encore internes
Dans les tableaux rapportés, LongCat-2.5 semble compétitif sur plusieurs tests de codage agentique. Meituan annonce 88,4 sur Terminal Bench v2.1, proche de Claude Opus 5 à 89,1 et de GPT-5.6 Sol à 88,8 dans le même tableau . Sur Terminal Bench v4.0, version plus difficile, le modèle obtient 38,5, au-dessus de GPT-5.6 Sol à 37,3 mais nettement sous Opus 5 à 53,9 . Sur BrowseComp, Meituan revendique 91,9, le score le plus élevé de son tableau, mais The Decoder précise que le test a été exécuté dans l’environnement de Meituan .
Le résultat DeepSWE est plus contrasté. LongCat-2.5 est annoncé à 64,6, une progression spectaculaire par rapport au score de 9,7 du modèle précédent, mais il reste derrière plusieurs concurrents dans le même tableau . WebPulse adopte une lecture similaire: les résultats sont intéressants, mais les scores non marqués dans les tableaux de Meituan sont internes et doivent être considérés comme indicatifs .
Cette réserve doit guider l’interprétation. L’exploit matériel et la publication des poids sont des faits substantiels. La comparaison de performance reste provisoire. Des évaluateurs indépendants devront exécuter les poids, reproduire les protocoles et tester le modèle sur des charges réelles en dehors de l’environnement de Meituan.
Pourquoi ce lancement dépasse Meituan
LongCat-2.5 se situe au croisement de trois tensions: la course aux agents capables, l’économie de l’inférence et la géopolitique des semi-conducteurs. Si un modèle de cette taille peut être entraîné et déployé sur des accélérateurs chinois, le rôle de Nvidia comme plateforme par défaut devient un peu moins absolu. Cela ne signifie pas que Nvidia est remplacé. Cela signifie qu’une pile alternative devient visible, associée à un modèle agentique à poids ouverts.
Le lancement déplace aussi la charge de la preuve. Jusqu’ici, l’idée que des accélérateurs chinois puissent soutenir l’entraînement de modèles proches de la frontière relevait souvent de l’objectif industriel ou politique. Avec LongCat-2.5, Meituan présente un modèle publié, des poids téléchargeables, un chemin de déploiement quantifié et des résultats que des tiers peuvent désormais examiner .
Pour les entreprises et les développeurs, la lecture raisonnable est prudente mais sérieuse. LongCat-2.5 n’est pas un remplacement simple des modèles appuyés par Nvidia. Il est trop grand pour un auto-hébergement ordinaire, ses meilleurs chiffres doivent être vérifiés, et la voie matérielle documentée reste spécialisée. Mais ce n’est pas qu’un communiqué. C’est un très grand modèle agentique, publié sous une licence permissive, construit hors de la voie Nvidia. Voilà pourquoi cette histoire compte: Meituan transforme le “au-delà de Nvidia” en revendication technique que le marché peut désormais tester.
Commentaires
Sois le premier à commenter.