Meituan lança o LongCat-2.5, modelo multimodal feito para agentes de código que trabalham por horas

Introdução

A Meituan, empresa chinesa conhecida principalmente por entrega de comida e serviços locais, colocou no ar em 2 de novembro de 2026 a versão de disponibilidade geral do LongCat-2.5, o seu modelo mais novo para agentes de inteligência artificial. O lançamento não é um chatbot comum para responder perguntas curtas. O foco declarado é outro: sustentar trabalho longo, em várias etapas, dentro de terminais, navegadores, interfaces gráficas, planilhas e ferramentas de design, com o modelo agindo, usando ferramentas e corrigindo o próprio caminho quando algo dá errado. Em outras palavras, é um modelo pensado para ser o motor de um programador automático, não apenas um assistente de conversa.

O anúncio chega em um momento em que a disputa dos modelos de código está cada vez mais ligada a preço, contexto e autonomia. Não basta acertar uma resposta isolada. O que as empresas estão testando é se o modelo consegue receber um projeto grande, manter o fio do trabalho por horas, consultar arquivos, rodar comandos, interpretar telas e entregar algo que funciona no final. É exatamente nessa prova que o LongCat-2.5 tenta se posicionar, com uma combinação que chama atenção: janela de contexto muito grande, preço promocional baixo e entrada multimodal nativa, isto é, capacidade de entender imagem e vídeo desde a arquitetura, e não como um acessório acoplado depois.

Antes de qualquer entusiasmo, porém, é preciso separar o que é fato confirmado do que ainda é promessa. Os números de desempenho divulgados até agora são da própria Meituan, sem verificação independente. Os pesos do modelo, que permitiriam baixar e rodar o LongCat-2.5 por conta própria, estavam marcados como em breve no lançamento e não apareceram em repositórios públicos até 3 de novembro de 2026. Na prática, hoje o acesso é por API e por chat da própria plataforma. Isso muda bastante a leitura do anúncio: ele é relevante como produto e como sinal de mercado, mas ainda não é uma alternativa aberta pronta para ser auditada pela comunidade.

O que foi lançado

O LongCat-2.5 é descrito pela Meituan como um modelo multimodal nativo, com 1,6 trilhão de parâmetros no total e cerca de 48 bilhões de parâmetros ativados por token. Para entender a diferença, pense nos parâmetros como o conhecimento armazenado do modelo. Em uma arquitetura de mistura de especialistas, nem todo esse conhecimento é acionado a cada palavra gerada. Apenas uma parte, os especialistas relevantes para aquele trecho, entra em ação. Por isso o número total impressiona, mas o número ativado por token é o que melhor indica o custo computacional de cada resposta.

A janela de contexto é de 1 milhão de tokens, com saída de até 128 mil tokens segundo o material de lançamento. Contexto é a quantidade de informação que o modelo consegue manter na memória de trabalho em uma única sessão: código, documentos, histórico de conversa, resultados de ferramentas e capturas de tela. Um milhão de tokens permite carregar projetos inteiros, e não apenas um arquivo por vez. A saída longa, por sua vez, permite gerar códigos extensos, relatórios e sequências de ações sem que o trabalho precise ser picado em pedaços pequenos demais.

O lançamento de novembro é a evolução de uma prévia que já estava na API desde 25 de setembro de 2026, quando o modelo ganhou entrada de imagem. Na versão de disponibilidade geral, entram vídeo e suporte a ferramentas como Claude Code e Codex, o que reforça a ambição de agente: o modelo não apenas lê código, ele opera dentro do ambiente de desenvolvimento. A Meituan também destaca o treinamento com sequências longas de ações de agentes, incluindo tentativas que falharam e foram transformadas em material de aprendizado. A ideia é que o modelo aprenda não só o caminho certo, mas como se recuperar de erros, algo essencial em tarefas que duram horas.

Outro ponto do anúncio é a otimização para inferência com pesos e ativações em 4 bits, voltada para chips domésticos chineses. Em linguagem simples, isso significa comprimir os números do modelo para rodar de forma mais barata e eficiente, sem perder tanto desempenho. É um detalhe técnico, mas com peso estratégico: ele reduz custo de operação e diminui a dependência de hardware estrangeiro, um tema central na corrida tecnológica atual.

Como o modelo tenta se diferenciar

A primeira diferença é o preço promocional. Na plataforma da LongCat, o LongCat-2.5 aparece a US$ 0,30 por milhão de tokens de entrada sem cache, US$ 0,006 por milhão de tokens de entrada com cache e US$ 1,20 por milhão de tokens de saída. Para comparar, esse é um patamar bem abaixo do que cobram muitos modelos de fronteira de laboratórios americanos. A própria página de preços avisa que se trata de desconto por tempo limitado, sem data de fim divulgada, e que os valores podem mudar. Ou seja, o preço de hoje não deve ser tratado como preço permanente, mas ele já muda a conta de quem quer testar agentes de código em volume.

A segunda diferença é a multimodalidade nativa. Em vez de um modelo de texto com um módulo de visão grudado, o LongCat-2.5 foi construído para lidar com imagem e vídeo junto com texto e código. Na prática, isso permite que um agente olhe para uma captura de tela, um vídeo de uma interface ou um diagrama e transforme aquilo em ação: encontrar um botão, entender um erro visual, reproduzir um layout ou acompanhar o resultado de um comando na tela. Para tarefas de automação de interface e de design, essa capacidade é tão importante quanto saber programar.

A terceira diferença é o horizonte longo. A Meituan insiste que o modelo foi treinado para projetos que se estendem por muitas ações, e não para respostas únicas. Isso inclui manter o objetivo final em mente enquanto executa passos intermediários, voltar atrás quando uma ferramenta devolve erro e reorganizar o plano sem perder o que já foi feito. É justamente aí que a maioria dos agentes ainda tropeça, e é aí também que os benchmarks tradicionais, feitos de perguntas curtas, dizem pouco sobre o desempenho real.

Os números, com as ressalvas necessárias

A tabela de benchmarks da Meituan coloca o LongCat-2.5 com 88,4 pontos no Terminal Bench 2.1, contra 70,8 do LongCat-2.0, e 51,8 no AutomationBench. Em outros comparativos divulgados pela empresa, o modelo aparece competitivo com variantes do Claude Opus em tarefas de agente de código, agente geral e agente visual. Esses números são animadores, mas precisam ser lidos com o aviso que a própria cobertura do lançamento repete: são medições da Meituan, ainda sem verificação independente, e parte dos resultados citados em tabelas de terceiros mistura medições próprias com resultados citados de outros modelos.

Há ainda uma disputa sobre os números de parâmetros. Antes do lançamento geral, uma reportagem apontou que os valores atribuídos à prévia do LongCat-2.5 teriam sido herdados da ficha do LongCat-2.0. O blog oficial da Meituan mantém 1,6 trilhão de parâmetros no total e cerca de 48 bilhões ativados por token, e é esse o número que esta notícia adota, com a ressalva registrada. Para o leitor, a lição é simples: em lançamento de modelo, benchmark de fabricante é ponto de partida, não veredicto. O veredicto vem quando pesquisadores independentes, empresas e desenvolvedores testam o modelo nas suas próprias tarefas e publicam os resultados.

Outro limite importante é a disponibilidade. Até 3 de novembro de 2026, não havia repositório público do LongCat-2.5 no GitHub ou no Hugging Face, e a própria plataforma marcava esses links como em breve. O LongCat-2.0, lançado em junho de 2026, continua sendo o modelo mais recente da família com pesos abertos sob licença MIT. Quem quiser testar o 2.5 hoje precisa passar pela API da Meituan ou por provedores que o revendem, como o AI Gateway da Vercel, que lista as mesmas tarifas promocionais. Isso não invalida o modelo, mas impede, por enquanto, que ele seja rodado localmente, inspecionado ou adaptado livremente.

O que isso muda para quem programa e para quem contrata IA

Para desenvolvedores independentes e pequenas equipes, o LongCat-2.5 entra como uma opção barata para experimentar agentes de código em tarefas longas, sem o custo dos modelos mais caros. Se os resultados se confirmarem na prática, ele pode virar uma ferramenta de prototipagem, automação de tarefas repetitivas e revisão de projetos grandes. Se não se confirmarem, o custo baixo ainda permite testar sem grande investimento, desde que o usuário não dependa dele para trabalho crítico antes de validar.

Para empresas, o recado é mais estratégico. A Meituan, que não é um laboratório de IA tradicional, está mostrando que consegue lançar um modelo competitivo para agentes, com preço agressivo e otimização para hardware próprio. Isso pressiona os preços do mercado e amplia a oferta de modelos chineses para além dos nomes já conhecidos, como DeepSeek. Vale lembrar que, no mesmo patamar de preço, análises independentes apontam que o DeepSeek V4.1 Flash vence a maioria das linhas de código na tabela da própria Meituan, o que mostra que preço baixo, sozinho, não decide a compra. O que decide é o desempenho na tarefa específica de cada equipe.

Para o público em geral, o lançamento é um bom exemplo de como a IA está mudando de fase. A primeira fase foi a do chatbot que responde. A fase atual é a do agente que executa: abre ferramentas, navega, escreve, testa e entrega. O LongCat-2.5 é um produto dessa segunda fase, e o seu sucesso ou fracasso vai depender menos de números de marketing e mais de uma pergunta simples: ele consegue terminar um trabalho longo sem que um humano precise intervir o tempo todo?

O que acompanhar a partir de agora

Três pontos merecem atenção nas próximas semanas. Primeiro, a liberação ou não dos pesos e do código, que vai dizer se a Meituan quer mesmo competir no campo aberto ou se o 2.5 ficará como produto de API. Segundo, os primeiros testes independentes em tarefas reais de programação, fora da tabela da fabricante. Terceiro, a duração do preço promocional, porque a conta de custo de um agente muda completamente se a tarifa subir depois do período de lançamento.

Enquanto isso, a recomendação para quem se interessou é pragmática: teste em um projeto pequeno, meça tempo, custo e taxa de retrabalho, compare com o modelo que você já usa e só depois decida se vale a pena migrar parte do trabalho. Modelo novo se avalia no trabalho real, não no anúncio.

Glossário

Agente de IA: sistema que não apenas responde, mas executa ações em sequência para atingir um objetivo, usando ferramentas como terminal, navegador e editores de código. Contexto: quantidade de informação que o modelo mantém na memória de trabalho em uma sessão, medida em tokens. Token: unidade de texto que o modelo processa, podendo ser parte de uma palavra, um símbolo ou um trecho de código. Mistura de especialistas: arquitetura em que apenas parte do modelo é acionada a cada token, o que reduz custo sem reduzir tanto o tamanho total. Multimodal: capacidade de entender e combinar diferentes tipos de entrada, como texto, imagem e vídeo. Pesos: valores numéricos aprendidos no treinamento, que definem o comportamento do modelo. Liberar os pesos permite baixar e rodar o modelo por conta própria. Inferência: fase em que o modelo já treinado gera respostas, diferente do treinamento, que é a fase de aprendizado. Cache: reutilização de informação já processada para evitar recalcular tudo, o que barateia a entrada quando o mesmo contexto se repete.