中国の美団(Meituan)のAI研究チームが開発した「LongCat-2.5」は、Hugging Faceからモデル重みを入手できるオープンウェイトのAIモデルです。公式発表によると総パラメータ数は約1.6兆、うち1トークン当たり約480億を使うMoE方式を採用。画像理解と、複数の操作を続けるプログラム開発支援などを組み合わせたエージェント用途を想定しています。

LongCat-2.5自体は2026年11月上旬に発表され、API提供も11月2日に案内済みです。重みの公開リポジトリには11月4日から更新履歴があり、11月15日の報道を公開開始日と断定する根拠はありません。公開ページにはMITライセンスが表示され、条件を守れば商用利用や再配布も検討できます。ただしモデルが非常に大きく、自前運用には相応の計算設備が必要です。

LongCat-2.5は11月上旬に発表済み、重みは公式リポジトリで公開中

LongCatの技術ブログは2026年11月1日付、美団技術チームによる正式発表とAPIプラットフォームの変更履歴は11月2日付です。モデルの発表とAPI提供が先に行われており、「11月15日にLongCat-2.5が初めて発表された」という紹介は事実と異なります。

11月15日の海外報道は、LongCat-2.5の重みを取得できるようになった点を紹介しています。ただしHugging Face公式リポジトリでは、READMEの初期コミットが11月4日、追加更新が11月9日・10日と記録されています。ファイルの更新履歴だけでは一般公開を開始した厳密な日時は確定できないため、この記事では「11月16日時点で公開中」と記載します。

総1.6兆パラメータのうち約480億だけを使うMoE構造

LongCat-2.5は「Mixture of Experts(MoE:専門家の混合)」という構造を採用しています。多くの専門的な処理部分を備えながら、文章を処理するたびに必要な部分だけを選んで働かせる仕組みです。

公式説明では、モデル全体に約1.6兆のパラメータがあり、1トークンを処理するときに働くのは約480億パラメータです。ここでいうトークンは、文章などをAIが扱う単位を指します。すべてのパラメータを毎回同時に計算する構造と比べ、必要な計算量を抑えながら大規模なモデルの表現力を使うことが狙いです。

約480億パラメータだけが計算に使われることと、約480億分の重みだけを保存すればよいことは別です。推論環境では、ルーティング対象となる多数のエキスパートの重みや周辺処理も保持する必要があります。実際のメモリ要件は量子化と分散配置の方法で変わるため、480億パラメータの一般的なモデルと同等の設備で動くと考えるのは早計です。

画像理解と長い作業を組み合わせたコーディング支援を強化

LongCat-2.5は文章だけでなく画像の内容も扱うマルチモーダルモデルです。公式の技術説明では、画像の情報を複数段階の離散的なトークンとして表現し、文章と一緒に処理する設計を採用しています。

この仕組みにより、画面デザインの画像を見ながらUIを組み立てる「Visual Coding」や、作業結果の画面を確認しながら修正する工程などが想定されています。企業が示す活用領域には、複雑なコードベースの開発、プロジェクト全体の構築、デザイン、3D関連の課題が含まれます。

特に重視されているのが、何段階にもわたる仕事を進める力です。たとえば既存プロジェクトの構造を調べ、問題を特定し、コードを変更し、テスト結果を踏まえて修正する一連の流れが対象です。Meituanは、長い作業履歴を使う学習や強化学習、実際のエージェントの失敗例から課題を作る方法などを紹介しています。

性能評価はTerminal Bench 88.4などを公表、測定条件の確認が必要

Meituanが公表した評価表では、コマンドライン上の開発作業を扱う「Terminal Bench v2.1」でLongCat-2.5は88.4点、従来のLongCat-2.0は70.8点でした。より難しい「Terminal Bench v4.0」ではLongCat-2.5が38.5点、LongCat-2.0が3.0点という結果です。

ソフトウェア修正能力を測る「DeepSWE v1.1」ではLongCat-2.5が64.6点、LongCat-2.0が9.7点と報告されています。これらはモデルの改善傾向を把握する参考になりますが、実務での成功率をそのまま示す数字ではありません。

モデルカードは比較表の「*」付き数値を公開技術資料などからの引用、印のない数値を自社測定と説明しています。利用するツール、実行回数、評価セット、推論設定が異なる可能性があるため、他社モデルとの単純なランキング化は避けましょう。Terminal Benchの88.4点やDeepSWEの64.6点もMeituanの公表条件に基づく値であり、社内環境での成功率を保証する数字ではありません。

MITライセンスで重みを公開、商用利用と再配布の可能性

Hugging FaceのLongCat-2.5モデルページには「MIT」のライセンス表記があります。MITライセンスは一般に利用・改変・再配布・商用利用を認める許諾条件を持ちます。開発者が自社システムで検証したり、用途に合わせて調整したりする選択肢が生まれます。

ただし、ライセンスの条件は必ず原文を確認してください。モデルカードにも、Meituanの商標権や特許権まで許諾するものではないと明記されています。また、公開された重みを使う場合でも、入力するデータの権利、個人情報、安全対策、対象地域の法令を守る必要があります。

「オープンウェイト」は学習済み重みが公開されている状態を意味します。学習データや開発過程のすべてが公開されていると自動的に解釈することはできません。

LongCat-2.5を試す方法はチャット、API、重みの自前運用の3通り

まず動きを確認するなら公式チャット

モデルの特徴を手早く知りたい場合は、公式のチャットサービスを利用する方法があります。プログラムを作成する前に、長めの指示や画像を含む作業が期待どおり進むか確認できます。利用前にはサービスの規約やデータの取り扱いを確認してください。

公式チャット:https://longcat.ai/

アプリに組み込むならOpenAI形式・Anthropic形式のAPI

LongCat公式APIはOpenAI Chat Completions形式とAnthropic Messages形式の両方に対応します。APIキーを用意し、モデル名「LongCat-2.5」を指定して呼び出せます。公式の接続先はそれぞれ「https://api.longcat.chat/openai」「https://api.longcat.chat/anthropic」です。既存のエージェントツールに組み込む場合は、認証方式、リクエスト形式、データの送信条件を確認してください。

公式のパラメータ表では、LongCat-2.5のコンテキスト長は1,048,576トークン(約100万トークン)、1回の最大出力設定は262,144トークンです。どちらもAPIの技術上限を示すもので、常にその長さを安定処理できるという保証ではありません。実際の料金、利用枠、処理速度は契約条件と混雑状況によって変わります。

重みをダウンロードして運用するなら大規模な計算環境が必要

Hugging Faceの公式リポジトリでは、重みファイルを含む保存容量が約3.56TBと表示されています(2026年11月16日確認時点)。これはダウンロードするファイルの容量であり、そのままGPUメモリ要件を表す数値ではありませんが、一般的なノートパソコンで容易に常時運用できる規模ではありません。モデルの分散読み込み、量子化、GPUやAIアクセラレータ、ストレージ、ネットワークの要件を事前に見積もる必要があります。

Meituanは中国製AIアクセラレータを活用した推論設計や、重み・活性値を4bit化するW4A4方式での効率化を紹介しています。こうした量子化はメモリや計算負荷を抑える工夫ですが、別のハードウェアでも同じ性能が出ることは意味しません。自前運用を検討する場合は、公開済み重みの形式と対応する推論環境を確認しましょう。

重みの配布先:https://huggingface.co/meituan-longcat/LongCat-2.5/tree/main

企業で導入する前に確認したい3つの制約

第一に、長い処理手順が得意とされるモデルでも、指示の解釈間違いや不正確な回答は起こり得ます。重要なコード変更にはテスト、レビュー、権限の制限などを組み合わせ、AIが出力した内容をそのまま本番環境へ適用しない運用が必要です。

第二に、外部APIを使う場合は利用地域、データ送信先、保存・学習への利用条件を確認しましょう。企業の機密コードや顧客データを投入する前に、契約条件を確認することが欠かせません。

第三に、重みの自前運用は自由度が高い反面、設備費・電力・運用人員・障害対応が必要です。まずAPIや公式チャットで小規模に検証し、継続利用の費用と要件が明確になってから自前運用を検討すると判断しやすくなります。

まとめ|モデルの大きさより「長い仕事を安全に完了できるか」で判断

LongCat-2.5は、公称総1.6兆パラメータのMoE構造に画像理解と長いコーディング作業への対応を組み合わせたモデルです。11月上旬の公式発表とAPI提供に続き、Hugging Faceでは重みも公開されています。MITライセンスにより導入方法の選択肢は広がりましたが、ファイル容量と実行設備の負担は大きいため、まずAPIやチャットで用途適合性を試すのが現実的です。

企業での価値を判断するときは、公表されたベンチマークの順位だけでなく、仕事を最後まで進められるか、修正内容を検証できるか、維持費を抑えられるかが重要です。公式モデルカードの制約とライセンスを確かめてから、用途に合う方法で試してください。