LongCat 2.5: O que é o modelo de prévia da Meituan, e o que ele não é

Peça o LongCat 2.5 na própria plataforma da Meituan e o modelo que você recebe se chama LongCat-2.5-Preview — e esse sufixo não é enfeite. É o ID do modelo, a string em cada amostra de código, o nome na lista de preços e a única entrada de LongCat 2.5 que o endpoint de listagem de modelos do fornecedor retorna. A LongCat API Platform da Meituan o colocou no ar em uma entrada de changelog datada de 25 de setembro de 2026, ao lado do único outro modelo da plataforma, LongCat-2.0. Quase três semanas depois, ele ainda não foi renomeado, seu preço não deixou de ser rotulado como promocional, e ninguém — incluindo a Meituan — publicou um único número de benchmark para ele.

Essa combinação é o motivo pelo qual esta página existe. A interface está totalmente documentada: um endpoint compatível com a OpenAI, um compatível com a Anthropic, uma tabela de preços publicada, um limite de contexto publicado. O perfil de capacidades não está documentado de forma alguma, e um recurso de destaque é descrito de duas maneiras diferentes por duas páginas do mesmo conjunto de documentação. Se você está decidindo se deve construir sobre isso, o que é útil é uma lista precisa do que se sabe, do que se afirma e do que simplesmente está ausente.

O que é o LongCat 2.5 e quem o publica

O LongCat é a linha de modelos da Meituan, e a LongCat API Platform é a superfície de serviço da própria Meituan para ela — não um gateway de terceiros. As FAQ da plataforma descrevem o serviço como "serviços de proxy de modelos de IA especificamente para os modelos da série LongCat", mantendo compatibilidade com os formatos de API da Open​AI e da Anthrop​ic para que os SDKs existentes funcionem sem alterações. O endereço de suporte nas próprias páginas do fornecedor é longcat-team@meituan.com, e o site de documentação, o console e o host da API estão todos sob domínios controlados pela Meituan e a CDN de ativos estáticos da Meituan.

O catálogo é curto. A tabela de modelos compatíveis da plataforma lista exatamente duas entradas, LongCat-2.5-Preview e LongCat-2.0, ambas descritas de forma idêntica como um "modelo agêntico de alto desempenho". GET /openai/v1/models: o endpoint retorna esses mesmos dois e nada mais, cada um com owned_by definido como "LongCat". Portanto, "LongCat 2.5" não é uma família com variantes entre as quais você precise escolher — há um modelo 2.5, ele é o mais novo dos dois na plataforma, e é aquele que a própria página de preços por uso da plataforma destaca em primeiro lugar.

O que o fornecedor diz que ele serve para fazer, na nota de versão, são três coisas: compreensão de imagens, programação e compatibilidade com ambientes de desenvolvimento mainstream — Claude Code, Hermes, OpenClaw, OpenCode e Kilo Code são citados. Essa nota de versão é o próprio registro datado do fornecedor, e é o único lugar onde qualquer uma dessas afirmações aparece.

"Preview" é o ID do modelo, não uma palavra de marketing

A distinção importa mais do que o habitual, porque, nesta plataforma, "preview" tem um papel estrutural de três maneiras concretas.

Primeiro, é a string que você deve enviar. Toda solicitação de exemplo na documentação — cURL, Python, o exemplo do SDK da OpenAI, o exemplo do SDK da Anthropic — usa LongCat-2.5-Preview, e a referência Retrieve Model a usa como parâmetro de caminho. Não há uma versão GA para enviar em seu lugar.

Segundo, o preço é explicitamente provisório. A página de preços coloca as palavras "por tempo limitado" no cabeçalho da coluna acima de cada valor, e termina com uma frase que vale a pena ler duas vezes: "Sujeitos a alteração. Os preços exibidos na LongCat API Platform e em seus registros de cobrança são os que têm autoridade." Uma tabela de tarifas que lhe diz que não é a autoridade sobre seus próprios números está lhe dizendo para não construir um modelo de unit economics com base nela.

Terceiro, não existe nenhum compromisso de estabilidade em lugar nenhum. Não há janela de descontinuação publicada, nenhuma promessa de versionamento, nenhuma declaração sobre se o modelo manterá o mesmo ID quando for oficializado ou se -Preview será simplesmente descontinuado para dar lugar a um novo nome. Esse é o risco normal de uma prévia, e a maneira honesta de encarar isso é: você pode chamá-lo hoje, e não pode presumir que a chamada que você escreve hoje é a chamada que você mantém.

O que a prévia não significa aqui é acesso restrito. A plataforma é de autoatendimento: registre-se, crie uma chave e recarregue um saldo pré-pago. Usuários na China Continental precisam concluir a verificação de identidade antes de poder recarregar; usuários fora da China Continental podem se registrar com um número de telefone ou um endereço de e-mail. Nada na documentação exige um processo de aprovação para acessar o modelo.

Parâmetros e arquitetura: o número que todos citam pertence ao LongCat 2.0

A Meituan não publica nenhuma contagem de parâmetros para o LongCat-2.5-Preview. Ela não está no changelog, nem na página de preços, nem na referência da API, nem nas perguntas frequentes. Se você viu "aproximadamente 1,6 trilhão de parâmetros totais com cerca de 48 bilhões ativos" associado ao LongCat 2.5, você viu um número do LongCat 2.0 usando um rótulo 2.5 — e a pista é que a frase quase sempre vem acompanhada de "aproximadamente", porque está sendo trazida da ficha do modelo mais antiga em vez de lida diretamente desta.

A fonte desse número é o próprio cartão de modelo do Hugging Face da Meituan para o longcat-2.0, que começa: "Apresentamos o LongCat-2.0, um modelo de linguagem MoE de grande escala com 1,6 trilhão de parâmetros totais e ~48 bilhões ativados por token." Esse cartão segue descrevendo o LongCat Sparse Attention, o pré-treinamento em "centenas de bilhões de tokens de dados de contexto de 1M", e 135 bilhões de parâmetros de N-gram Embedding incluídos no modelo. É uma arquitetura bem documentada, e pertence ao LongCat 2.0. Se o 2.5 herda essa forma é uma expectativa razoável e um fato não documentado. Esta página não o imprimirá como uma especificação do LongCat 2.5, e nada mais que você ler este mês deveria fazê-lo.

Pesos abertos: não

A Meituan publica bastante conteúdo no Hugging Face — a organização meituan-longcatmantém cerca de trinta repositórios que abrangem modelos de texto, imagem, vídeo e áudio, e a família LongCat-2.0 está lá por completo: o modelo base mais os seus irmãos FP8 e INT8, todos sob licença MIT. Não existe nenhum repositório do LongCat-2.5. O lançamento de geração de texto mais recente na organização é o LongCat-2.0, do início de julho de 2026, e uma pesquisa no Hub por LongCat-2.5 não devolve nenhum repositório da Meituan nem de mais ninguém.

O padrão também é revelador na direção oposta. O fato de os pesos do LongCat 2.0 serem abertos é visível no ecossistema que se forma em torno de pesos abertos — quantizações de 3 bits e 2 bits da comunidade, conversões MLX, builds AutoRound de precisão mista. Nada disso existe para o 2.5, porque não há pesos para ninguém quantizar. Até que a Meituan publique um repositório, trate o LongCat-2.5-Preview como um modelo fechado, somente API, seja qual for o futuro da linha LongCat.

O envelope que o fornecedor realmente publica

Estes foram extraídos da própria documentação e das páginas de preços da Meituan em 13 de outubro de 2026. Cada um deles é um número do próprio fornecedor; nenhum foi verificado de forma independente, e o último não é um número de forma alguma.

• Contexto — 1.048.576 tokens. A resposta de exemplo da referência do Retrieve Model para o LongCat-2.5-Preview retorna context_length: 1048576, e o guia de início rápido indica o mesmo limite em texto corrido como "janela de contexto de 1M tokens".

• Saída máxima — 131.072 tokens. O guia de início rápido escreve isso como "um comprimento máximo de saída de 128K tokens"; a referência do Chat Completions define o teto em 131072 e o padrão em 128k. Um número, três formas de escrevê-lo, e a maior delas é o teto real.

• Modalidades de entrada — documentadas como texto. A mesma resposta de Retrieve Model retorna input_modalities: ["text"] com uma modality string de text->text. O changelog afirma que há entrada de imagem. Essas duas coisas estão no mesmo site de documentação e se contradizem; a próxima seção trata disso.

• Modalidades de saída — texto, com o raciocínio do modelo retornado separadamente em um reasoning_content campo, em vez de incorporado à resposta. Os tokens de raciocínio são contados separadamente no bloco de uso, o que torna tratável a atribuição de custos em cadeias longas.

• Preço por milhão de tokens — $0.30 de entrada sem cache, $0.006 de entrada em cache, $1.20 de saída. A página rotula os três como "por tempo limitado". A mesma tabela contém a tabela de tarifas em renminbi, ¥2 / ¥0.04 / ¥8, para contas faturadas na China.

• Parâmetros — não publicados para este modelo. A configuração 1.6T/48B é do LongCat 2.0.

• Pontuação independente — não existe nenhuma. Não é uma pontuação baixa: não há pontuação.

Onde o fornecedor se contradiz sobre imagens

A alegação principal do changelog é inequívoca: “Entendimento Multimodal: Nova capacidade de compreensão de imagens, capaz de analisar o conteúdo de imagens, com suporte a perguntas e respostas entre modalidades, sumarização de conteúdo e raciocínio visual complexo.” Para um modelo cujo único outro diferencial documentado é ser barato, essa é a funcionalidade sobre a qual você construiria.

A referência da API diz o contrário. Retrieve Model, chamado para este ID de modelo exato, retorna input_modalities: ["text"] e output_modalities: ["text"]. A referência do Chat Completions descreve o campo content da mensagem como "Conteúdo da mensagem como uma string de texto simples" — uma string, não um array de partes de conteúdo, sem parâmetro de URL de imagem e sem campo de anexo em nenhum lugar do corpo da solicitação documentado. Nada na interface documentada tem um espaço para colocar uma imagem.

Uma dessas duas páginas está desatualizada, e não há como saber qual delas apenas olhando de fora. O changelog é um anúncio de lançamento, e anúncios são escritos quando um recurso fica disponível; já a referência da API é gerada a partir daquilo que o endpoint realmente aceita, e páginas de referência são a última coisa que alguém atualiza. Esse raciocínio aponta numa direção, e é raciocínio, não evidência, e é por isso que esta página não vai afirmar que a entrada de imagens é um recurso que funciona. Se a visão computacional é o motivo do seu interesse, gaste dez minutos enviando uma imagem e lendo a resposta. Não planeje um pipeline com base no texto do changelog, e tampouco descarte o modelo com base na página de referência.

Não há benchmark. Esse é o estado das coisas.

A Meituan não publicou nenhum benchmark para o LongCat-2.5-Preview. Não há tabela de avaliação na documentação, nem gráfico comparativo no changelog, nem pontuação na página de preços, nem post de blog de lançamento que veicule um — a própria página do modelo da Meituan para a geração anterior tem um texto técnico anexado, e o 2.5 não tem nada equivalente que pudéssemos encontrar em qualquer canal da Meituan. Isso não é uma omissão deste artigo; é o primeiro fato de que um comprador precisa.

Também não há uma pontuação independente. A Artificial Analysis, que de fato mede a linha LongCat — ela inclui o LongCat 2.0 com data de lançamento de 29 de junho de 2026, e o LongCat Flash Lite — não tinha nenhuma entrada do LongCat 2.5 em seu índice de modelos quando verificamos em 13 de outubro de 2026. Se você vir um número de benchmark do LongCat 2.5 este mês, a primeira pergunta a fazer é a que ele está realmente vinculado, porque a resposta mais provável é que se trata de um resultado do LongCat 2.0 rotulado novamente por alguém que presumiu que os dois modelos compartilham um perfil. A confusão com a contagem de parâmetros descrita acima é o mesmo erro com uma roupagem diferente.

O que o fornecedor de fato afirma, sem que nada disso tenha sido reproduzido, é a lista de três itens do changelog: compreensão multimodal, "capacidade de codificação superior" abrangendo "geração de código, compreensão de código e tarefas de programação automatizadas", e operação eficiente com Claude Code, Hermes, OpenClaw, OpenCode e Kilo Code. Trate esses itens como a descrição de intenção do fornecedor. Duas das três são alegações que todo cartão de modelo dessa classe faz, e a terceira — compatibilidade de ambiente — é o tipo de coisa que você mesmo pode verificar em uma tarde, apontando seu agente para o endpoint e vendo se as chamadas de ferramenta voltam em um formato que seu harness entende.

Como conseguir uma resposta disso

A plataforma expõe duas superfícies compatíveis por meio de uma chave, emitida na página API Keys do console e passada como Authorization: Bearer.

• OpenAI-compatible — POST https://api.longcat.chat/openai/v1/chat/completions. Point the Open​AI SDK's base_url at https://api.longcat.chat/openai and it works unchanged; the vendor's own example sends model: "LongCat-2.5-Preview" with max_tokens: 1000 and temperature: 0.7.

• Anthropic-compatible — POST https://api.longcat.chat/anthropic/v1/messages with the anthropic-version: 2023-06-01 header, and https://api.longcat.chat/anthropic as the Anthrop​ic SDK's base URL. Both request and response formats follow the Messages API.

• Parâmetros aceitos — max_tokens até 131072 (padrão 128k), temperature de 0 a 1, top_p, stream para SSE, tools e tool_choice, e um objeto thinking que aceita {"type":"enabled"} ou {"type":"disabled"}. O raciocínio é um interruptor na requisição, não um ID de modelo separado.

• Limitação de taxa — uma requisição acima do limite retorna HTTP 429 com retry_after: 60, e a documentação recomenda backoff exponencial do lado do cliente. Nenhum teto de requisições por minuto ou de tokens por minuto é publicado em lugar algum, então você não consegue dimensionar um orçamento de concorrência a partir da documentação; você descobre o limite ao atingi-lo. Para um loop de agente que dispara dezenas de chamadas por tarefa, vale a pena saber isso antes do primeiro 429, e não depois.

• Cobrança — saldo pré-pago, cobrado por requisição, somente em respostas bem-sucedidas. Requisições malsucedidas — a documentação cita 401, 403, 429 e 500 — explicitamente não são cobradas. O saldo não expira, e o crédito promocional é consumido antes do saldo pago.

Dois detalhes que vão te custar uma sessão de debugging

O primeiro é o campo de raciocínio. O próprio exemplo de resposta do fornecedor retorna uma mensagem de assistente contendo ambos content e reasoning_content, com reasoning_tokens discriminados dentro de usage.completion_tokens_details. Esse não é o formato da Open​AI e não é o formato da Anthrop​ic: é um campo intercalado que aparece em toda resposta. Um cliente que desserializa em um esquema fixo e descarta chaves desconhecidas irá descartar silenciosamente o raciocínio do modelo — e a falha é invisível, porque a resposta ainda retorna. Você concluiria que o modelo é mais fraco do que é, e estaria errado por um motivo que não tem nada a ver com o modelo. Verifique se o seu cliente mantém o campo antes de julgar a qualidade da saída.

O segundo é a questão de modalidade acima. Está nesta lista por causa de como os dois documentos são distribuídos: o changelog é a página que você lê para entender o que o modelo pode fazer, e a referência da API é a página que você lê para entender como perguntar. Aqui eles discordam sobre o mesmo modelo, e a discordância é exatamente sobre a funcionalidade com que a nota de lançamento abre.

O que mudaria esta recomendação?

Esta página é um instantâneo, e é o instantâneo de um modelo com quatro questões em aberto, e não de um modelo consolidado. Cinco coisas o fariam avançar:

• Uma renomeação ou uma entrada de GA no registro de alterações — o momento em que -Preview deixa de ser o ID do modelo, o preço deixa de ser rotulado como por tempo limitado, e um compromisso de estabilidade passa a ter significado.

• Um benchmark, da Meituan ou de uma organização de medição — qualquer um dos dois substituiria a situação atual, a saber: a competência do modelo é desconhecida, em vez de meramente baixa.

• Entrada de imagem demonstrada na referência em vez de declarada na nota de versão — a correção aqui é uma alteração de uma linha em uma página gerada, e resolveria a única contradição interna no conjunto de documentação.

• Uma divulgação de parâmetros ou um repositório no Hugging Face — qualquer um dos dois permitiria que a arquitetura 2.5 fosse discutida com base em evidências, em vez de por herança do LongCat 2.0.

• Um limite de taxa publicado — o menor dos cinco, e o que mais afeta se uma carga de trabalho de agente é planejável.

Entretanto, a postura prática é simples, e não é a mesma postura que você adotaria com um modelo pontuado, com preço definido e estável. Uma prévia sem pontuação a um preço promocional é um modelo que você avalia, não um modelo para o qual você aponta um caminho de produção — e isso faz do fallback a parte que vale a pena configurar com cuidado. Na OrcaRouter, os modelos que servimos ficam atrás de uma única chave, pelo preço de tabela do provedor, com markup zero, de modo que uma mudança de preço do fornecedor chega à sua fatura no mesmo dia, e não na renovação, e o failover automático move uma requisição degradada para um provedor saudável sem que seu código saiba. O LongCat-2.5-Preview não é uma das nossas rotas e não o servimos, então experimentá-lo significa ir diretamente à plataforma da Meituan; o argumento aqui é apenas que tudo o que você mantiver por trás dele deve custar uma linha de configuração para ser acessado, porque a pergunta que este modelo levanta — ele é bom o suficiente para o meu trabalho — é uma que você só pode responder executando-o, e a resposta pode muito bem ser não.

Que é a forma da coisa toda. LongCat 2.5 é um modelo real em uma plataforma real, com interface documentada, preço publicado e uma janela de contexto de 1M de tokens, e também é uma prévia cujos parâmetros, benchmark e suporte a visão ainda não estão estabelecidos. As duas metades são verdadeiras, ambas merecem ser registradas, e a segunda metade é a que ninguém republica.