میتوان وزنهای LongCat-2.5 را منتشر کرد، یک مدل ترکیب خبرهها با ۱٫۶ تریلیون پارامتر که بهطور کامل روی شتابدهندههای هواوی اسند آموزش یافته و هیچ واحد پردازش گرافیکی (GPU) اینویدیا در آموزش استفاده نشده است. مدل در هر توکن حدود ۴۸ میلیارد پارامتر را فعال میکند و برای عاملهای کدنویسی خودمختار طراحی شده است که در گردشهای کار طولانی و چندمرحلهای عمل میکنند. این مدل متن، تصویر و ویدیو را پردازش میکند و پاسخ متنی میدهد؛ کاربران میتوانند استدلال را فعال یا غیرفعال کنند. وزنها تحت مجوز MIT در دسترس است که استفاده تجاری، تغییر و بازتوزیع را مجاز میدارد. از طریق API از پنجرهٔ زمینه یک میلیون توکنی پشتیبانی میکند و تا ۱۲۸ هزار توکن خروجی تولید میکند. API سازگار با فرمتهای OpenAI و Anthropic است و با ابزارهایی چون Claude Code، Codex و Hermes یکپارچه میشود. قیمت تبلیغاتی حدود ۰٫۲۷ یورو برای هر میلیون توکن ورودی و ۱٫۰۷ یورو برای هر میلیون توکن خروجی است. میتوان مدل را در longcat.ai امتحان کرد یا وزنها را از مخزن میتوان دریافت کرد.
## سیر توسعه LongCat-2.5 بر پایه LongCat-2.0 ساخته شده و درک تصویر را به آن اضافه کرده است. پیش از رونمایی رسمی، این مدل بهصورت ناشناس به نام «Owl Alpha» در OpenRouter در دسترس بود. رویکرد چندوجهی آن از مدل پژوهشی LongCat-Next الهام گرفته شده و هدف آن بهبود کدنویسی بصری، طراحی و وظایف سهبعدی است. LongCat-2.5 تصاویر را در تفکیکپذیری بومی به توکنهای گسسته تبدیل میکند و آنها را در کنار متن پردازش میکند، به جای الحاق یک انکودر تصویر جداگانه.
## آموزش و مشخصات فنی تیم میتوان از درخواستهای ادغام واقعی (Pull Requests) گیتهاب وظیفه گرفت، دسترسی به اینترنت را در محیطهای آموزش مسدود کرد، تاریخچه گیت و فایلهای کش را حذف کرد و از یک قاضی مدل زبانی برای تأیید عدم استفاده از میانبر در راهحلها استفاده کرد. همچنین قابلیتها را از چندین مدل معلم تخصصی برای کار عامل، استدلال و دیالوگ تقطیر کرد. مشخصات کلیدی: - معماری: ترکیب خبرهها، ۱٫۶ تریلیون پارامتر کل، حدود ۴۸ میلیارد پارامتر فعال در هر توکن - کوانتیزه: وزنها و فعالسازیهای ۴-بیتی بومی برای تراشههای چینی - توان عملیاتی: افزایش ۴۳٫۳ درصدی پردازش پرامپت و ۴۲٫۷۷ درصدی تولید پاسخ در مقایسه با پایه ۸-بیتی - صحت: در سطح مدل غیرفشرده باقی مانده - نسخه ۴-بیتی: در مخزن جداگانه در دسترس - خوشه میزبانی شخصی: ۱۹۴ تراشه هواوی اسند اتلس A2 (۲ برای تصویر، ۶۴ برای پیشپُرکردن، ۱۲۸ برای رمزگشایی) - بدون راهنمایی برای واحد پردازش گرافیکی (GPU) اینویدیا
## نتایج محک در محک ترمینال بانس ۲٫۱، LongCat-2.5 نمره ۸۸٫۴ کسب کرد؛ کلود اُپاس ۵ ۸۹٫۱، GPT-5.6 Sol ۸۸٫۸ و Deepseek-V4.1-Flash ۹۰٫۶ نمره گرفت. در محک DeepSWE برای رفع باگ در مخازن واقعی کد، نمره این مدل از ۹٫۷ به ۶۴٫۶ رسید؛ در این جدول تنها از کلود اُپاس ۴٫۸ عقبتر است و Deepseek-V4.1-Flash با ۷۴٫۲ در صدر است. در نسخه سختتر ترمینال بانس ۴٫۰، LongCat-2.5 نمره ۳۸٫۵ دارد، کمی بالای GPT-5.6 Sol با ۳۷٫۳ اما پایینتر از کلود اُپاس ۵ با ۵۳٫۹. در محک جستجوی وب BrowseComp، نمره ۹۱٫۹ کسب کرد، بالاترین نمره جدول، اگرچه این تست در محیط میتوان اجرا شد. مدلهای کلود اُپاس ۵٫۵ و GPT-6.1 Sol در جداول گنجانده نشدهاند. ## گام بعدی شما - وزنهای ۴-بیتی را از مخزن میتوان بگیرید و روی یک خوشه کوچک هواوی اسند (یا از طریق API longcat.ai) تست کنید تا بازدهی کوانتیزه بومی را در عمل بسنجید. - اگر در حال ارزیابی چارچوب عامل برای تولید کد هستید، LongCat-2.5 را در کنار DeepSeek-V4.1-Flash و کلود اُپاس ۵ در یک محک داخلی واقعی بگذارید — نمرات عمومی کل داستان را نمیگویند. - روند پشتیبانی بومی اسند در vLLM و SGLang را رصد کنید؛ اگر این موتورهای سرویسدهی مدل پشتیبانی بومی اضافه کنند، LongCat-2.5 میتواند بار مرجع برای تستبسترهای حاکمیت محاسباتی خارج از چین شود. در مقایسهی محکها، LongCat-2.5 نمرهی ۸۸.۴ در ترمینال بانس ۲.۱ کسب کرده که تنها کمی پایینتر از DeepSeek-V4.1-Flash است، مدلِ کاهش قیمت تسکهای کدنویسی به ۰.۱۰ دلار.
میتوان LongCat-2.5 را روی ۱۹۴ تراشه هواوی اسند آموزش داد

نخستین مدل عامل ۱٫۶ تریلیونی (ترکیب خبرهها) است که کل خط لوله آموزش و استنتاج روی سختافزار چینی هواوی اسند اجرا شده و وزنهای باز تحت مجوز MIT منتشر شده است. پیش از این مدلهای این مقیاس یا روی CUDA آموزش دیده بودند یا وزنهای باز نداشتند.
LongCat-2.5 نشان میدهد که مدلهای عامل مقیاسحدیث دیگر نیازمند انحصار CUDA اینویدیا نیستند. مجوز MIT و سازگاری با APIهای OpenAI و Anthropic هزینه تغییر برای توسعهدهندگان که چارچوبهای عامل کدنویسی را ارزیابی میکنند را کاهش میدهد.
توسعهدهندگان ایرانی به دلیل تحریمها و محدودیتهای بانکی ممکن است دسترسی مستقیم به تراشههای هواوی اسند و API را نداشته باشند. در کوتاهمدت، اثر عملی محدود به مطالعه معماری و کوانتیزه ۴-بیتی در محیطهای شبیهسازی باقی میماند.
انتشار LongCat-2.5 نقطه عطفی است برای استراتژی «دو پشته» چین: هم وزنهای باز در مقیاس تریلیونی، هم زنجیره ابزار کامل روی سختافزار داخلی. این ترکیب مدل را نه تنها یک نشانۀ علمی، بلکه یک بار مرجع عملی برای هر کشوری یا سازمانی میکند که میخواهد وابستگی به CUDA را بشکند.
منابع
راهنماهای داتهوش
راهنماهای کاربردیِ داتهوش برای کار با هوش مصنوعی — از همینجا شروع کنید:
- راهنمای پرامپتنویسیچطور درست بپرسی تا جوابِ بهتری بگیری
- ۱۰ پرامپتِ آمادهٔ فارسیقالبهای آماده برای کارهای روزمره
- ابزارهای رایگانِ هوش مصنوعیکدامها از داخلِ ایران باز میشوند
- معلمِ انگلیسیِ هوش مصنوعیهوش مصنوعی را به معلمِ خصوصیِ زبانت تبدیل کن
- تشخیصِ عکس و ویدیوی جعلینشانههای جعلِ هوش مصنوعی و دفاعِ پایدار
- امنیتِ داده در هوش مصنوعیچه چیزهایی را هرگز نباید وارد کنی
- اجرای هوش مصنوعی روی کامپیوترِ خودتراهنمای عملیِ مدلهای متنباز
- پرداخت برای هوش مصنوعیِ خارجیواقعیت، خطرها و جایگزینِ رایگان
- هوش مصنوعی و تکلیفِ درسیمرزِ کمکگرفتن و تقلب کجاست
- چرا هوش مصنوعیِ ایران عقب ماندریشههای عقبماندگی و راهِ واقعبینانهٔ جبران
داتهوش
راهنمای فارسی هوش مصنوعی — با نگاه به ایران
اخبار روزانه، معرفی ابزارها و مدلها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار میکند و چه چیزی نه.



گفتگو