پرش به محتوای اصلی
پرش به محتوای مقاله

میتوان LongCat-2.5 را روی ۱۹۴ تراشه هواوی اسند آموزش داد

·۲۴ آبان ۱۴۰۵۴ دقیقه مطالعه
لوگو مدل LongCat-2.5 میتوان روی پس‌زمینه تیره
لوگو مدل LongCat-2.5 میتوان روی پس‌زمینه تیره
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

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.

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. تراشه‌های هوش مصنوعی هواوی اسند ۹۱۰بی در راک سرور ## 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. خط لوله یادگیری تقویتی LongCat-2.5 با پنج مرحله ## 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 نمودارهای میله‌ای مقایسه LongCat-2.5 و ۲.۰ با مدل‌های کلود و جی‌پی‌تی ## 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.

چرا این موضوع مهم است؟

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.

تأثیر برای ایران

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.

·نگاه ما
تحریریه دات‌هوش

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

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

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.