Meituan ra mắt LongCat-2.5 ngày 2/11/2026 cho task coding dài hơi, bảng điểm hãng công bố vẫn chờ kiểm chứng độc lập

Ngày 2/11/2026, Meituan đưa LongCat-2.5 bản full lên changelog chính thức, sau bản Preview chạy thử từ 25/9/2026, và định vị model này cho task coding dài hơi, làm xong cả một dự án thay vì chỉ viết hay sửa từng đoạn code. Anh em dùng AI để code cần biết ngay dùng thử ở đâu, giá nào đã xác nhận, và bảng điểm hãng đưa ra đáng tin tới đâu.

Ngày 2/11/2026, LongCat-2.5 bản full ra mắt theo changelog của LongCat, dùng thử hôm nay qua web longcat.chat, longcat.ai và LongCat API. Kết luận của mình: thử làm model thứ hai, chưa thay model chính, cho tới khi có test độc lập cho bản full.

Từ Preview 25/9 tới bản full 2/11, LongCat-2.5 đổi gì và giữ nguyên gì

Bản full ngày 2/11 là bước cuối của dòng 2.5 chạy thử từ cuối tháng 9.

Preview 25/9/2026 đã có gì và thiếu gì

Bản Preview lên API platform ngày 25/9/2026, thêm khả năng hiểu ảnh, giữ khung context 1M token và output tối đa 128K token.

Lúc đó chưa có benchmark chính thức nào, chưa có weights, và quota 5 triệu token chỉ dành cho người dùng hiện hữu thời điểm đó. Nhiều bài ngày 2/11 vẫn nhắc lại quota này như thể nó còn hiệu lực cho bản full, một cách đọc cần tránh.

Bản full 2/11/2026 thêm gì vào changelog chính thức

Changelog chính thức ngày 2/11/2026 ghi ba điểm cốt lõi, đó là đa phương thức gốc, agent dài hơi cho kỹ thuật phức tạp, và tương thích Claude Code, Codex cùng Hermes. Báo Trung Quốc (IT Home, Sina, Huanqiu) đăng sáng 2/11 giờ Bắc Kinh, báo tiếng Anh (TechNode, Daily AI Brief, AI Affairs) đăng cùng ngày, và một số nguồn ghi 1/11 chỉ vì chênh múi giờ.

Điểm khác lớn nhất là bản full đã có bảng benchmark chính thức, trong khi weights, Hugging Face và GitHub vẫn sắp ra mắt.

Đặt cạnh LongCat-2.0 để thấy bước nhảy định vị

LongCat-2.0 ra mắt ngày 30/6/2026, viết và sửa code, weights phát hành theo giấy phép MIT, và là model nghìn tỷ tham số đầu tiên train và inference toàn bộ trên chip nội địa Trung Quốc. LongCat-2.5 giữ mạch coding agent đó nhưng đẩy lời hứa đi xa hơn, từ viết code sang làm xong cả dự án qua terminal, browser, GUI, spreadsheet và design. Ví dụ của hãng: model tự xây bảng lợi nhuận theo kênh, GMV thanh toán tăng 23,2% trong khi lợi nhuận kênh giảm 1,7%.

Bảng điểm hãng công bố thắng ở task agent nhưng thua Opus 5 ở Program Bench và Terminal Bench v4.0

Có bảng điểm chính thức là điểm khác lớn nhất so với Preview, nhưng anh em đọc thì nhớ mọi con số đều do hãng tự đo.

Điểm hãng công bố cao nhất nằm ở task agent và tìm kiếm

Nhìn vào bảng hãng đưa ra, anh em sẽ thấy Terminal Bench v2.1 đạt 88.4, BrowseComp đạt 91.9, PaperBench đạt 82.1, DeepSWE v1.1 đạt 64.6, MCP Atlas đạt 83.1, Terminal Bench v4.0 đạt 38.5, 3DCodeBench đạt 55.4, Vision2Web đạt 78.6 và HLE with tools đạt 63.1. So với 2.0, sáu benchmark đầu tăng từ 70.8, 79.9, 45.2, 9.7, 61.8 và 3.0, tất cả đều là số hãng tự đo.

Điểm thua ngay trong bảng của hãng

Chỗ thua cần đọc ngang hàng với chỗ thắng. Program Bench chỉ đạt 25.5 trong khi entry dẫn đầu trong chính bảng của hãng đạt 37. Terminal Bench v4.0 đạt 38.5, thua Claude Opus 5 ở mức 53.9 dù vẫn hơn GPT-5.6-Sol ở mức 37.3, còn Terminal Bench v2.1 đạt 88.4 thua sít sao Claude Opus 5 ở mức 89.1 cùng GPT-5.6-Sol ở mức 88.8 trong bảng tổng hợp của AICoder.

Vì sao bảng so sánh của hãng không đọc như một bảng xếp hạng chung

Điểm LongCat đo trên hardware, harness và prompt template của chính LongCat, điểm đối thủ thường lấy từ báo cáo của chính đối thủ, hai phép đo không nằm trong một phòng lab. Bảng hãng còn ô trống vì mỗi đối thủ chỉ có điểm ở một số benchmark, và báo Trung Quốc tóm tắt điểm 2.5 nằm giữa Opus 4.8 và Opus 5, nhưng đó là tóm tắt của báo, chưa phải bảng xếp hạng đã kiểm chứng độc lập.

Tham số 1.6T/48B và AutomationBench vênh nhau nên hai con số này phải dừng lại kiểm tra

Hai con số này đang được lặp lại khắp các bài ngày 2/11, nhưng cả hai đều có vết nứt trong nguồn gốc.

Con số 1.6T/48B gắn cho 2.5 thực ra lấy từ model card của 2.0

Mọi bài 2/11 lặp lại 1,6 nghìn tỷ tổng và khoảng 48 tỷ active mỗi token cho 2.5, nhưng OrcaRouter 29/10 chỉ ra các số này xuất phát từ model card của 2.0 và đã được mang sang cho Preview, tới 2/11 vẫn chưa có model card riêng cho 2.5. Thêm nữa, 2.0 có dải active động từ 33B đến 56B, nên 1.6T/48B cho 2.5 phải luôn kèm nhãn tranh cãi.

Tin đồn cần chặn: 16 nghìn tỷ sai gấp mười lần, 88,6% SWE-bench Lite chưa xác minh, context 256K sai trước khung 1M/128K chính thức.

AutomationBench đang có cả 51.8 lẫn 65.1 cho 2.5 và cột 2.0 cũng vênh nhau

Hai nguồn AI Affairs và AICoder ghi 2.5 đạt 51.8 ở v1.0.6 và 2.0 đạt 15.8, trong khi theo LongCatAI.org, site tổng hợp độc lập với site chính thức, 2.5 đạt 65.1 ở v1.0 và 2.0 đạt 51.8. Khác phiên bản, v1.0 so với v1.0.6, có thể giải thích một phần cho cột 2.5, nhưng không giải thích được cột 2.0, nơi 15.8 và 51.8 vênh nhau quá xa, nên AutomationBench vẫn chưa chốt, và trích con số nào cũng phải ghi rõ nguồn và phiên bản.

Giá và đường dùng thử ngày 2/11 vẫn xoay quanh mức Preview đã xác nhận và mức bản full do bên thứ ba nhắc lại

Mức giá đang lan truyền cho bản full mới chỉ được xác nhận trực tiếp cho bản Preview.

Mức giá này đã xác nhận cho Preview nhưng chưa xác minh trực tiếp cho bản full

Mức 0,30 USD input chưa cache, 0,006 USD đã cache và 1,20 USD output mỗi triệu token đã xác nhận cho Preview trên bảng giá chính thức, dưới tiêu đề giá ưu đãi có thời hạn, kèm 2/0,04/8 tệ.

Cho bản full, AICoder, DailyCited và Apiyi cùng nhắc lại mức này ngày 2/11, nhưng trang pricing chính thức chưa xác minh trực tiếp được, nên anh em phải kiểm tra giá live lúc thanh toán. Mức gốc 0,75/0,015/2,95 USD chỉ là suy luận bên thứ ba từ ghi chú giảm 59% của Vercel AI Gateway, chưa có nguồn chính thức.

Quota dùng thử cũ đã hết, chưa có quota mới cho bản full

Quota 5 triệu token là của Preview dành cho người dùng hiện hữu hồi tháng 9, đợt chạy miễn phí 2 tuần trên OpenCode từ 26/9 đã kết thúc quanh ngày 10/10, và tới chiều 2/11 chưa có thông báo quota mới nào cho bản full. Các headline viết như thể bản full đang mở cửa dùng miễn phí đã phóng đại ưu đãi thật, vì ưu đãi thật chỉ là token cho người dùng hiện hữu cộng giá ưu đãi có thời hạn.

Dùng thử hôm nay bằng đường nào, đường nào vẫn chưa có

Hôm nay dùng thử được qua web longcat.chat và longcat.ai, LongCat API với endpoint OpenAI và Anthropic, cùng ba harness mà changelog bản full nêu tên là Claude Code, Codex và Hermes. Ngoài ra, docs của platform còn có hướng dẫn setup cho OpenCode, Cline, Kilo Code, CodeBuddy và WorkBuddy, một nhóm riêng có guide trong docs, khác với ba harness do changelog nêu tên. API key chỉ hiển thị một lần, tải nặng có thể trả HTTP 429.

Setup Claude Code mới chỉ được kiểm chứng cho Preview, anh em phải đổi tên model sang tên bản full theo docs hiện tại, đừng tái sử dụng mù tên model Preview. Chưa có: weights mở, Hugging Face, GitHub, model ID API chính thức của bản full, quota miễn phí mới, và data residency cho khách ngoài Trung Quốc chưa được công bố chi tiết.

Đa phương thức gốc, agent dài hơi và W4A4 trên chip nội địa vẫn chỉ là mô tả của hãng vì chưa có phép đo độc lập

Phần này toàn là mô tả của hãng, chưa có ai đo độc lập cho bản full.

Đa phương thức gốc theo hãng mô tả là ảnh và text chạy chung một không gian token

Mình đọc phần hãng viết thì thấy tín hiệu thị giác thành token rời rạc đa cấp qua RVQ trên đặc trưng SAE ở độ phân giải gốc, thuộc dòng LongCat-Next, để backbone xử lý ảnh và text trong cùng một không gian token. Ứng dụng hãng nêu gồm visual coding, thiết kế sáng tạo, nhiệm vụ 3D và trang web tương tác.

Với Preview, OrcaRouter từng phát hiện API reference liệt kê đầu vào là text trong khi changelog nói có ảnh, và với bản full chưa có ai kiểm chứng bằng một request ảnh thật.

Agent dài hơi theo hãng mô tả được huấn luyện bằng dữ liệu quỹ đạo dài và RL dài hơi

Còn phần agent dài hơi thì hãng kể là 2.5 huấn luyện bằng dữ liệu quỹ đạo agent dài hơi, RL dài hơi quy mô lớn, khai thác PR và issue GitHub thành môi trường tổng hợp với kiểm chứng fail-to-pass và pass-to-pass, rollout bất đồng bộ từng phần với gradient giới hạn độ cũ, và huấn luyện hỗn hợp cross-harness.

Quỹ đạo thất bại của agent thật thành nhiệm vụ huấn luyện có thể tái hiện, mid-training dùng chuỗi dài tới 1M token, tổng lượng huấn luyện hàng nghìn tỷ token. Đây vẫn là câu chuyện hãng kể, chưa phải năng lực đã đo được.

W4A4 trên chip nội địa là con số hãng đưa ra còn báo Trung Quốc nhìn từ góc tự chủ compute

Chỗ W4A4 thì hãng nói đã tối ưu weights và activation 4-bit trên chip nội địa, prefill nhanh hơn 43,3% và decode nhanh hơn 42,77% so với baseline W8A8, FSDP cho throughput mỗi card cao hơn 86% so với DDP trong long-sequence SFT. AI Affairs nhấn mạnh đây là tường thuật của hãng, chưa từng là phép đo tốc độ hay hiệu năng dưới tải production.

Báo Trung Quốc nhìn từ góc tự chủ compute, chip nội địa cộng model nội địa, 2.0 từng train và inference toàn bộ trên chip nội địa, nhưng nhanh hay rẻ hơn cho người dùng cuối vẫn cần phép đo độc lập.

Tới chiều 2/11 cộng đồng vẫn chưa có thread lớn và chưa có test độc lập nào cho bản full

Đây là phần dễ viết sai nhất nếu lấy ý kiến về Preview đắp sang bản full, nên mình nói rõ ngay từ đầu là tới chiều 2/11 giờ Việt Nam vẫn chưa có test độc lập nào cho bản full.

Vắng thread lớn và vắng test độc lập cho bản full cũng là một dữ kiện

Tìm kiếm có chủ đích ngày 2/11 về Hacker News, Reddit và first impressions chỉ trả về lại các bài tin từ cùng chuỗi nguồn IT Home và Pandaily, không có thread lớn hay first impressions nào cho bản full.

Agmazon viết rõ tới 8/10 vẫn chưa tìm thấy thread lớn nào dành riêng cho model này, và ông đoán một phần do weights đóng nên cộng đồng model local ít quan tâm, nhưng tự ghi đó chỉ là phỏng đoán. Trên X thời Preview, chú ý chỉ ở mức ổn định, khoảng 156K views cho post ra mắt và khoảng 40K cho post free access.