Les poids de LongCat 2.0 sont-ils ouverts et puis-je l'exécuter localement ?

Oui, les poids sont publiquement disponibles sur Hugging Face dans le dépôt meituan-longcat/LongCat-2.0. Avec 1,6T paramètres au total, c'est un modèle volumineux, donc le déploiement local demande un matériel conséquent.

Quel est le coût de LongCat 2.0 et quelle est la taille de sa fenêtre de contexte ?

Via l'API, le prix est de 0,30 $ par million de tokens d'entrée et 1,20 $ par million de tokens de sortie, avec une fenêtre de contexte de juste plus d'un million de tokens.

En quoi LongCat 2.0 diffère-t-il des autres grands modèles MoE ?

Sa principale différenciation est le mécanisme LongCat Sparse Attention, conçu spécifiquement pour rendre efficace l'attention sur des contextes très longs, combiné à un entraînement sur des centaines de milliards de tokens avec contexte d'1M — ce que la plupart des modèles MoE comparables n'ont pas fait à cette échelle.

LongCat 2.0

3609°

#llm #meituan #raisonnement #programmation #agents #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Meituan | contexte de 1 048 756 tokens | 0,30 $/M en entrée, 1,20 $/M en sortie. LongCat 2.0 est un modèle de langage sparse mixture-of-experts de Meituan, avec 48 milliards de paramètres actifs sur 1,6 trillion au total. Il est adapté au codage, aux modifications au niveau des dépôts, à la résolution de problèmes à long terme et aux workflows agentiques.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

LongCat 2.0 est un modèle sparse mixture-of-experts de Meituan, activant 48 milliards de ses 1,6T paramètres par token et entraîné sur plus de 35 trillions de tokens avec une fenêtre de contexte native d'1M tokens. Son architecture est conçue pour les tâches à long horizon : modifications de code au niveau des dépôts, workflows agentiques et raisonnement soutenu sur des entrées très longues. Poids ouverts et prix API modéré en font un modèle à considérer si vous travaillez à la pointe de la longueur de contexte.

Connu pour

Contexte natif d'1M tokens, entraîné sur des centaines de milliards de tokens à long contexte
Très adapté aux modifications de code au niveau des dépôts et à l'exécution de tâches agentiques
S'intègre directement avec Claude Code, OpenClaw et Hermes
Le nouveau LongCat Sparse Attention réduit le coût d'attention sur des contextes massifs
Poids ouverts disponibles sur Hugging Face

Attention à

1,6T paramètres au total signifie que le déploiement local demande un matériel sérieux ; la plupart des utilisateurs utiliseront l'API.
Les benchmarks dans la fiche modèle sont mesurés en interne, donc les comparaisons tierces indépendantes sont limitées.
Les termes de licence ne sont pas détaillés dans les informations publiées ; vérifiez le dépôt Hugging Face avant usage commercial.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Refactoriser un dépôt entier

Voici un dépôt Python avec trois fichiers. La base de code utilise actuellement un dict de configuration global passé en argument de fonction partout. Refactorez-le pour utiliser une dataclass typée injectée via un gestionnaire de contexte, mettez à jour tous les points d'appel, et rédigez une brève note de migration expliquant les changements et pourquoi.

Raisonnement sur un long document

Je colle ci-dessous un cahier des charges technique de 200 pages. Lisez-le en entier, puis répondez : quels sont les trois compromis de conception les plus significatifs faits par les auteurs, quelles preuves dans le document soutiennent chacun, et que changeriez-vous si vous révisiez le cahier des charges aujourd'hui ?

Planification d'agent multi-étapes

Vous aidez à automatiser une pipeline de release logicielle. Étant donné ces étapes : exécuter les tests, construire une image Docker, pousser vers un registre, mettre à jour un chart Helm, et ouvrir une pull request, rédigez un graphe de dépendances, identifiez quelles étapes peuvent s'exécuter en parallèle, et produisez un script shell qui les exécute dans le bon ordre avec gestion des erreurs.

Comparer avec

GPT-6 Luna
Modèle uniquement API
Contexte de 1,050,000 tokens · entrée $0.10/M, sortie $0.50/M
Claude Opus 5.5
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $4.00/M, sortie $20.00/M
Muse Spark 1.3 Contributor
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.10/M, sortie $0.20/M
Gemini 3.8 Flash
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.83/M, sortie $4.12/M

Plus de modèles de texte de meituan

Questions fréquentes

Les poids de LongCat 2.0 sont-ils ouverts et puis-je l'exécuter localement ?: Oui, les poids sont publiquement disponibles sur Hugging Face dans le dépôt meituan-longcat/LongCat-2.0. Avec 1,6T paramètres au total, c'est un modèle volumineux, donc le déploiement local demande un matériel conséquent.
Quel est le coût de LongCat 2.0 et quelle est la taille de sa fenêtre de contexte ?: Via l'API, le prix est de 0,30 $ par million de tokens d'entrée et 1,20 $ par million de tokens de sortie, avec une fenêtre de contexte de juste plus d'un million de tokens.
En quoi LongCat 2.0 diffère-t-il des autres grands modèles MoE ?: Sa principale différenciation est le mécanisme LongCat Sparse Attention, conçu spécifiquement pour rendre efficace l'attention sur des contextes très longs, combiné à un entraînement sur des centaines de milliards de tokens avec contexte d'1M — ce que la plupart des modèles MoE comparables n'ont pas fait à cette échelle.

Verdict du capitaine
Un MoE sérieux pour longs contextes qui mérite sa place si vous travaillez sur de grandes bases de code ou documents qui dépassent la limite de contexte de tous les autres modèles.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

LongCat 2.0 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm meituan raisonnement programmation agents contexte long local

Parcourir par famille de modèles