Sind die Gewichte offen und kann ich LongCat 2.0 lokal ausführen?

Ja, die Gewichte sind öffentlich auf Hugging Face im Repository meituan-longcat/LongCat-2.0 verfügbar. Mit 1,6T Gesamtparametern ist es ein großes Modell, daher erfordert lokale Bereitstellung erhebliche Hardware.

Was kostet LongCat 2.0 und wie groß ist das Kontextfenster?

Über die API kostet es 0,30 $ pro Million Eingabetokens und 1,20 $ pro Million Ausgabetokens, mit einem Kontextfenster von etwas über 1 Million Tokens.

Worin unterscheidet sich LongCat 2.0 von anderen großen MoE-Modellen?

Das Hauptunterscheidungsmerkmal ist der LongCat Sparse Attention-Mechanismus, der speziell entwickelt wurde, um das Aufmerksamkeits-Handling über sehr lange Kontexte effizient zu machen, kombiniert mit Training auf hunderten Milliarden 1M-Kontext-Tokens – etwas, das die meisten vergleichbaren MoE-Modelle in dieser Größenordnung nicht leisten.

LongCat 2.0

3609°

#llm #meituan #logik #programmieren #agenten #langer kontext

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Meituan | 1.048.756 Token Kontext | $0,30/M Eingabe, $1,20/M Ausgabe. LongCat 2.0 ist ein sparsames Mixture-of-Experts-Sprachmodell von Meituan mit 48B aktiven Parametern von insgesamt 1,6T. Es eignet sich für Programmierung, repositoryweite Änderungen, langfristige Problemlösung und agentische Workflows.

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

LongCat 2.0 ist ein sparsames Mixture-of-Experts-Modell von Meituan, das pro Token 48B seiner 1,6T Parameter aktiviert und auf über 35 Billionen Tokens mit einem nativen 1M-Token-Kontextfenster trainiert wurde. Seine Architektur ist speziell für Langzeitaufgaben konzipiert: Codeänderungen auf Repository-Ebene, agentenbasierte Workflows und anhaltendes Denken über sehr lange Eingaben. Offene Gewichte und ein moderater API-Preis machen es interessant, wenn du an der Grenze der Kontextlänge arbeitest.

Bekannt für

Natives 1M-Token-Kontextfenster, trainiert auf hunderten Milliarden langkontextiger Tokens
Starke Eignung für Codeänderungen auf Repository-Ebene und agentenbasierte Aufgaben
Direkte Integration mit Claude Code, OpenClaw und Hermes-Harnesses
Neuartige LongCat Sparse Attention reduziert die Kosten für das Aufmerksamkeits-Handling über massive Kontexte
Offene Gewichte auf Hugging Face verfügbar

Achte auf

1,6T Gesamtparameter bedeuten, dass lokale Bereitstellung ernsthafte Hardware erfordert; die meisten Nutzer verwenden die API.
Benchmarks in der Modelldokumentation sind hausintern gemessen, unabhängige Vergleiche sind begrenzt.
Lizenzbedingungen sind in den veröffentlichten Informationen nicht detailliert; vor kommerzieller Nutzung das Hugging Face-Repository prüfen.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Refaktorierung über ein gesamtes Repository

Hier ist ein Python-Repository mit drei Dateien. Der Code verwendet derzeit ein globales Config-Dict, das überall als Funktionsargument übergeben wird. Refaktoriere es zu einer typisierten Dataclass, die über einen Kontextmanager injiziert wird, aktualisiere alle Aufrufstellen und schreibe eine kurze Migrationsnotiz, die erklärt, was sich geändert hat und warum.

Denkprozess bei langen Dokumenten

Ich füge unten eine 200-seitige technische Spezifikation ein. Lies sie vollständig und beantworte dann: Was sind die drei wichtigsten Design-Trade-offs, die die Autoren gemacht haben, welche Belege im Dokument stützen jeden davon, und was würdest du ändern, wenn du die Spezifikation heute überarbeiten würdest?

Mehrstufiger Agentenplan

Du hilfst bei der Automatisierung einer Software-Release-Pipeline. Gegeben sind diese Schritte: Tests ausführen, ein Docker-Image bauen, in ein Registry pushen, ein Helm-Chart aktualisieren und einen Pull Request öffnen. Schreibe einen Abhängigkeitsgraphen, identifiziere, welche Schritte parallel laufen können, und erstelle ein Shell-Skript, das sie in der richtigen Reihenfolge mit Fehlerbehandlung ausführt.

Vergleichen mit

GPT-6 Luna
Nur API-Modell
1,050,000 Token Kontext · $0.10/M Eingabe, $0.50/M Ausgabe
Claude Opus 5.5
Nur API-Modell
1,000,000 Token Kontext · $4.00/M Eingabe, $20.00/M Ausgabe
Muse Spark 1.3 Contributor
Nur API-Modell
1,048,576 Token Kontext · $0.10/M Eingabe, $0.20/M Ausgabe
Gemini 3.8 Flash
Nur API-Modell
1,048,576 Token Kontext · $0.83/M Eingabe, $4.12/M Ausgabe

Mehr Textmodelle von meituan

Häufig gestellte Fragen

Sind die Gewichte offen und kann ich LongCat 2.0 lokal ausführen?: Ja, die Gewichte sind öffentlich auf Hugging Face im Repository meituan-longcat/LongCat-2.0 verfügbar. Mit 1,6T Gesamtparametern ist es ein großes Modell, daher erfordert lokale Bereitstellung erhebliche Hardware.
Was kostet LongCat 2.0 und wie groß ist das Kontextfenster?: Über die API kostet es 0,30 $ pro Million Eingabetokens und 1,20 $ pro Million Ausgabetokens, mit einem Kontextfenster von etwas über 1 Million Tokens.
Worin unterscheidet sich LongCat 2.0 von anderen großen MoE-Modellen?: Das Hauptunterscheidungsmerkmal ist der LongCat Sparse Attention-Mechanismus, der speziell entwickelt wurde, um das Aufmerksamkeits-Handling über sehr lange Kontexte effizient zu machen, kombiniert mit Training auf hunderten Milliarden 1M-Kontext-Tokens – etwas, das die meisten vergleichbaren MoE-Modelle in dieser Größenordnung nicht leisten.

Captain's Urteil
Ein ernstzunehmendes MoE-Modell für lange Kontexte, das seine Berechtigung hat, wenn deine Arbeit in großen Codebasen oder Dokumenten stattfindet, die bei anderen Modellen das Kontextlimit sprengen.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

LongCat 2.0 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm meituan logik programmieren agenten langer kontext lokal

Nach Modellfamilie stöbern