LongCat 2.0
3609°
Esegui questo modello
Offerte / Annunci
Meituan | contesto da 1.048.756 token | $0.30/M input, $1.20/M output. LongCat 2.0 è un modello linguistico sparse mixture-of-experts di Meituan, con 48B parametri attivi su 1,6T totali. È adatto per programmazione, modifiche a livello di repository, risoluzione di problemi a lungo termine e flussi di lavoro agentici.
Guide per questo modello
Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro
Quanta VRAM serve davvero per l'AI locale?
Pesi aperti vs open source vs solo API: cosa puoi davvero fare
Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)
Note del capitano
Note del 2026-10-13
LongCat 2.0 è un modello sparse mixture-of-experts di Meituan, che attiva 48B dei suoi 1,6T parametri per token ed è stato addestrato su oltre 35 trilioni di token con una finestra di contesto nativa di 1M token. La sua architettura è progettata per compiti a lungo termine: modifiche a livello di repository, flussi di lavoro agentici e ragionamento sostenuto su input molto lunghi. Pesi aperti e un prezzo API modesto lo rendono interessante se lavori all’avanguardia della lunghezza del contesto.
Conosciuto per
- Contesto nativo da 1M token, addestrato su centinaia di miliardi di token con contesto lungo
- Ottimo per modifiche a livello di repository e esecuzione di compiti agentici
- Si integra direttamente con Claude Code, OpenClaw e Hermes harnesses
- La nuova LongCat Sparse Attention riduce il costo di attenzione su contesti massivi
- Pesi aperti disponibili su Hugging Face
Attenzione a
- 1,6T parametri totali significa che il deployment locale richiede hardware serio; la maggior parte degli utenti userà l’API.
- I benchmark nella scheda modello sono misurati internamente, quindi i confronti indipendenti di terze parti sono limitati.
- I termini di licenza non sono dettagliati nelle informazioni pubblicate; controlla il repository Hugging Face prima dell’uso commerciale.
Prompt da provare
Rifattorizzazione su un intero repository
Ecco un repository Python con tre file. Il codice usa attualmente un dizionario di configurazione globale passato come argomento di funzione ovunque. Rifattorizzalo per usare una dataclass tipizzata iniettata tramite un context manager, aggiorna tutti i punti di chiamata e scrivi una breve nota di migrazione che spiega cosa è cambiato e perché.
Ragionamento su documento lungo
Sto incollando una specifica tecnica di 200 pagine qui sotto. Leggila tutta, poi rispondi: quali sono i tre compromessi di design più significativi fatti dagli autori, quali evidenze nel documento supportano ciascuno e cosa cambieresti se dovessi rivedere la specifica oggi?
Pianificazione agente multi-step
Stai aiutando ad automatizzare una pipeline di rilascio software. Dati questi passaggi: eseguire test, costruire un’immagine Docker, pushare su un registro, aggiornare un chart Helm e aprire una pull request, scrivi un grafo di dipendenze, identifica quali passaggi possono essere eseguiti in parallelo e produci uno script shell che li esegua nell’ordine corretto con gestione degli errori.
Confronta con
- GPT-6 LunaModello solo APIContesto di 1,050,000 token · Input $0.10/M, output $0.50/M
- Claude Opus 5.5Modello solo APIContesto di 1,000,000 token · Input $4.00/M, output $20.00/M
- Muse Spark 1.3 ContributorModello solo APIContesto di 1,048,576 token · Input $0.10/M, output $0.20/M
- Gemini 3.8 FlashModello solo APIContesto di 1,048,576 token · Input $0.83/M, output $4.12/M
Altri modelli di testo da meituan
Domande frequenti
- I pesi sono aperti e posso eseguire LongCat 2.0 localmente?
- Sì, i pesi sono pubblicamente disponibili su Hugging Face nel repository meituan-longcat/LongCat-2.0. Con 1,6T parametri totali è un modello grande, quindi il deployment locale richiede hardware sostanziale.
- Quanto costa LongCat 2.0 e qual è la sua finestra di contesto?
- Via API costa $0,30 per milione di token in input e $1,20 per milione di token in output, con una finestra di contesto di poco più di 1 milione di token.
- In cosa si differenzia LongCat 2.0 dagli altri grandi modelli MoE?
- Il suo principale differenziatore è il meccanismo LongCat Sparse Attention, progettato specificamente per rendere efficiente l’attenzione su contesti molto lunghi, combinato con l’addestramento su centinaia di miliardi di token con contesto da 1M — cosa che la maggior parte degli altri modelli MoE comparabili non ha fatto a questa scala.
Verdetto del capitanoUn serio MoE per contesti lunghi che si guadagna il suo posto se lavori su grandi basi di codice o documenti che superano il limite di contesto di ogni altro modello.
Scheda modello su Hugging Face
Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.
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.
Come si calcola questo punteggio
Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.
Glossario: i termini usati qui
- Punteggio heat
- Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
- Soglia minima
- I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
- Equivalenti di download
- Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
- Scala logaritmica
- Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
- Like
- Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
- Tasso di adozione
- Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
- Misurato e stimato
- Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
- Seeder
- Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
- AI Horde
- Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
- Siti di generazione
- Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
- Token OpenRouter
- Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modello completo (checkpoint)
- I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
- LoRA e embedding
- Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
- Famiglia e pesi
- La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
- Età
- Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
- Boost famiglia
- Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
- Punteggio stand-in
- Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
- Novità! (periodo di grazia)
- Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
- Tendenza
- Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
- Modello tipico
- Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.
LongCat 2.0 è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.
Altri modelli Text / LLMAltri Testo / LLM Text / LLMllmmeituanragionamentoprogrammazioneagenticontesto lungolocale
Sfoglia per famiglia di modelli
Modelli Text / LLM
434
Modelli Anima
528
Modelli Chroma
19
Modelli Fibo
2
Modelli Flux
1,496
Modelli Flux 2 / Klein
1,239
Modelli Flux 3
3
Modelli Moss
3
Modelli Iris
1
Modelli MiniMax H3
364
Modelli Hunyuan
204
Modelli Ideogram
20
Modelli Krea2
717
Modelli Qwen
20
Modelli Qwen2
47
Modelli Ltx2
153