LongCat 2.0
3609°
Uruchom model
Oferty / Reklamy
Meituan | kontekst 1 048 756 tokenów | 0,30 USD/M wejście, 1,20 USD/M wyjście. LongCat 2.0 to rzadki model mieszanki ekspertów językowych od Meituan, z 48 miliardami aktywnych parametrów z 1,6 biliona ogółem. Nadaje się do kodowania, zmian na poziomie repozytorium, rozwiązywania problemów na długą metę oraz przepływów pracy agentowych.
Poradniki do tego modelu
Najlepsze lokalne LLM według zastosowania (październik 2026): odpowiedni otwarty model do każdego zadania
Ile VRAM naprawdę potrzebuję do lokalnej AI?
Otwarte wagi vs otwarte źródła vs tylko API: co naprawdę możesz robić
Co to jest plik GGUF? Wyjaśnienie modeli kwantyzowanych (Q4, Q8, fp8, NF4)
Notatki kapitana
Notatki z 2026-10-13
LongCat 2.0 to rzadki model mixture-of-experts od Meituan, aktywujący 48 miliardów ze swoich 1,6 biliona parametrów na token i trenowany na ponad 35 bilionach tokenów z natywnym oknem kontekstowym 1M tokenów. Jego architektura jest zaprojektowana do zadań długoterminowych: zmiany kodu na poziomie repozytorium, agentowe przepływy pracy i długotrwałe rozumowanie nad bardzo długimi wejściami. Otwarte wagi i umiarkowana cena API czynią go wartym uwagi, jeśli pracujesz na granicy długości kontekstu.
Znany z
- Natywny kontekst 1M tokenów, trenowany na setkach miliardów tokenów z długim kontekstem
- Doskonały do edycji kodu na poziomie repozytorium i wykonywania zadań agentowych
- Integruje się bezpośrednio z Claude Code, OpenClaw i Hermes
- Nowatorska LongCat Sparse Attention obniża koszt uwagi nad ogromnymi kontekstami
- Otwarte wagi dostępne na Hugging Face
Uważaj na
- 1,6 biliona parametrów łącznie oznacza, że lokalne wdrożenie wymaga poważnego sprzętu; większość użytkowników będzie korzystać z API.
- Benchmarki w karcie modelu są mierzone wewnętrznie, więc niezależne porównania są ograniczone.
- Warunki licencji nie są szczegółowo opisane w opublikowanych informacjach; przed użyciem komercyjnym sprawdź repozytorium Hugging Face.
Podpowiedzi do wypróbowania
Refaktoryzacja w całym repozytorium
Oto repozytorium Pythona z trzema plikami. Kod obecnie używa globalnego słownika konfiguracyjnego przekazywanego jako argument funkcji wszędzie. Przepisz to, aby używać typowanej klasy dataclass wstrzykiwanej przez menedżera kontekstu, zaktualizuj wszystkie miejsca wywołań i napisz krótką notatkę migracyjną wyjaśniającą, co się zmieniło i dlaczego.
Rozumowanie nad długim dokumentem
Wklejam poniżej 200-stronicową specyfikację techniczną. Przeczytaj ją w całości, a następnie odpowiedz: jakie są trzy najważniejsze kompromisy projektowe podjęte przez autorów, jakie dowody w dokumencie to potwierdzają i co byś zmienił, gdybyś dziś ją poprawiał?
Planowanie agenta wieloetapowego
Pomagasz automatyzować pipeline wydania oprogramowania. Mając te kroki: uruchom testy, zbuduj obraz Dockera, wypchnij do rejestru, zaktualizuj wykres Helm i otwórz pull request, napisz graf zależności, zidentyfikuj, które kroki mogą działać równolegle i stwórz skrypt shell wykonujący je w poprawnej kolejności z obsługą błędów.
Porównaj z
- GPT-6 LunaModel tylko z APIKontekst 1,050,000 tokenów · $0.10/M wejście, $0.50/M wyjście
- Claude Opus 5.5Model tylko z APIKontekst 1,000,000 tokenów · $4.00/M wejście, $20.00/M wyjście
- Muse Spark 1.3 ContributorModel tylko z APIKontekst 1,048,576 tokenów · $0.10/M wejście, $0.20/M wyjście
- Gemini 3.8 FlashModel tylko z APIKontekst 1,048,576 tokenów · $0.83/M wejście, $4.12/M wyjście
Więcej modeli tekstowych od meituan
Pytania, które ludzie zadają
- Czy wagi LongCat 2.0 są otwarte i czy mogę uruchomić go lokalnie?
- Tak, wagi są publicznie dostępne na Hugging Face w repozytorium meituan-longcat/LongCat-2.0. Przy 1,6 biliona parametrów jest to duży model, więc lokalne wdrożenie wymaga znacznego sprzętu.
- Ile kosztuje LongCat 2.0 i jakie ma okno kontekstowe?
- Przez API koszt to 0,30 USD za milion tokenów wejściowych i 1,20 USD za milion tokenów wyjściowych, z oknem kontekstowym nieco ponad 1 milion tokenów.
- Czym LongCat 2.0 różni się od innych dużych modeli MoE?
- Główną cechą wyróżniającą jest mechanizm LongCat Sparse Attention, zaprojektowany specjalnie, by efektywnie obsługiwać bardzo długie konteksty, połączony z treningiem na setkach miliardów tokenów z kontekstem 1M — czego większość porównywalnych modeli MoE nie robiła na taką skalę.
Wyrok kapitanaPoważny model MoE do długiego kontekstu, który zasługuje na miejsce, jeśli Twoja praca dotyczy dużych baz kodu lub dokumentów przekraczających limity kontekstu innych modeli.
Karta modelu na Hugging Face
Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.
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.
Jak ten wynik się sumuje
Ten model nie ma jeszcze danych o popularności z żadnego źródła, więc ma zastępczą wartość poniżej 7,000°, która pozwala utrzymać kompletność list. Nigdy nie zajmuje wyższej pozycji niż model z danymi. Szczegóły pojawią się tutaj, gdy tylko jakieś źródło je zgłosi.
Słowniczek: używane tu terminy
- Wynik heat
- Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
- Podstawa
- 7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
- Równoważniki pobrań
- Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
- Skala logarytmiczna
- Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
- Polubienia
- Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
- Tempo adopcji
- Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
- Zmierzony i szacowany
- Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
- Seeder
- Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
- AI Horde
- Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
- Strony generujące
- Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
- Tokeny OpenRouter
- Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Pełny model (checkpoint)
- Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
- LoRA i embedding
- Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
- Rodzina i wagi
- Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
- Wiek
- Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
- Wzmocnienie rodziny
- Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
- Wynik zastępczy
- Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
- Nowy! (okres karencji)
- Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
- Trend
- Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
- Typowy model
- Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.
LongCat 2.0 to model tekstowy z rodziny Text / LLM wymieniony na ModelTrends.ai, katalogu tylko do odczytu otwartych modeli AI do obrazów, wideo i tekstu. Porównaj go z innymi modelami Text / LLM i sprawdź wynik popularności, aby zobaczyć trend.
Więcej modeli Text / LLMWięcej Text / LLM Tekst / LLMllmmeituanrozumowaniekodowanieagencidługi kontekstlokalny
Przeglądaj według rodziny modeli
Modele Text / LLM
434
Modele Anima
528
Modele Chroma
19
Modele Fibo
2
Modele Flux
1,496
Modele Flux 2 / Klein
1,239
Modele Flux 3
3
Modele Moss
3
Modele Iris
1
Modele MiniMax H3
364
Modele Hunyuan
204
Modele Ideogram
20
Modele Krea2
717
Modele Qwen
20
Modele Qwen2
47
Modele Ltx2
153