LongCat 2.0
3609°
Executar modelo
Ofertas / Anúncios
Meituan | contexto de 1.048.756 tokens | $0,30/M entrada, $1,20/M saída. LongCat 2.0 é um modelo de linguagem sparse mixture-of-experts da Meituan, com 48B parâmetros ativos de um total de 1,6T. É adequado para codificação, mudanças em nível de repositório, resolução de problemas de longo horizonte e fluxos de trabalho agentes.
Guias para este modelo
Melhor LLM local por caso de uso (outubro de 2026): o modelo aberto certo para cada tarefa
De quanto VRAM eu realmente preciso para IA local?
Pesos abertos vs código aberto vs só API: o que você realmente pode fazer
O que é um arquivo GGUF? Modelos quantizados explicados (Q4, Q8, fp8, NF4)
Notas do capitão
Notas de 2026-10-13
LongCat 2.0 é um modelo esparso mixture-of-experts da Meituan, ativando 48B de seus 1,6T parâmetros por token e treinado com mais de 35 trilhões de tokens, com uma janela de contexto nativa de 1M tokens. Sua arquitetura é feita para tarefas de longo prazo: mudanças em código a nível de repositório, fluxos de trabalho agentes e raciocínio sustentado sobre entradas muito longas. Pesos abertos e preço modesto na API o tornam interessante se você trabalha na fronteira do comprimento de contexto.
Conhecido por
- Contexto nativo de 1M tokens, treinado com centenas de bilhões de tokens de contexto longo
- Adequado para edições de código a nível de repositório e execução de tarefas agentes
- Integração direta com Claude Code, OpenClaw e Hermes
- LongCat Sparse Attention reduz o custo de atenção sobre contextos massivos
- Pesos abertos disponíveis no Hugging Face
Fique atento a
- 1,6T parâmetros totais significa que a implantação local exige hardware robusto; a maioria dos usuários usará a API.
- Benchmarks no cartão do modelo são medidos internamente, então comparações independentes são limitadas.
- Termos de licença não são detalhados nas informações publicadas; verifique o repositório Hugging Face antes do uso comercial.
Sugestões para tentar
Refatorar em todo o repositório
Aqui está um repositório Python com três arquivos. A base de código atualmente usa um dicionário global de configuração passado como argumento em todas as funções. Refatore para usar uma dataclass tipada injetada via gerenciador de contexto, atualize todos os locais de chamada e escreva uma breve nota de migração explicando o que mudou e por quê.
Raciocínio sobre documento longo
Estou colando abaixo uma especificação técnica de 200 páginas. Leia-a completamente, depois responda: quais são as três decisões de design mais significativas que os autores tomaram, qual evidência no documento suporta cada uma, e o que você mudaria se revisasse a especificação hoje?
Plano agente multi-etapas
Você está ajudando a automatizar um pipeline de lançamento de software. Dadas estas etapas: rodar testes, construir uma imagem Docker, enviar para um registro, atualizar um gráfico Helm e abrir um pull request, escreva um grafo de dependências, identifique quais etapas podem rodar em paralelo e produza um script shell que as execute na ordem correta com tratamento de erros.
Comparar com
- GPT-6 LunaModelo apenas para APIContexto de 1,050,000 tokens · entrada $0.10/M, saída $0.50/M
- Claude Opus 5.5Modelo apenas para APIContexto de 1,000,000 tokens · entrada $4.00/M, saída $20.00/M
- Muse Spark 1.3 ContributorModelo apenas para APIContexto de 1,048,576 tokens · entrada $0.10/M, saída $0.20/M
- Gemini 3.8 FlashModelo apenas para APIContexto de 1,048,576 tokens · entrada $0.83/M, saída $4.12/M
Mais modelos de texto de meituan
Perguntas frequentes
- Os pesos são abertos e posso rodar LongCat 2.0 localmente?
- Sim, os pesos estão publicamente disponíveis no Hugging Face no repositório meituan-longcat/LongCat-2.0. Com 1,6T parâmetros totais, é um modelo grande, então a implantação local exige hardware substancial.
- Quanto custa o LongCat 2.0 e qual é sua janela de contexto?
- Via API custa $0,30 por milhão de tokens de entrada e $1,20 por milhão de tokens de saída, com uma janela de contexto de pouco mais de 1 milhão de tokens.
- Como o LongCat 2.0 difere de outros grandes modelos MoE?
- Seu principal diferencial é o mecanismo LongCat Sparse Attention, projetado especificamente para tornar eficiente a atenção sobre contextos muito longos, combinado com treinamento em centenas de bilhões de tokens com contexto de 1M — algo que a maioria dos modelos MoE comparáveis não fez nessa escala.
Veredito do capitãoUm MoE sério para contextos longos que merece seu lugar se seu trabalho envolve grandes bases de código ou documentos que ultrapassam o limite de contexto de qualquer outro modelo.
Ficha do modelo no Hugging Face
O capitão escreve estas notas com base na descrição e ficha do modelo. Preços e tamanhos de contexto são do provedor na data da escrita e podem mudar.
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.
Como essa pontuação é calculada
Este modelo ainda não tem dados de popularidade de nenhuma fonte, então ele carrega um número provisório abaixo de 7,000° para manter as listas completas. Ele nunca fica acima de um modelo com dados. A divisão aparece aqui assim que uma fonte reporta.
Glossário: os termos usados aqui
- Pontuação heat
- Um número que mostra o quanto um modelo está sendo usado e desejado agora, de 0° a 9.999°. Toda lista neste site que diz mais quente é ordenada por ele e só por ele.
- Limite mínimo
- Os 7.000° que todo modelo com dados reais começa. A escala vai de 0° a 9.999°; a parte abaixo do limite é para substitutos (modelos sem dados), para que um modelo com dados sempre fique acima de um sem. O limite é igual para todos e não decide nada; os graus acima dele são a medida.
- Equivalentes a downloads
- Tudo que a pontuação trata como download, somado: downloads em si, cada torrent seeder como 1.000, cada imagem AI Horde e cada execução em site de geração como um.
- Escala logarítmica
- Contando de dez em dez, não de um em um: ir de 1.000 para 10.000 downloads adiciona os mesmos graus que ir de 10.000 para 100.000. Isso evita que gigantes abafem tudo.
- Likes
- Joinhas e likes de todas as fontes, valendo metade de um download na escala logarítmica.
- Taxa de adoção
- Quantos downloads por dia um modelo recebe agora, pela diferença entre duas leituras de uma fonte. Um quarto do peso do termo download.
- Medido e estimado
- Medido significa que existem duas leituras de uma fonte e a diferença é real. Estimado significa que só se sabe o total de hoje e o passado é distribuído ao longo da vida do modelo; o site indica qual está mostrando.
- Seeder
- Alguém que mantém uma cópia dos pesos online para outros baixarem via torrent, ou um espelho hospedado fazendo o mesmo. Cada um conta como 1.000 downloads.
- AI Horde
- Uma rede voluntária que gera imagens de graça em computadores doados. O número de imagens feitas com um modelo é público, e cada uma conta como um download.
- Sites de geração
- Sites que hospedam suas próprias cópias de um modelo e deixam as pessoas gerarem com ele, como PixAI, SeaArt e Yodayo. Os downloads deles contam como os do Civitai e cada geração conta como um download.
- Tokens OpenRouter
- Um modelo de texto servido via API, como Claude ou GPT, não tem pesos para baixar, então seu uso é medido em tokens: os pedaços de texto que ele leu e escreveu via OpenRouter, um gateway usado por muitos apps, nos últimos 30 dias. Cada 10,000,000 tokens contam como um download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Os pesos em si, o arquivo que gera sozinho. Ganha um bônus porque complementos dependem dele.
- LoRA e embedding
- Arquivos pequenos que direcionam os pesos de outra pessoa para um estilo, personagem ou conceito. Não podem rodar sozinhos.
- Família e pesos
- A base em que um modelo é construído, como SD 1.5, SDXL, Flux ou Wan. Todo modelo herda a data de lançamento dos pesos da sua família.
- Idade
- Pontos retirados conforme há quanto tempo os pesos da família foram lançados: 150° por ano, até 750°. Mantém os downloads antigos que tiveram anos para acumular, evitando que saiam do topo da lista.
- Impulso da família
- Um pequeno empurrão limitado para LoRAs de uma família que este site está promovendo agora, sempre listado na divisão.
- Pontuação provisória
- Um número estável abaixo do mínimo dado a um modelo que ainda não tem dados de fonte, para a lista ficar completa. Nunca fica acima de um modelo com dados.
- Novo! (período de carência)
- Um modelo com menos de 7 dias mostra Novo! em vez de uma pontuação e não ocupa lugar no ranking. Sua pontuação é calculada desde o primeiro dia, mas um modelo com um dia cresce mais rápido que qualquer outro, então sem a espera o #1 da semana seria sempre o que saiu ontem, não o que se manteve por uma semana.
- Tendência
- Como o crescimento de um modelo num período se compara com o crescimento típico dos modelos no mesmo período. Crescimento mais rápido que o típico indica alta, mais lento indica queda.
- Modelo típico
- O meio do catálogo: metade dos modelos com número cresceu mais rápido no período, metade mais devagar.
LongCat 2.0 é um modelo de texto para a família Text / LLM listado no ModelTrends.ai, um catálogo somente leitura de modelos de IA de código aberto para imagem, vídeo e texto. Compare-o com outros modelos Text / LLM e veja a pontuação de calor para acompanhar a tendência.
Mais modelos Text / LLMMais Texto / LLM Text / LLMllmmeituanraciocínioprogramaçãoagentescontexto longolocal
Navegar por família de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153