--- title: "Meituan LongCat-2.5: Yerli çipte eğitilen 1,6 trilyonluk MoE ve yıldızlı tablolar" description: "LongCat-2.5, Meituan'ın yerli AI hızlandırıcılarında eğitilen 1,6 trilyon parametreli MoE modeli. Benchmark tablosu, W4A4 ve fiyat ne anlatıyor?" canonical_url: https://www.oguzhan.co/tr/meituan-longcat-2-5-yerli-cip-moe/ author: "Oğuzhan Koçaklı" author_url: https://www.oguzhan.co/tr/hakkimda/ date_published: 2026-11-04T07:20:16+00:00 date_modified: 2026-11-04T07:20:16+00:00 language: tr translations: en: https://www.oguzhan.co/meituan-longcat-2-5-1-6t-moe-chinese-chips/ --- # Meituan LongCat-2.5: Yerli çipte eğitilen 1,6 trilyonluk MoE ve yıldızlı tablolar Meituan yeni modelini çıkardı. Evet, şu Çinli yemek siparişi şirketi Meituan. Modelin adı LongCat-2.5. Toplamda 1,6 trilyon parametre var, her token için devreye giren kısım yaklaşık 48 milyar. Görseli ve metni baştan birlikte işleyecek şekilde kurulmuş, uzun soluklu agent işleri için tasarlanmış. Üstelik Meituan’ın deyişiyle “yerli AI hızlandırıcıları” üzerinde eğitilip çalıştırılıyor. İngilizce [tanıtım yazısı](https://longcat.ai/blog/longcat-2.5) 1 Kasım tarihli, [API değişiklik kaydına](https://longcat.ai/platform/docs/change-log) göre de model 2 Kasım’dan beri erişime açık. Beni yazının tamamını okumaya iten rakam şu oldu: Terminal Bench v4.0’da LongCat-2.0’ın puanı 3,0’dı. LongCat-2.5’in puanı 38,5. Rakamlar [Meituan’ın kendi tablosundan](https://longcat.ai/blog/longcat-2.5). Arada model büyümedi, tek bir parametre bile eklenmedi. Lider tablosunda nereye oturduğu bence bu haberin en az ilginç tarafı. Asıl hikâye eğitim tarifinde ve donanımda saklı. ## Toplam 1,6 trilyon, aktif 48 milyar ne demek? MoE, yani mixture of experts, kabaca şöyle işliyor. Model çok sayıda uzman alt ağdan oluşuyor, bunların önünde de trafiği yöneten bir yönlendirici duruyor. Her token geldiğinde yönlendirici birkaç uzman seçiyor, geri kalanlar o an kenarda bekliyor. [Meituan’ın blog yazısına göre](https://longcat.ai/blog/longcat-2.5) LongCat-2.5’in 1,6 trilyon parametresinin her token’da çalışan kısmı yaklaşık 48 milyar. Bu ayrım iki ayrı faturayı belirliyor. Toplam parametre sayısı, modeli ayakta tutmak için ne kadar bellek gerektiğini söylüyor. Aktif parametre sayısı ise her token’ın kaça patlayacağını. Bellek tarafı çözüldüğü sürece 1,6 trilyonluk MoE’yi çalıştırmak, rakamın ilk anda çağrıştırdığı kadar pahalı değil. Gözden kaçması kolay bir ayrıntı daha var. [Jack Qiu’nun satır satır sayımında](https://www.jackqiu.co/en/blog/meituan-longcat/) hatırlattığı gibi LongCat-2.0 da tıpatıp aynı boyuttaydı: toplam 1,6 trilyon, aktif 48 milyar civarı. O model MIT lisansıyla yayınlanmıştı. Demek ki 2.0 ile 2.5 arasındaki sıçramanın kaynağı doğrudan eğitim. ![Uzanıp giden sönük bloklardan bir ızgara, içinden geçen ışıkla yanan küçük kehribar renkli küme](https://oguzhanco.s3.eu-west-3.amazonaws.com/wp-content/uploads/2026/11/04072009/longcat-2-5-mixture-of-experts-active.webp) *MoE’de yönlendirici her token için birkaç uzmanı uyandırıyor. LongCat-2.5’te 1,6 trilyonun yaklaşık 48 milyarı.* ## Aynı boyuttaki model kodlamada nasıl bu kadar açıldı? Meituan’ın cevabı uzun soluklu pekiştirmeli öğrenme, yani RL. Hem de bol miktarda. [Blog yazısına göre](https://longcat.ai/blog/longcat-2.5) önce uzun dizilerle yapılan eğitime çok daha fazla uzun soluklu agent kaydı eklenmiş. Ardından karmaşık kod tabanları geliştirmek ve projeleri baştan sona kurmak üzerine büyük ölçekli RL turu gelmiş. Görevlerin hammaddesi GitHub. Meituan pull request’leri ve bağlı oldukları issue’ları elekten geçiriyor, bunlardan görev üretiyor, her görevi de iki tür testle sınıyor. Fail-to-pass testi düzeltmenin gerçekten işe yaradığını gösteriyor. Pass-to-pass testi ise başka hiçbir şeyin bozulmadığını. Gerçek kullanımda çuvallayan agent’ların kayıtları da çöpe gitmiyor. Bunlar tekrar üretilebilen, doğrulanabilen eğitim görevlerine çevriliyor. En çok hoşuma giden kısım hile önlemleri oldu. RL ile eğitilen model, hile ödül getiriyorsa hile yapar. Bunu bilen Meituan, bilinen kapıları tek tek kapatmış: - Görev ortamlarında internet erişimi kapalı. - Git geçmişi ve önbellekteki dosyalar siliniyor, cevaba kestirmeden ulaşmanın yolu kalmıyor. - Ayrı bir LLM hakem, agent kayıtlarını açık kollayan davranışlara karşı denetliyor. - Kendini tekrarlayan akıl yürütme ve aynı tool çağrısını üst üste yapmak cezaya giriyor. - Başarılı örnekler arasında ödül yeniden paylaştırılıyor. Amaç gereğinden fazla düşünmeyi ve kontrolsüz uzayan cevapları frenlemek. Aynı komutu defalarca çalıştırıp duran agent görenler dördüncü maddeye gülümseyecektir. Rollout’lar asenkron ve parça parça ilerliyor. Eğitimde farklı görevler ve farklı harness’ler harmanlanıyor, Meituan bunun genelleme yeteneğini artırdığını söylüyor. RL’in ardından çok öğretmenli damıtma geliyor, Meituan’ın kısaltmasıyla MOPD. LongCat-2.0’ın agent, akıl yürütme, etkileşim ve güvenlik için ayrılmış uzman grupları saklanmış ve her biri kendi alanında öğretmen olmuş. Bu öğretmenler öğrenci modeli tüm kelime dağarcığı üzerinden KL divergence ile eğitiyor. Tree Attention adlı yöntem de bir gruptaki bütün öğrenci örneklerini tek ileri ve geri geçişte işliyor. RL ile uğraşanların kıymetini bileceği bir not daha düşeyim. Meituan eğitim, prefill ve decode aşamalarında her token için bit düzeyinde aynı log olasılıklarını elde ettiğini söylüyor. Bunu IsoExec, GLM-5 ve XoRL’ün üzerine inşa etmişler. Eğiticinin gördüğü sayılarla sunucunun ürettiği sayılar birbirini tutmazsa RL sinyali bulanıklaşır. Bu iki ucu birbirine sabitlemek gösterişsiz ama kolayca atlanan cinsten bir iş. ## Tablodaki yıldızları nasıl okumalı? Önce ayarlar. [Meituan’ın blog yazısına göre](https://longcat.ai/blog/longcat-2.5) LongCat-2.5’in bütün sonuçları `enable_thinking` açıkken, `temperature 1.0` ve `top_p 0.95` ile alınmış. Kodlama testlerinde (Terminal Bench, Program Bench, NL2Repo) Claude Code harness’inin v2.1.280 sürümü 512K max_seq_length ile kullanılmış. DeepSWE tarafında ise mini-swe-agent ve 1M max_seq_length var. Sonra yıldızlar. Rakip puanının yanında yıldız varsa, Meituan o rakamı rakibin kendi raporundan, blogundan ya da bir lider tablosundan almış. Yıldız yoksa ölçümü Meituan kendisi yapmış ve bu sonuçlar için “yalnızca fikir vermesi için” notunu düşüyor. LongCat-2.0 sütunu da Meituan’ın ölçümü. | Benchmark | LongCat-2.5 | LongCat-2.0 | Claude Opus 5 | Claude Opus 4.8 | GPT-5.6-Sol | DeepSeek-V4.1-Flash | | --- | --- | --- | --- | --- | --- | --- | | Terminal Bench v2.1 | 88,4 | 70,8 | 89,1\* | 74,6\* | 88,8\* | 90,6\* | | Terminal Bench v4.0 | 38,5 | 3,0 | 53,9\* | 23,6\* | 37,3\* | 31,2\* | | Program Bench (Almost Resolved) | 25,5 | 2,5 | 37,0\* | 16,5\* | 23,0\* | 20,3\* | | DeepSWE v1.1 | 64,6 | 9,7 | 68,8\* | 59,0\* | 72,7\* | 74,2\* | | NL2Repo | 60,5 | 40,9 | 75,3\* | 69,7\* | 56,8\* | 65,4\* | | BrowseComp | 91,9 | 79,9 | 90,8\* | 84,3\* | 90,4\* | 91,5 | | MCP Atlas | 83,1 | 61,8 | 85,8\* | 82,2\* | 81,8\* | 84,4 | | AutomationBench v1.0.6 | 51,8 | 15,8 | 50,3\* | 41,0\* | 45,8\* | 54,8\* | | HLE w/ tools | 63,1 | 37,5 | 64,7\* | 57,9\* | 58,0\* | 63,9\* | *Seçili satırlar [Meituan’ın tablosundan](https://longcat.ai/blog/longcat-2.5). Yıldızlı rakamları Meituan ilgili şirketin kendi raporundan ya da lider tablosundan aldığını belirtiyor. Yıldızsız rakamlar Meituan’ın kendi ölçümü. LongCat rakamlarının tamamı Meituan’ın iddiası.* ![Karanlık zeminde iki grup cam çubuk, solda kısa ve sönük, sağda uzun ve parlayan turkuaz](https://oguzhanco.s3.eu-west-3.amazonaws.com/wp-content/uploads/2026/11/04072011/longcat-2-5-benchmark-jump.webp) *Aynı boyut, çok farklı puanlar: Meituan’ın tablosunda LongCat-2.0 ve LongCat-2.5.* Tabloya ilk bakılacak yer iki LongCat sütunu. DeepSWE v1.1’de 9,7’den 64,6’ya, Program Bench’te 2,5’ten 25,5’e, AutomationBench’te 15,8’den 51,8’e çıkış var. Boyu bir santim uzamamış bir model için bunlar küçük adımlar sayılmaz. Rakiplerle kıyaslamaya gelince tablo karışıyor. Jack Qiu, LongCat-2.5’in her rakiple paylaştığı 27 satırı tek tek saymış. Sonuç şöyle: - Claude Opus 5 karşısında 10 galibiyet, 17 mağlubiyet - Claude Opus 4.8 karşısında 18 galibiyet, 6 mağlubiyet - GPT-5.6-Sol karşısında 20 galibiyet, 7 mağlubiyet - DeepSeek-V4.1-Flash karşısında 12 galibiyet, 14 mağlubiyet Yani LongCat-2.5, Meituan’ın kendi hazırladığı tabloda bile Claude Opus 4.8 ile Claude Opus 5 arasında bir yere oturuyor. Fena bir yer değil. Zirve de değil. Kayıplar kodlamanın en çetin satırlarında toplanıyor. Terminal Bench v4.0’da Opus 5 53,9 alırken LongCat-2.5 38,5’te kalıyor. NL2Repo’da makas 75,3’e 60,5, üstelik orada Opus 4.8 bile 69,7 ile önde. DeepSWE v1.1’de ise adında “Flash” geçen DeepSeek-V4.1-Flash 74,2 ile LongCat’in 64,6’sını rahatça geride bırakıyor. Öne geçtiği satırlar da var ama farklar ince. BrowseComp’ta 91,9 ve AutomationBench’te 51,8 ile Opus 5’in açıklanmış puanlarını az farkla geçiyor. Yalnız BrowseComp satırındaki DeepSeek puanı 91,5 yıldızsız, yani o rakamı Meituan kendisi ölçmüş. O satırı biraz tuzlu okumakta fayda var. Agent harness’lerinin ve Terminal-Bench 4 üzerine şirket iddialarının ne kadar ayara bağlı olduğuna [Factory Droid 1 yazısında](https://www.oguzhan.co/tr/factory-droid-1-programatik-tool-calling/) da bakmıştım. Kural değişmiyor: önce harness’e ve ayarlara bak, sonra puanı alıntıla. ## 4 bitlik hesap ve yerli çip neyi değiştiriyor? W4A4, ağırlıkların da aktivasyonların da 4 bite indirilmesi demek. Pek çok kurulumda ağırlıklar 4 bite sıkıştırılır ama aktivasyonlar daha geniş tutulur, çarpma işlemi de bu yüzden daha yüksek hassasiyette döner. [Meituan’ın blog yazısına göre](https://longcat.ai/blog/longcat-2.5) LongCat-2.5’te uzman ağırlıkları da aktivasyonlar da 4 bite iniyor ve matris çarpımları doğrudan INT4 birimlerinde koşuyor. Yöntem FlatQuant’ın öğrenilebilir eşdeğer dönüşümlerine dayanıyor. Meituan, değerlendirilen bütün alt görevlerde “kuantize edilmemiş modelle kıyaslanabilir performans” aldığını iddia ediyor. Servis tarafındaki rakamlar yine Meituan’ın kendi ölçümü. W8A8 INT8 tabanına karşı yapılan canlı yük testlerinde: - Prefill throughput yüzde 43,3 artmış. - Decode throughput yüzde 42,77 artmış. - İlk token’a kadar geçen süre (TTFT) yüzde 15,91 kısalmış. - Çıktı token’ı başına süre (TPOT) yüzde 19,72 kısalmış. Gruplanmış matris çarpımı (GMM) kernel’i de W8A8’e göre ortalama 1,73 kat hızlanmış. Bu rakamlar Meituan’ın kendi testleri dışında da tutarsa, aynı donanımdan çok daha fazla token çıkıyor demek. Inference maliyeti yarışın en sıcak cephelerinden biri. Servis tarafını başlı başına araştırma konusu yapan başka bir örnek için DeepSeek’in [DeepInfer yığınına](https://www.oguzhan.co/tr/deepseek-deepinfer-eagle-4-muse-glimmer-yerel-model/) göz atılabilir. ![Soğuk mavi ışık altında markasız hızlandırıcı kartlarla dolu sık bir sunucu kabini](https://oguzhanco.s3.eu-west-3.amazonaws.com/wp-content/uploads/2026/11/04072013/longcat-2-5-w4a4-accelerator-rack.webp) *Meituan’a göre LongCat-2.5 yerli AI hızlandırıcılarında eğitiliyor ve W4A4 ile servis ediliyor.* Eğitim tarafında da ayrıntılar bol. Meituan modelin “yerli AI hızlandırıcısı başına 80 GB’tan az bellekle” eğitildiğini yazıyor. Paralellik süper düğüm topolojisine göre ayarlanmış: FSDP ve expert parallel (EP) derecesi, bir süper düğümdeki hızlandırıcı sayısına eşitlenmiş. Buna çift parçalı FSDP ve Muon optimizer sharding eklenince, uzun dizili SFT’de cihaz başına throughput DDP tabanına göre yüzde 86 artmış. Blog yazısı çip üreticisinin ya da çip modelinin adını vermiyor, ben de tahmin yürütmeyeceğim. Ortada duran şu: bu boyutta bir model, Meituan’ın deyişiyle yerli AI hızlandırıcılarında eğitilip servis ediliyor ve tarifi herkesin okuyabileceği şekilde yazılmış. Bu kısım herhangi bir tablo satırından daha uzun yaşayacak. ## Görseli token’a çevirmek neyi kolaylaştırıyor? LongCat-2.5 görsel girdiyi çok katmanlı, ayrık token’lar halinde temsil ediyor. Bunun için doğal çözünürlükteki özellikler üzerinde Residual Vector Quantization kullanılıyor. Böylece omurga model görseli de metni de aynı token biçiminde görüyor. Asıl kazanç eğitimde. [Meituan’ın anlattığına göre](https://longcat.ai/blog/longcat-2.5) görsel token kimlikleri önceden hesaplanıp çevrimdışı önbelleğe alınabildiği için görsel kodlayıcı eğitim grafiğinden tamamen çıkıyor. Daha az hareketli parça, dev bir MoE’de daha kolay yük dengeleme. Küçük bir not: tanıtım sayfasındaki demo videolarının yerinde hâlâ “Demo footage coming soon” yazıyor. Görsel yetenekler şimdilik kâğıt üzerinde. ## Bugün kullanılabiliyor mu? API ve sohbet arayüzü üzerinden evet. Açık ağırlık olarak hayır. [Fiyat sayfasında](https://longcat.ai/platform/docs/pricing/longcat-2.5) kullandıkça öde modeliyle “Discounted Price (limited-time)” başlığı altında milyon token başına şu rakamlar var: önbelleğe alınmamış giriş 0,30 dolar, önbellekten gelen giriş 0,006 dolar, çıkış 1,20 dolar (¥2, ¥0,04 ve ¥8). Hemen altında “Prices are subject to change” notu duruyor. Yani bunlar lansman indirimi. Bütçeyi bu rakamların üstüne kurmak için erken. [Değişiklik kaydına](https://longcat.ai/platform/docs/change-log) göre model Claude Code, Codex ve Hermes gibi agent harness’leriyle çalışıyor. Gerçek iş üzerinde denemek bu yüzden zahmetsiz. Ağırlıklara gelince, tanıtım sayfasındaki GitHub ve Hugging Face düğmelerinde “Coming soon” yazıyor. Hugging Face’e ayrıca baktım. meituan-longcat hesabındaki en yeni model deposu 31 Jul 2026 tarihli LongCat-Flash-Lite-Sparse, LongCat-2.0 ise 5 Jul 2026 tarihli. LongCat-2.5 için depo yok, 2.5’e ait lisans da yayınlanmış değil. LongCat-2.0’ın MIT lisansıyla çıkmış olması 2.5’in de öyle çıkacağının garantisi sayılmaz. Jack Qiu’nun tavsiyesi yerinde: modeli kendi işleri üzerinde denemek, token başına fiyata değil biten iş başına toplam token maliyetine bakmak gerek. Ucuz görünen model bir işi kapatmak için çok daha fazla tur atıyorsa, o kadar da ucuz değildir. ## Bundan sonra neye bakacağız? İlk sırada ağırlıklar var. LongCat-2.5 lisansıyla birlikte Hugging Face’e düşmediği sürece, 2.0’ın MIT geçmişi ne derse desin, elimizdeki şey barındırılan bir ürün. Sonra fiyat. “Limited-time” ibaresinin bir bitiş tarihi var ama kimse söylemedi. Bir de bağımsız tekrar ölçümler. Özellikle Meituan’ın kendi koştuğu yıldızsız satırlar ve bütün sürümün üzerine oturduğu Terminal Bench v4.0’daki 3,0’dan 38,5’e sıçrama. Tarif ise şimdiden ortada. Modele tek bir token göndermeyecek olanlar için bile okumaya değer. ## Kaynaklar - [Meituan LongCat, “Introducing LongCat-2.5”](https://longcat.ai/blog/longcat-2.5) - [Meituan teknoloji ekibi, Çince sürüm (2 Kasım 2026)](https://tech.meituan.com/2026/11/02/Meituan-LongCat-2.5.html) - [LongCat API değişiklik kaydı, “Version: 2026-11-02, LongCat-2.5 Now Available”](https://longcat.ai/platform/docs/change-log) - [LongCat-2.5 API fiyatları](https://longcat.ai/platform/docs/pricing/longcat-2.5) - [Jack Qiu, LongCat-2.5 tablosunun satır satır analizi](https://www.jackqiu.co/en/blog/meituan-longcat/)