美団LongCat-2.5が1.6兆パラメータで米国勢に並ぶ 価格は50分の1

1.6兆パラメータの中国製モデルが、実務テストで米国勢に並んだ

2026年11月1日、美団（Meituan）のLongCatチームはLongCat-2.5を正式発表した。総パラメータ1.6兆、1トークンあたり約480億を動かす疎なMoEで、テキスト・画像・動画を入力できるネイティブ・マルチモーダルモデルだ。9月25日にLongCat-2.5-Previewとして先行公開されたものが、評価表と技術詳細を添えて本リリースに移った形になる。

注目すべきは派手さではなく、自前の評価表で米国のモデルに勝った項目が複数ある点だ。しかも学習と推論はNVIDIA製GPUではなく中国製アクセラレータで完結している。価格は100万トークンあたり入力0.30ドル／出力1.20ドル。同じ評価表に載るClaude-Opus-5（入力15ドル／出力75ドル）の50分の1以下である。

公式評価表で何が起きたか

以下はすべて美団の公式ブログ（longcat.ai/blog/longcat-2.5）の数値だ。*付きは他社の公開レポート・リーダーボード由来の引用値。

• Terminal Bench v2.1: 88.4 — GPT-5.5は83.2、Claude-Opus-4.8は74.6。GPT-5.6-Sol（88.8）、Claude-Opus-5（89.1）、Kimi K3（88.3）と同帯
• Terminal Bench v4.0: 38.5 — 旧世代LongCat-2.0は3.0、Claude-Opus-4.8は23.6
• DeepSWE v1.1: 64.6 — LongCat-2.0の9.7から6.7倍。GPT-5.5（67.0）に肉薄
• AutomationBench v1.0.6: 51.8 — GPT-5.5の39.7、Claude-Opus-5の50.3を上回る
• BrowseComp: 91.9 — GPT-5.5（84.4）、Claude-Opus-5（90.8）超え。Kimi K3（91.2）と並ぶ首位級
• JobBench: 65.4 — GPT-5.5の38.3、Claude-Opus-4.8の48.4に対し大きく上回る

一方で負けている項目もはっきりしている。NL2Repo 60.5（Claude-Opus-5は75.3）、SWE Atlas Test Writing 47.8（同62.2）、FORTE 83.3（Kimi K3は86.3）。Claude-Opus-5には総合でまだ届いていないのが正確な読み方だ。

「1.6兆を中国製チップで回す」の中身

技術ブログの記述のほうが実務者には効く。実装として語られているのは3点。

第一に、画像を離散トークンに変換して言語と同じ土俵に載せている。 解像度を保った特徴量をRVQ（残差ベクトル量子化）で多段の語彙トークンに変え、バックボーンには事前計算済みの画像トークンIDを流す。ビジョンエンコーダを学習グラフから外せるため、長系列のパッキングと分散学習のロードバランスが単純になる。3B級の小型MoEでのt-SNE検証では画像とテキストの埋め込みが同一空間で混ざるとしている（あくまで予備検証）。 第二に、W4A4推論。 エキスパートの重みと活性化の両方を4bitに量子化し、中国製チップのネイティブINT4演算ユニットで行列積を実行する。W8A8（INT8）比でプリフィル+43.3%、デコード+42.77%、TTFT 15.91%減、TPOT 19.72%減、GMMカーネルは平均1.73倍。精度劣化は「評価した下流タスクすべてで未量子化と同等」と主張する。 第三に、FSDPの二重シャード。 1基あたりメモリ80GB未満のアクセラレータで1.6兆モデルを学習するため、パラメータのFSDPシャードをスーパーノード内に閉じ込めつつ、FP32マスタ重みとオプティマイザ状態をHSDPレプリカでドメイン間に分散させる。長系列SFTでデバイスあたりスループットがDDP比+86%。

要するに「中国製チップはメモリ帯域が細い」という弱点を、量子化と並列設計の両面で埋めた格好だ。ここが実運用コストに直結する。

実務者は何をすべきか

まず価格差を自社のトークン量で掛け算しろ。 入力0.30ドル、出力1.20ドル、キャッシュヒット時は100万トークン0.006ドル。月1000万トークン（入出力半々）なら、LongCat-2.5は約7.5ドル、Claude-Opus-5は約450ドル。桁が2つ違う。 次に、公式ベンチを自社タスクの代理指標として信じすぎるな。 評価表の注記には*付きスコアが公開レポート由来で、それ以外は自社実行と明記されている。自社実行分はハーネス（Claude Code v2.1.280、max_seq_length=512Kなど）を美団が選んでいる。Terminal Bench v2.1を3回平均で取る点は誠実だが、ハーネスを変えれば順位は動く。導入判断は自社リポジトリで20〜50タスクを両モデルに走らせて比べるべきで、LongCat側が安いぶん気軽に試せる。 三つ目に、既存の開発環境との相性を確認する。 LongCat APIのドキュメントにはClaude Code、Hermes、OpenClaw、OpenCode、Kilo Codeとの協調動作が明記され、OpenAI互換とAnthropic互換の両形式を受け付ける。エージェント基盤を丸ごと替えるのではなくモデルIDだけ差し替える検証が最短だ。

オープンウェイトではない点に注意

今回のリリースで重みは公開されていない。ブログ上ではGitHubとHugging Faceのリンクが「Coming soon」のままだ。前世代のLongCat-2.0は中国製チップ向け推論コードごとオープンソース化されたが、2.5はまずAPI提供から入っている。

つまり自前ホスティングを検討している層には、現時点では選択肢にならない。API経由の従量課金で使うモデルとして評価するのが正しい。自前ホスティング必須なら、DeepSeekやKimi K3系の公開モデルとの比較になる。

まとめ

LongCat-2.5は「中国の安いモデルが米国製フロンティアに並んだ」というより、エージェント作業の一部カテゴリ（ターミナル操作、自動化、ブラウジング）で並んだと読むのが正確だ。NL2Repoやテスト生成ではまだ負けている。

価格差が50〜60倍ある以上、全部を置き換えるのではなく、コスト支配的なバッチ処理と精度支配的なコア開発を分けるのが現実解になる。まず1週間、非クリティカルなタスクで並行運用して失敗率を測るところから始めるべきだ。