Meituan a entraîné un modèle de 1,6 billion de paramètres sur du silicium national. Le plus ingénieux, c'est l'usage pour lequel il l'a construit.

Le 2 novembre, Meituan a publié LongCat-2.5, un modèle nativement multimodal de 1,6 billion de paramètres au total et d'environ 48 milliards activés par token.
Deux détails de cette annonce sont peu relayés hors de Chine. Le premier est que l'entraînement s'est déroulé entièrement sur du calcul chinois domestique, et Meituan affirme qu'il s'agit de la plus grande tâche d'entraînement achevée sur ce matériel. Le second est que le dirigeant de Meituan a déclaré publiquement que l'entreprise ne deviendrait pas une usine à tokens.
En les mettant ensemble, LongCat-2.5 ressemble moins à une tentative d'atteindre la frontière qu'à un très grand outil industriel conçu pour l'activité d'une seule entreprise.
L'architecture, en bref
Le côté visuel est la partie d'ingénierie intéressante. LongCat-2.5 représente les signaux visuels sous forme de tokens discrets à plusieurs niveaux plutôt que de transmettre des embeddings continus au socle linguistique. Suivant la méthode utilisée dans LongCat-Next, les caractéristiques à résolution native d'un encodeur sémantique et aligné passent par une quantification vectorielle résiduelle, qui transforme une image en quelque chose que le transformer peut traiter comme des tokens, de la même manière qu'il traite des mots.
Le résultat est un espace de tokens unique plutôt qu'un encodeur visuel ajouté après coup, ce qui explique pourquoi Meituan peut revendiquer une multimodalité native et citer des tâches comme les pages web interactives, les pages d'affichage 3D et la conception créative comme des choses que le modèle gère, plutôt que des choses auxquelles il a été adapté.
L'échelle d'entraînement est également documentée. L'entraînement intermédiaire a utilisé des séquences allant jusqu'à 1 million de tokens, avec des milliers de milliards de tokens d'entraînement cumulé. Le travail sur contexte long multi-cartes est là où la capacité mémoire et la communication entre cartes deviennent le goulot d'étranglement ; Meituan a donc optimisé le partitionnement des tâches autour de supernœuds, en gardant l'essentiel du trafic de paramètres et de données sur l'interconnexion rapide à l'intérieur d'un nœud plutôt qu'entre les nœuds.
Les chiffres d'efficacité sont concrets. En fine-tuning supervisé sur contexte long, le débit d'entraînement sur une seule carte a progressé de 86 % par rapport à une référence de parallélisme de données distribué, ce que Meituan présente comme une carte réalisant le travail d'environ 1,86. Pour l'inférence, le modèle utilise la quantification W4A4, en poussant à la fois les poids des experts et les activations à quatre bits, ajustée aux caractéristiques des accélérateurs domestiques. Par rapport à une référence W8A8 INT8, le débit du traitement des entrées et de la génération par token a augmenté d'environ 40 %, la latence du premier token a baissé d'environ 16 %, et le temps de génération par token a diminué d'environ 20 %, les performances sur les tâches en aval restant à peu près au même niveau.
Ce dernier ensemble de chiffres constitue la véritable réussite. Faire entraîner et servir un modèle de mille milliards de paramètres sur du matériel qui n'est pas le leader du marché est un problème d'ingénierie lié à la bande passante mémoire et à la communication ; la sortie par Meituan en juin 2026 de LongCat-2.0, premier modèle de mille milliards de paramètres entièrement entraîné et servi sur du calcul domestique, n'était que l'échauffement.
Benchmarks, avec la réserve d'usage
Meituan rapporte que LongCat-2.5 se situe entre Claude Opus 4.8 et Claude Opus 5 sur une série de benchmarks courants, et dépasse Opus 5 sur certains.
Ce sont des comparaisons rapportées par l'éditeur, face aux modèles d'un concurrent, sur une sélection de benchmarks réalisée par l'éditeur. À les considérer comme la preuve que le modèle est compétitif plutôt que comme un classement. Le signal plus utile est qu'une entreprise chinoise de services de proximité commercialise désormais un modèle dans la même conversation que la gamme frontière d'Anthropic, et publie en parallèle ses travaux sur l'efficacité de l'entraînement.
Pour quoi il a été construit
L'objectif de conception annoncé est celui des tâches d'agents à long horizon. La description de Meituan couvre l'ajout de données de trajectoires à long horizon à l'entraînement sur longues séquences, l'exécution d'apprentissage par renforcement à long horizon à grande échelle, et la conversion de vraies trajectoires d'échec d'agents en tâches d'entraînement reproductibles et vérifiables. Cette dernière pratique est celle que davantage de laboratoires devraient reprendre : transformer les échecs de votre propre agent en jeu de données coûte moins cher que d'extraire davantage de données d'Internet.
Puis vient la logique commerciale. Meituan exploite la livraison de repas, les services en magasin et le voyage dans des milliers de villes chinoises. Ses commerçants sont de petits opérateurs aux marges faibles. Depuis cette position, un meilleur chatbot se situe bien en dessous d'un logiciel qui lit les données de canaux d'un commerçant, lui indique où il perd de l'argent, puis agit en conséquence.
L'exemple publié par Meituan mérite d'être cité en détail. Dans une analyse d'exploitation de marque multicanale, le modèle a construit lui-même le compte de résultat par canal, puis a identifié que le GMV payant avait augmenté de 23,2 % tandis que le profit par canal avait baissé de 1,7 %. Il a relié cela à l'économie du déstockage, au comportement de réachat et au risque de stock, et a proposé une allocation différenciée des ressources.
Il s'agit d'une véritable chaîne analytique. Ce qui ressort, c'est que le modèle a choisi de calculer le taux de marge en même temps que le chiffre de croissance, ce que fait un opérateur expérimenté et qu'un tableau de bord ne fait pas.
Meituan a intégré cela dans un produit appelé Miaoshou, un poste de travail opérationnel IA pour les commerçants. Il comprend les indicateurs du secteur et les règles de marque, et, dans le cadre de l'autorisation du commerçant, il appelle des outils et des systèmes pour accomplir des tâches. Meituan indique qu'il sert déjà des chaînes dont Guming, Xushengji et Yihetang, pour l'analyse de marque, la gestion de magasin et l'acquisition de clients.
L'argument stratégique
La déclaration de Wang Xing lors de la conférence de résultats d'août est la déclaration la plus claire faite par un dirigeant de plateforme chinoise sur la stratégie de modèles. La valeur à long terme de l'IA, a-t-il dit, réside dans sa capacité à entrer réellement dans les flux de travail, à résoudre de vrais problèmes et à devenir une infrastructure stable. Meituan ne sera pas une usine à tokens. Ses modèles et produits existent pour soutenir l'activité principale.
À comparer avec le comportement des laboratoires de pointe au cours de l'année écoulée, et la différence est flagrante. OpenAI, Anthropic et Google construisent des modèles pour vendre des tokens et des abonnements. Meituan construit un modèle pour améliorer la marge d'une chaîne de thé au lait.
Les deux sont légitimes. Ils produisent des organisations très différentes. Une usine à tokens optimise pour la position de tête sur les benchmarks et le prix des API. Un modèle captif optimise pour le raisonnement spécifique dont un opérateur a besoin et pour le coût de son exécution à l'échelle de votre propre volume de transactions, ce qui explique pourquoi les travaux W4A4 comptent davantage ici qu'un score d'arène.
Le coût de service, le titre passé sous silence
La quantification en quatre bits mérite une note séparée, car elle répond à la contrainte qui limite réellement le déploiement hors d'un laboratoire.

Un modèle de 1,6 billion de paramètres avec 48 milliards de paramètres actifs par token n'a pas besoin du modèle entier en mémoire rapide pour un seul token, mais il a besoin que les experts actifs soient accessibles rapidement ; en quatre bits, les poids occupent une fraction de l'espace qu'ils occuperaient en seize bits. Meituan rapporte un débit supérieur d'environ 40 % sur le traitement des entrées comme sur la génération par token par rapport à une référence INT8, avec une latence du premier token en baisse d'environ 16 % et un temps par token en baisse d'environ 20 %, la qualité en aval se maintenant.
Pour une entreprise servant son propre volume de transactions, c'est la différence entre une fonctionnalité d'IA qui coûte plus que la marge qu'elle protège et une qui ne le fait pas. C'est aussi le genre de travail qui ne produit pas d'entrée dans un classement, ce qui explique qu'il soit rarement rapporté.
Les questions ouvertes
Meituan n'a pas publié les poids de LongCat-2.5, donc l'affirmation sur le calcul domestique ne peut pas être examinée de manière indépendante, et le modèle est disponible via longcat.ai et une API plutôt que sous forme de publication ouverte. Les gains d'efficacité sont mesurés par rapport à des références définies par Meituan.
Il y a aussi la tension habituelle des modèles captifs : plus il devient bon dans l'activité de Meituan, moins il peut être utile en dehors. Un modèle ajusté sur le compte de résultat des services de proximité peut être excellent en économie unitaire de restaurant et quelconque en rédaction juridique.
Pour tous ceux qui sont hors de Chine, l'enseignement à retenir est le passage de la contrainte du silicium domestique d'un problème de conformité à un programme d'ingénierie avec des chiffres de débit publiés. Dès qu'une entreprise peut entraîner 1,6 billion de paramètres et les servir en précision quatre bits sur du matériel qu'elle peut réellement acheter, l'écart pratique entre frontière et suiveur se réduit aux choses que l'argent ne peut pas corriger : les données, le goût et la distribution.
Articles associés
74 % : le chiffre qui décidera des trois prochaines années
Chez Nvidia, un point de marge brute vaut 3 milliards. À 74 %, puis 71 %, ce n'est pas une crise : c'est le chiffre qui dira si le marché croit encore au récit.
Trente-trois ans sans préparer de successeur
Un chasseur de têtes le dit sans détour : personne chez Nvidia n'a dirigé des milliers de personnes. La crise n'est pas le scandale, c'est l'organigramme.
99 milliards chez ses propres clients, et un nom technique embarrassant
Plus de 99 milliards investis chez ses propres clients. Lucent et Cisco l'ont fait avant elle, et l'histoire s'est mal terminée. La différence, cette fois, tient à un détail.
175 000 signatures, et un conseil qui compte autrement
175 000 signatures, dont 7 500 salariés, réclament le retour de Huang. Le conseil, lui, sait qu'une enquête non conclue rend tout retour impossible avant des mois.