Meituan выпустила LongCat-2.5, мультимодель с 1,6 триллиона параметров для кодирования агентов с длинным горизонтом

Китайская компания, специализирующаяся на программном обеспечении для редактирования изображений и дизайна Meitu, увеличила базу платных подписчиков примерно на 1,39 миллиона в третьем квартале. Таким образом, к концу сентября общее число подписчиков достигло 19,83 миллиона.

Эти финансовые показатели были раскрыты компанией в бизнес-отчете от 23 октября. Доходы от продуктов компании в сфере изображений и дизайна за отчетный квартал составили около 1 миллиарда юаней, что демонстрирует рост на 28,2% по сравнению с аналогичным периодом прошлого года.

Кроме того, годовой регулярный доход от приложений, обеспечивающих продуктивность с использованием искусственного интеллекта, увеличился на 40,1%, достигнув 655 миллионов юаней. Эти цифры подчеркивают возрастающую значимость инструментов для творчества и повышения производительности, основанных на подписке, в бизнесе Meitu, поскольку компания выходит за рамки своего первоначального фокуса на редактировании фотографий для потребителей.

Команда по мировым моделям компании ShengShu Technology начала прямую трансляцию полного процесса обучения Motubrain 2.0, следующей версии ее модели воплощенного искусственного интеллекта для роботов. Трансляция стартовала 21 октября и запланирована на продолжительность около двух недель.

Компания сообщила, что Motubrain 2.0 скоро будет выпущена в открытый доступ, и решила продемонстрировать процесс обучения до этого релиза.

Модели Motubrain представляют собой семейство фундаментальных моделей роботов от ShengShu, цель которых — предоставить роботам универсальный мозг, способный применять навыки в различных задачах, сценариях и на разных типах роботов. Первая версия Motubrain была представлена в апреле как модель мирового действия. Стоит отметить, что ShengShu более известна своими моделями генерации видео Vidu.

Структура трансляции

Прямая трансляция разделена на четыре этапа. Этап предварительного обучения исследует, как масштаб обучения влияет на производительность и способность к обобщению в условиях нулевого выстрела. Последующее обучение фокусируется на выполнении конкретных задач для улучшения исполнения. Затем следует этап задач агента, который проверяет, может ли модель переносить полученные знания на другие задания. Финальный этап посвящен рекурсивному самосовершенствованию, чтобы выяснить, способен ли модель оценивать свои действия на основе обратной связи от выполнения и улучшать их.

На странице трансляции в режиме реального времени отображаются шаги обучения и показатели успешности оценки по мере их обновления.

Основная идея этой демонстрации — прозрачность. Обычно прогресс в области воплощенного ИИ оценивается внешними наблюдателями через отполированные демонстрации роботов, таблицы бенчмарков и научные статьи, которые мало раскрывают, как именно формируются возможности в процессе обучения или какие проблемы возникают. ShengShu утверждает, что трансляция покажет не только успехи, но и ошибки, процесс проб и ошибок, а также корректировки, и надеется поделиться с другими исследователями открытыми вопросами, касающимися масштабирования, кросс-задачного обобщения и автономного улучшения.

Этот шаг соответствует более широкой тенденции среди китайских команд в сфере ИИ, которые публично делятся прогрессом обучения. Ранее Ло Фули, руководитель моделей MiMo от Xiaomi, опубликовал детали этапа обучения с подкреплением для MiMo-V2.6.

Тем не менее, существуют ограничения тому, что может доказать прямая трансляция. Веса модели еще не выпущены, и сама компания заявляет, что исследование остается исследовательским, и результаты потребуют последующих экспериментов и оценки для подтверждения. Анонс был предоставлен ShengShu и освещен китайскими технологическими СМИ. Реальным испытанием станет выпуск в открытый доступ и соответствие его бенчмарков тому, что показано в стриме.

Лаборатория XingChen AGI при China Telecom Artificial Intelligence Technology сделала доступной модель Xing4.0-29B-Intent. Эта модель предназначена для выполнения узкой, но крайне важной задачи в области ИИ-агентов: определение желаний пользователя и последующее заполнение точных параметров, необходимых системе для выполнения этих действий.

Многие модели, предназначенные для определения намерений, ограничиваются лишь классификацией. Они могут распознать, что пользователь хочет настроить освещение, однако не могут уточнить, какие именно лампы, на какой уровень или какие устройства следует оставить без изменений. Модель Xing4.0-29B-Intent объединяет классификацию намерений и извлечение параметров в рамках одного прохода.

При получении схемы, модель выдает унифицированную структуру в формате JSON, которая включает поле категории для обнаруженного намерения и поле аргументов (args), содержащее извлеченные сущности, значения и атрибуты. Если в одном предложении содержится несколько команд, модель генерирует несколько намерений, каждое со своими аргументами.

Модель была дообучена на базовой модели XingChen 29B и оптимизирована для семантического парсинга и генерации структурированного вывода. Команда разработчиков сообщила, что задержка при сквозном выводе составляет менее 150 миллисекунд, а ограничение вывода схемой минимизирует ошибки форматирования.

Согласно результатам тестирования, команда зафиксировала показатель Micro-F1 при холодном старте в режиме zero-shot на уровне 70.27, что, по их утверждению, превосходит GPT-4.1, а также достигла показателя точного соответствия в 61%. При более широкой оценке, охватывающей распознавание именованных сущностей, извлечение отношений, извлечение событий и понимание разговорной речи, общая оценка составила 58, что на девять пунктов выше, чем у Gemini-3.6-Flash, занявшего второе место. Эти результаты являются собственными данными команды.

В практических тестах, опубликованных Zhidx, модель успешно разделяла настройки для различных источников света в одной команде, игнорировала устройства, которые пользователь попросил не трогать, сохраняла первоначальную продолжительность встречи в 30 минут на протяжении нескольких раундов изменений, а также не рассматривала инструкции, написанные внутри меморандума, как новые задачи. Однако в одном тесте с автомобильным окном модель допустила ошибку, вернув настройку 0% для задних стекол, что могло изменить их текущее положение.

Выпуск включает не только веса модели. Для обучения было использовано 2,753 миллиона образцов контролируемого тонкого тюнинга, собранных из 61 общедоступного набора данных по 19 областям и на 52 языках, что команда называет крупнейшим корпусом для понимания намерений в открытом доступе. Связанные работы по данным намерений для телефонных взаимодействий были приняты на конференцию EMNLP 2026. Код доступен на GitHub в рамках проекта TeleChat-USP под лицензией Apache 2.0, тогда как сама модель и набор данных размещены на Hugging Face и ModelScope вместе с SDK для инференса и официальным образом.

Планируемые сферы применения включают умные пространства, бортовые помощники в автомобилях, офисные рабочие процессы и личные агенты.