Der Markt für Modelle mit offenen Gewichten bekommt Zuwachs: Meituan hat die Gewichte von LongCat-2.5 freigegeben, einem Modell mit 1,6 Billionen Parametern, das für den Einsatz in KI-Agenten ausgelegt ist. Offene Gewichte heißt, dass die trainierten Modellparameter heruntergeladen und auf eigener Infrastruktur betrieben werden können – im Unterschied zu Modellen, die ausschließlich über die API eines Anbieters erreichbar sind.

Bemerkenswert ist zweierlei: die gemessene Leistung bei Coding-Aufgaben und der Umstand, dass das Training vollständig auf chinesischer Hardware stattgefunden hat.

Die Zahl, auf die es ankommt

Bei Terminal Bench, einem Benchmark für Aufgaben in der Kommandozeile, erreicht LongCat-2.5 laut Meituan 88,4 Punkte. Damit liegt das Modell knapp hinter Claude Opus 5. Für ein Modell, dessen Gewichte frei verfügbar sind, ist das ein enger Abstand zur kommerziellen Spitze.

Terminal Bench prüft, ob ein Modell mehrstufige Aufgaben in einer Shell-Umgebung tatsächlich zu Ende bringt: Dateien anlegen, Befehle ausführen, Fehler interpretieren, nachbessern. Das kommt dem näher, was ein Coding-Agent im Projektalltag leisten muss, als klassische Frage-Antwort-Tests.

Eine Einschränkung bleibt bestehen, wie bei allen Benchmark-Angaben: Sie stammen vom Anbieter und beschreiben standardisierte Aufgaben. Ob ein Modell in einer konkreten Codebasis mit gewachsenen Strukturen, internen Konventionen und unvollständiger Dokumentation ähnlich gut abschneidet, lässt sich daraus nicht ableiten. Für diese Frage hilft nur ein eigener Test mit eigenen Aufgaben.

Der Haken liegt beim Betrieb

Offene Gewichte bedeuten nicht automatisch, dass ein Modell leicht zu betreiben ist. Bei LongCat-2.5 zeigt sich das deutlich: Die von Meituan dokumentierte Beispielkonfiguration läuft auf 194 Huawei-Ascend-Chips. Hinweise zum Betrieb auf Nvidia-GPUs fehlen.

Das hat praktische Folgen. Wer bislang mit Nvidia-Hardware plant – also mit dem, was in europäischen Rechenzentren und bei den meisten Cloud-Anbietern verfügbar ist – findet keine fertige Anleitung vor. Ob und mit welchem Aufwand sich das Modell portieren lässt, ist aus der Veröffentlichung nicht ersichtlich.

Für mittelständische Unternehmen ist der Eigenbetrieb eines Modells dieser Größenordnung ohnehin keine realistische Option. Fast zweihundert Beschleunigerkarten sind kein Serverschrank, sondern eine Rechenzentrumsinvestition. Der relevante Weg führt daher eher über Hosting-Anbieter, die solche Modelle als Dienst bereitstellen – sofern sich Anbieter finden, die die nötige Hardware betreiben.

Warum offene Gewichte trotzdem zählen

Auch wenn der eigene Betrieb ausscheidet, verändert eine Freigabe wie diese die Ausgangslage. Drei Punkte sind aus Projektsicht interessant:

  • Verhandlungsposition. Je mehr leistungsfähige Modelle mit offenen Gewichten verfügbar sind, desto weniger ist ein Projekt an die Preis- und Produktpolitik eines einzelnen Anbieters gebunden.
  • Standortwahl. Modelle mit offenen Gewichten können grundsätzlich dort betrieben werden, wo es rechtlich und organisatorisch passt. Das ist für Daten, die das Unternehmen nicht verlassen sollen, ein Argument – vorausgesetzt, ein geeigneter Betreiber steht zur Verfügung.
  • Planungssicherheit. Ein Modell, dessen Gewichte vorliegen, kann nicht über Nacht abgeschaltet oder stillschweigend verändert werden. Bei API-Modellen ist beides in der Vergangenheit vorgekommen.

Gleichzeitig sollten die Grenzen klar benannt werden. Offene Gewichte sind nicht dasselbe wie Open Source: Trainingsdaten und Trainingscode sind damit nicht zwingend offengelegt, und die Lizenzbedingungen können die kommerzielle Nutzung einschränken. Wer ein solches Modell produktiv einsetzen will, sollte die Lizenz vorab prüfen lassen.

Was die Hardware-Frage signalisiert

Dass LongCat-2.5 vollständig auf chinesischer Hardware trainiert wurde, ist technisch wie strategisch ein Signal. Es zeigt, dass Modelltraining in dieser Größenordnung nicht mehr ausschließlich auf einem Hersteller-Ökosystem beruht.

Für Projektverantwortliche folgt daraus vor allem eine Beobachtungsaufgabe. Wenn sich Modell-Ökosysteme entlang unterschiedlicher Hardware-Plattformen ausdifferenzieren, wird die Frage „Läuft das auf der Infrastruktur, die wir nutzen können?“ zu einem eigenständigen Auswahlkriterium – neben Leistung, Kosten und Lizenz.

Ein pragmatisches Vorgehen

Für Unternehmen, die KI-gestützte Entwicklung planen, ergibt sich aus solchen Veröffentlichungen kein Handlungsdruck, aber eine Empfehlung zur Architektur:

  1. Modellzugriff abstrahieren. Wenn Anwendungen nicht direkt gegen die Schnittstelle eines einzelnen Anbieters programmiert werden, sondern gegen eine eigene Zwischenschicht, bleibt ein Wechsel eine Konfigurationsfrage statt eines Umbaus.
  2. Eigene Testfälle aufbauen. Eine kleine Sammlung typischer Aufgaben aus dem eigenen Projektalltag sagt mehr über die Eignung eines Modells aus als jede Benchmark-Tabelle.
  3. Anforderungen trennen. Nicht jede Aufgabe braucht das stärkste verfügbare Modell. Wer Aufgabentypen und Modellklassen sauber trennt, senkt Kosten und reduziert die Abhängigkeit von einem einzelnen Spitzenmodell.

Einordnung für die Projektpraxis

Für Web- und Softwareprojekte verschiebt LongCat-2.5 weniger die Werkzeugauswahl von heute als die Erwartung an morgen: Der Leistungsabstand zwischen offenen und geschlossenen Modellen bei Coding-Aufgaben wird kleiner, und das stärkt die Position derer, die Datenhoheit und Anbieterunabhängigkeit als Anforderung formulieren. Kurzfristig bleibt der Betrieb solcher Modelle wegen des Hardware-Bedarfs aber Sache spezialisierter Anbieter. Die sinnvolle Konsequenz ist deshalb nicht der sofortige Wechsel, sondern eine Architektur, die einen Wechsel später ohne größeren Aufwand erlaubt.

Quellen