Meituan lanza LongCat-2.5, el modelo chino con 1 millón de tokens de contexto que cuesta menos que los modelos líderes

<p>El 2 de noviembre de 2026, Meituan lanzó LongCat-2.5, un modelo de inteligencia artificial de arquitectura mezcla de expertos con 1,6 billones de parámetros totales y aproximadamente 48 000 millones de parámetros activos por token. Su ventana de contexto llega a 1 millón de tokens y permite salidas de hasta 128 000 tokens por respuesta. Meituan lo posiciona para trabajo agéntico de largo aliento: terminales, navegadores, interfaces gráficas, hojas de cálculo y herramientas de diseño.</p>

<p>El precio publicado en la plataforma de Meituan es de <strong>$0,30 por millón de tokens de entrada sin caché</strong>, $0,006 con caché y <strong>$1,20 por millón de tokens de salida</strong>, indicado como tarifa con descuento por tiempo limitado. Esa combinación de ventana de 1 millón de tokens y salida máxima de 128 000 tokens a $1,20 por millón de salida es la configuración que importa para agentes que acumulan contexto largo.</p>

<p>Un detalle práctico: la API de LongCat-2.5 acepta tanto el formato de OpenAI como el de Anthropic. Cambiar de Claude Code o de un cliente compatible con OpenAI a LongCat-2.5 requiere únicamente modificar la URL base, sin reescribir el código del cliente. Los pesos del modelo aún no son abiertos; Meituan anunció que publicará versiones en GitHub y Hugging Face, pero por ahora solo está disponible a través del servicio de chat y la API de la empresa.</p>

<h2>GDPx: el benchmark donde el mejor modelo solo acierta 1 de cada 8 tareas</h2>

<p>SemiAnalysis publicó GDPx, un benchmark de agentes de IA construido alrededor de tareas extraídas de trabajo económico real en 11 dominios. El resultado más llamativo: Claude Opus 5.5 lidera con apenas el <strong>12,0 %</strong> de tareas completadas. Gemini 4 Carbon le sigue con 10,9 % y GPT-6 Astra con 9,6 %. Las categorías de finanzas y derecho marcaron <strong>0 %</strong> en todos los modelos evaluados.</p>

<p>SemiAnalysis planea actualizar el benchmark cada tres a seis meses. Un benchmark donde el líder completa aproximadamente 1 tarea de cada 8 no mide capacidad actual: mide cuánto espacio de mejora queda. Eso es precisamente lo que lo hace útil para quien decide qué modelo usar en producción para trabajo económico o legal.</p>

<p>También esta semana, Momentic (YC W24) publicó QA Bench, una suite de 1 396 bugs reales en cuatro aplicaciones open source (Gitea, Metabase, Twenty y Saleor). Su propio agente Mo encontró alrededor de 269 de esos bugs en 60 minutos a un costo de aproximadamente $2,67 por bug. Codex con GPT-6.1 Sol, en su mejor configuración, encontró alrededor de 86 bugs a unos $0,80 cada uno. El benchmark fue construido por el mismo vendedor que lidera el ranking, lo que obliga a leerlo con esa reserva.</p>