«Большинство нейросетей сначала учатся читать текст, и лишь потом к ним прикручивают зрение как внешнюю надстройку. LongCat 2.5 устроена иначе: она видит скриншот, чертёж или фотографию ровно так же, как читает обычное предложение», — так исследователь и практик ИИ-автоматизации Джулиан Голди сформулировал главное отличие нового релиза китайской корпорации Meituan.
Звучит амбициозно, правда? Когда выходит очередная открытая модель гигантского масштаба, у меня сразу включается здоровый скепсис: одно дело — слайды презентации, и совсем другое — рутина, где нужно без галлюцинаций разобрать кривой скан документа или собрать сервис по фото листка из блокнота. Давай проверим, на что способна мультимодальная модель LongCat 2.5 и как бесплатно подключить её зрительное ядро к своим ИИ-агентам. Проведём через весь разбор одну сквозную задачу: на столе лежит бумажный бланк инвентаризации и заказа со множеством граф, печатными кодами и пометками карандашом на полях, а от агента требуется вернуть валидный JSON с извлечёнными полями, структурированную таблицу и рабочий веб-интерфейс дашборда.
Китайский масштаб: как Meituan обучила модель на 1,6 трлн параметров и что показали бенчмарки
Почему сфотографированный на смартфон бланк с пометками от руки ставил в тупик половину чат-ботов? Всё упирается в устройство их «глаз». Традиционные мультимодальные системы строятся по обходной схеме: к текстовой модели сбоку пристыковывают внешний визуальный адаптер вроде CLIP или SigLIP. Он сжимает картинку в усреднённое описание и пытается «пересказать» её текстовому ядру. На плотном бланке или чертеже мелкие шрифты слипались, границы ячеек съезжали, а карандашная приписка в углу терялась по дороге.
Инженеры китайского техногиганта Meituan в LongCat 2.5 отказались от внешних прослоек и построили единый мультимодальный трансформер на трёх принципах:
- Нативная визуальная токенизация. Картинка переводится в те же базовые единицы — токены, — в каких модель читает обычный текст. Линия таблицы, рукописная цифра, стрелка на полях и буква живут в общем пространстве, поэтому нейросеть видит геометрию листа напрямую.
- Архитектура Mixture of Experts (смесь экспертов, или MoE). Общий объём весов достигает рекордных 1,6 триллиона параметров, но при обработке каждого токена маршрутизатор включает только нужных узких специалистов — около 48 миллиардов активных параметров. Это как конструкторское бюро, где над твоим чертежом работают три профильных инженера, а не вся тысяча сотрудников сразу.
- Контекстное окно в 1 000 000 токенов. Такой объём оперативной памяти позволяет загрузить в одну сессию десятки снимков бланков в высоком разрешении, документацию и код проекта целиком.
В тестах Meituan на глубокий веб-поиск и многошаговые рассуждения LongCat 2.5 набрала 91,9 балла, опередив актуальные модели OpenAI и Anthropic. А в бенчмарке по переводу текстовой идеи в 3D-сцену и код модель заняла первое место. Для нашего бланка это значит одно: нейросеть считывает связь между зачёркнутой строкой в таблице и карандашной сноской на полях.
Практика зрения: превращение набросков на салфетке в рабочий код и разбор скриншотов ошибок
Посмотрим, как эта архитектура решает нашу сквозную задачу в деле. Представь стартовую точку: перед нами бумажный бланк учёта и карандашный эскиз панели управления для мастерской свечей Ember & Oak. На листе от руки расчерчена таблица заказов, выведены четыре карточки ключевых метрик — 24, 37, 12 и 8 — плюс список из пяти имён менеджеров и пометки с датами отгрузки. Задача — без ручного перепечатывания получить чистый JSON со структурированной таблицей и живую панель управления в браузере.
При отправке фото включается Multimodal OCR (мультимодальное оптическое распознавание символов с сохранением семантической вёрстки). LongCat 2.5 отделяет печатную сетку бланка от карандашных вставок, привязывает каждую приписку к нужной графе и выдаёт валидированный JSON-объект и сводную таблицу. А следом в том же агентном цикле генерирует по наброску готовый фронтенд на React и Tailwind CSS — с интерактивными кнопками, графиком по тем же датам, списком из пяти имён и четырьмя карточками показателей (24, 37, 12 и 8).
Практический выигрыш ощущается сразу. Вместо двух часов ручной расшифровки почерка, переноса цифр в таблицу и постановки ТЗ верстальщику ты за пару минут получаешь пакет данных для базы и работающий интерфейс. Листок бумаги со стола напрямую превращается в цифровой продукт.
Помимо бланков и чертежей, Джулиан Голди проверил зрительное ядро ещё в трёх сценариях:
- Редизайн старых сайтов по скриншоту: по одному снимку захламлённой страницы со шрифтом Comic Sans и мелкой зелёной строкой в подвале, где прятались 15 названий ароматов, модель вычитала все 15 позиций, дала каждой отдельную карточку и собрала современный лендинг;
- Рекламная кампания по фото витрины: на снимке полки с бутылочками модель разглядела крошечную меловую табличку «Drying Flowers», вынесла фразу в слоган и свёрстала 6 форматов объявлений (от квадратного поста и сторис до баннера и карусели);
- Отладка по скриншотам консоли: получив снимок с краш-дампом браузера или ошибкой сборки, агент сопоставляет стек вызовов с файлами проекта и формирует патч.
Подключение за три команды: интеграция LongCat 2.5 в Hermes Agent через портал Nous
Чтобы поставить разбор документов и скриншотов на поток, модель встроили в открытый фреймворк Hermes Agent от лаборатории Nous Research. В честь релиза в облачном хабе Nous Portal открыли бесплатный доступ к API LongCat 2.5 на ознакомительную неделю.
Переключение терминального агента Hermes на новое зрение выполняется в три команды:
- Обновление клиента: запускаем
pip install --upgrade hermes-agentдля поддержки новых профилей. - Привязка ключа Nous Portal: сохраняем токен через
hermes config set api_key "nous-..."(или проходим авторизацию в браузере командойhermes auth add nous). - Выбор активной модели: выполняем
hermes model set longcat-2.5, назначая трансформер основным мозгом агента.
Перед переключением скопируй свой рабочий профиль Hermes и тестируй новинку на дубликате, чтобы не задеть настройки основного агента. И проверь параметры маршрутизации зрения (Switch Model Settings): по умолчанию агент может считать LongCat 2.5 текстовой моделью и отдавать картинки старому обработчику, поэтому передачу изображений напрямую в LongCat нужно включить явно.
После этого разбор бумажных бланков переезжает в операционную среду Hermes Agent OS. Инструкцию по извлечению JSON и вёрстке дашборда можно закрепить как навык (Skill), поставить на расписание (например, каждое утро в 8:00) и связать с Telegram, Slack или WhatsApp. Отправляешь фото накладной в чат со смартфона — а агент в фоне парсит поля, сверяет цифры через навык-инспектор и присылает готовый результат.
Цена и аппаратные требования: что нужно знать о размещении весов в продакшене
Когда бесплатная неделя в Nous Portal закончится, перед тобой встанет развилка: поднимать открытые веса самостоятельно или остаться на облачном API.
Попытка развернуть LongCat 2.5 на собственном «железе» ради автономности сразу упирается в объём видеопамяти (VRAM). Даже при 4-битном квантовании 1,6 триллиона параметров не влезут в обычный сервер — потребуется кластер минимум из 8 ускорителей NVIDIA H100 (80 ГБ). Содержать такую стойку рентабельно только крупным корпорациям с потоком тысяч документов в секунду.
Для разработчика и малого бизнеса куда выгоднее облачный доступ через Nous Portal в связке с Hermes. Так как архитектура MoE активирует лишь 48 миллиардов параметров на токен, стоимость запросов остаётся умеренной. При этом все навыки в Hermes не привязаны к одной нейросети: ты можешь включать LongCat 2.5 точечно для сложных чертежей, бланков и генерации UI по эскизам, а текстовую рутину в один клик переводить на лёгкие модели.
В итоге ответ на наш вопрос предельно практичен: LongCat 2.5 превращает камеру смартфона и скриншоты в прямой интерфейс управления агентами. Чтобы выжать из этой связки максимум, посмотри в наших прошлых материалах, как устроена экосистема Nous Research Hermes с изолированными песочницами и канбаном, и как настроить динамический роутинг задач между моделями через плагин Advanced Delegation. Сделай тестовую копию профиля в терминале, скорми агенту самый неразборчивый бланк со своего стола и оцени, сколько времени освобождает нативное машинное зрение.


