«La mayoría de las redes neuronales primero aprenden a leer texto y solo después les acoplan la visión como un añadido externo. LongCat 2.5 funciona distinto: ve una captura de pantalla, un plano o una fotografía exactamente igual que lee una frase normal», así resumió el investigador y especialista en automatización con IA Julian Goldie la principal diferencia del nuevo lanzamiento de la corporación china Meituan.
Suena ambicioso, ¿verdad? Cada vez que sale otro modelo abierto de escala gigantesca, enseguida se me activa un escepticismo sano: una cosa son las diapositivas de presentación y otra muy distinta la rutina diaria, donde hace falta interpretar sin alucinaciones un escaneo torcido de un documento o montar un servicio a partir de la foto de una hoja de libreta. Comprobemos de qué es capaz el modelo multimodal LongCat 2.5 y cómo conectar gratis su núcleo visual a tus agentes de IA. Seguiremos todo el análisis con una tarea de principio a fin: sobre la mesa hay un formulario impreso de inventario y pedido con multitud de casillas, códigos impresos y anotaciones a lápiz en los márgenes, y el agente debe devolver un JSON válido con los campos extraídos, una tabla estructurada y una interfaz web funcional para el panel de control.
Escala china: cómo entrenó Meituan un modelo de 1.6 billones de parámetros y qué mostraron los benchmarks
¿Por qué un formulario fotografiado con el móvil y anotado a mano dejaba bloqueada a la mitad de los chatbots? Todo se reduce a cómo están construidos sus «ojos». Los sistemas multimodales tradicionales siguen un rodeo: al modelo de texto le acoplan por un lado un adaptador visual externo como CLIP o SigLIP. Este comprime la imagen en una descripción promediada e intenta «contársela» al núcleo textual. En un formulario denso o un plano técnico, las letras pequeñas se pegaban, los bordes de las celdas se desplazaban y la nota a lápiz de la esquina se perdía por el camino.
En LongCat 2.5, los ingenieros del gigante tecnológico chino Meituan prescindieron de capas intermedias externas y construyeron un transformer multimodal unificado sobre tres pilares:
- Tokenización visual nativa. La imagen se traduce a las mismas unidades básicas —tokens— con las que el modelo lee texto normal. Una línea de tabla, una cifra escrita a mano, una flecha en el margen y una letra conviven en el mismo espacio, de modo que la red neuronal percibe directamente la geometría de la hoja.
- Arquitectura Mixture of Experts (mezcla de expertos, o MoE). El volumen total de pesos alcanza la cifra récord de 1.6 billones de parámetros, pero al procesar cada token el enrutador activa solo a los especialistas necesarios: unos 48 mil millones de parámetros activos. Es como una oficina técnica donde sobre tu plano trabajan tres ingenieros especializados, y no los mil empleados a la vez.
- Ventana de contexto de 1,000,000 de tokens. Semejante memoria operativa permite cargar en una sola sesión decenas de fotos de formularios en alta resolución, documentación y el código completo de un proyecto.
En las pruebas de Meituan sobre búsqueda web profunda y razonamiento multipaso, LongCat 2.5 alcanzó 91.9 puntos, superando a los modelos actuales de OpenAI y Anthropic. Y en el benchmark de convertir una idea textual en escena 3D y código obtuvo el primer puesto. Para nuestro formulario esto significa algo muy concreto: la red neuronal capta la relación entre una fila tachada en la tabla y la nota a lápiz del margen.
Visión en la práctica: convertir bocetos en servilleta en código funcional y depurar capturas de errores
Veamos cómo resuelve esta arquitectura nuestra tarea de principio a fin. Imagina el punto de partida: tenemos un formulario de control en papel y un boceto a lápiz del panel de gestión para el taller de velas Ember & Oak. En la hoja hay una tabla de pedidos dibujada a mano, cuatro tarjetas con métricas clave —24, 37, 12 y 8—, además de una lista con cinco nombres de gestores y notas con fechas de envío. El reto consiste en obtener sin teclear nada a mano un JSON limpio con la tabla estructurada y un panel de control vivo en el navegador.
Al enviar la foto entra en acción el Multimodal OCR (reconocimiento óptico multimodal que conserva la maquetación semántica). LongCat 2.5 separa la rejilla impresa del formulario de las anotaciones a lápiz, vincula cada apunte con su casilla correspondiente y entrega un objeto JSON validado y una tabla resumen. Acto seguido, dentro del mismo ciclo del agente, genera a partir del boceto un frontend listo en React y Tailwind CSS, con botones interactivos, gráfico por esas mismas fechas, lista de cinco nombres y cuatro tarjetas de indicadores (24, 37, 12 y 8).
La ganancia práctica se nota al instante. En lugar de dos horas descifrando caligrafía a mano, pasando cifras a una tabla y redactando especificaciones para el maquetador, en un par de minutos obtienes el paquete de datos para la base y una interfaz operativa. Una hoja de papel sobre la mesa se transforma directamente en producto digital.
Además de formularios y planos, Julian Goldie probó el núcleo visual en otros tres escenarios:
- Rediseño de webs antiguas desde una captura: a partir de una sola imagen de una página recargada con fuente Comic Sans y una línea verde diminuta en el pie donde se escondían 15 nombres de aromas, el modelo leyó las 15 referencias, dio a cada una su tarjeta y montó una landing moderna;
- Campaña publicitaria desde la foto de un escaparate: en la fotografía de una estantería con frascos, el modelo distinguió un minúsculo cartel de tiza que decía «Drying Flowers», convirtió la frase en eslogan y maquetó 6 formatos de anuncio (desde publicación cuadrada y stories hasta banner y carrusel);
- Depuración por capturas de consola: al recibir un pantallazo con un volcado de fallo del navegador o un error de compilación, el agente cruza la traza de llamadas con los archivos del proyecto y genera el parche.
Conexión en tres comandos: integración de LongCat 2.5 en Hermes Agent mediante el portal Nous
Para llevar a producción el análisis de documentos y capturas, el modelo se integró en el framework abierto Hermes Agent del laboratorio Nous Research. Con motivo del lanzamiento, el hub en la nube Nous Portal abrió acceso gratuito a la API de LongCat 2.5 durante una semana de prueba.
Pasar el agente de terminal Hermes a esta nueva visión lleva tres comandos:
- Actualizar el cliente: ejecutamos
pip install --upgrade hermes-agentpara habilitar los nuevos perfiles. - Vincular la clave de Nous Portal: guardamos el token con
hermes config set api_key "nous-..."(o completamos la autorización en navegador conhermes auth add nous). - Elegir el modelo activo: ejecutamos
hermes model set longcat-2.5para asignar el transformer como cerebro principal del agente.
Antes de cambiar de modelo, duplica tu perfil de trabajo en Hermes y prueba la novedad sobre la copia para no tocar la configuración de tu agente principal. Y revisa los ajustes de enrutamiento visual (Switch Model Settings): por defecto el agente puede tratar LongCat 2.5 como un modelo solo de texto y enviar las imágenes al procesador antiguo, así que hay que activar explícitamente el envío directo de imágenes a LongCat.
Después de esto, el procesamiento de formularios en papel pasa al entorno operativo Hermes Agent OS. La instrucción para extraer JSON y maquetar el panel se puede fijar como habilidad (Skill), programar con horario (por ejemplo, cada mañana a las 8:00) y conectar con Telegram, Slack o WhatsApp. Envías la foto de un albarán al chat desde el móvil y el agente en segundo plano extrae los campos, verifica las cifras con una habilidad inspectora y devuelve el resultado listo.
Precio y requisitos de hardware: lo que debes saber sobre alojar los pesos en producción
Cuando termine la semana gratuita en Nous Portal, tendrás delante una bifurcación: levantar los pesos abiertos por tu cuenta o quedarte en la API en la nube.
El intento de desplegar LongCat 2.5 en hardware propio por autonomía choca de inmediato con la memoria de vídeo (VRAM). Incluso con cuantización de 4 bits, 1.6 billones de parámetros no caben en un servidor convencional: hará falta un clúster de al menos 8 aceleradores NVIDIA H100 (80 GB). Mantener un rack así solo resulta rentable para grandes corporaciones con un flujo de miles de documentos por segundo.
Para un desarrollador o una pyme sale mucho más a cuenta el acceso en la nube mediante Nous Portal combinado con Hermes. Como la arquitectura MoE activa solo 48 mil millones de parámetros por token, el coste por petición se mantiene moderado. Además, todas las habilidades en Hermes son independientes del modelo: puedes activar LongCat 2.5 de forma puntual para planos complejos, formularios y generación de UI desde bocetos, y pasar la rutina textual con un clic a modelos ligeros.
En definitiva, la respuesta práctica es clara: LongCat 2.5 convierte la cámara del móvil y las capturas de pantalla en una interfaz directa para controlar agentes. Para exprimir esta combinación, revisa en nuestros artículos anteriores cómo funciona el ecosistema Nous Research Hermes con sandboxes aislados y kanban y cómo configurar el enrutamiento dinámico de tareas entre modelos mediante el plugin Advanced Delegation. Haz una copia de prueba de tu perfil en la terminal, dale al agente el formulario más ilegible de tu mesa y calcula cuánto tiempo te libera la visión artificial nativa.

