Meituan ने LongCat-2.5-Preview मॉडल जारी किया: 1.6 ट्रिलियन पैरामीटर और 1 मिलियन टोकन संदर्भ वाला मल्टीमॉडल एजेंट

मिनीमैक्स कंपनी ने 27 सितंबर, 2026 को घोषणा की कि M3.1-Flash-Preview मॉडल अब कोड लिखने में सहायता करने वाले अपने उत्पाद MiniMax Code के भीतर उपलब्ध है। यह जानकारी IT Home, स्टार्टअप फॉर्च्यून और डेवलपर्स के लिए अन्य समीक्षाओं सहित स्रोतों द्वारा पुष्टि की गई थी। उत्पाद का आधिकारिक अंग्रेजी नाम MiniMax / MiniMax Code है।

इस समीक्षा में मुख्य ध्यान उत्पाद के भीतर कोडिंग मॉडल और तर्क नियंत्रण तत्वों पर है। हालांकि, मिनीमैक्स ने अभी तक M3.1-Flash-Preview के लिए पूर्ण सार्वजनिक विनिर्देश या खुला एपीआई प्रकाशित नहीं किया है, इसलिए इन विवरणों की पुष्टि नहीं की जा सकती है।

कंपनी का विपणन संदेश इस प्रीव्यू मॉडल को दैनिक विकास के लिए डिज़ाइन किए गए अल्ट्रा-फास्ट टेक्स्ट मॉडल के रूप में प्रस्तुत करता है। यह बग फिक्सिंग, फ़ंक्शन स्निपेट बनाने, सीमा हैंडलिंग, रिग्रेशन टेस्टिंग और परिवर्तनों के प्रभाव की जांच जैसे कार्यों के लिए उपयुक्त है, न कि सामान्य चैट के लिए एक नया फ्लैगशिप मॉडल।

समीक्षाएं मिनीमैक्स कोड के भीतर एक बंद लूप ऑपरेशन का वर्णन करती हैं, जो समस्या के स्थानीयकरण और उसके कार्यान्वयन, साथ ही परीक्षण और बाद की डिलीवरी के माध्यम से सत्यापन को कवर करता है। डेवलपर्स, जिन्होंने आधिकारिक घोषणा से एक दिन पहले उत्पादों की सूची में मॉडल देखा था, इसे पुराने M3 और M2.7 विकल्पों के साथ एक ही इंटरफ़ेस में सह-अस्तित्व वाले कोडिंग वर्कलोड के लिए एक SKU के रूप में देख रहे थे।

अंग्रेजी भाषा में उत्पाद रिपोर्टों में चिह्नित व्यावहारिक अंतर तर्क संसाधन स्लाइडर है जिसमें पांच स्तर हैं, जो निम्न से नए अधिकतम स्तर तक फैला हुआ है। यह स्लाइडर उपयोगकर्ताओं को नियमित या अधिक जटिल कोडिंग कार्यों के दौरान गणना की गहराई और विलंबता के बीच संतुलन बनाने की अनुमति देता है। यह नियंत्रण MiniMax Code के भीतर स्थित है; प्रीव्यू एंडपॉइंट को इस लॉन्च के हिस्से के रूप में व्यापक रूप से प्रलेखित सार्वजनिक एपीआई के बजाय कंपनी के अपने टूल द्वारा सीमित बताया गया है।

समांतर गतिविधियों में टोकन प्लान रीसेट और 28 सितंबर से 7 अक्टूबर तक की जांच अभियान शामिल है, जो कोड मॉडल, जिसमें M3.1-Flash-Preview शामिल है, पर लागू होने वाले दोहरे अंक प्रदान करता है। उपयोगकर्ताओं को याद रखना चाहिए कि M3 आर्किटेक्चर और SWE-bench मेट्रिक्स पिछले फ्लैगशिप M3 से संबंधित हैं, न कि स्वचालित रूप से Flash-Preview से, जब तक कि मिनीमैक्स एक विशेष कार्ड जारी नहीं कर देता।

कोडिंग टूल उपयोगकर्ताओं के लिए मुख्य खबर यह है कि MiniMax Code को स्पष्ट तर्क प्रयास स्लाइडर के साथ एक कोडिंग मॉडल Flash-Preview प्राप्त हुआ है - यह एक ऐसा घटक है जो विकास वातावरण (IDE) में अंतर्निहित है, न कि ओपन-वेट्स रिलीज़।

स्टेपफन कंपनी ने स्टेप 5 मॉडल का प्रीव्यू जारी किया है, जो एक बेस मॉडल है जिसमें स्पार्स मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) आर्किटेक्चर है और इसमें लगभग 600 बिलियन कुल पैरामीटर हैं, जबकि प्रति टोकन लगभग 27 बिलियन सक्रिय होते हैं। यह रिलीज़ लंबे समय तक चलने वाले एजेंट वर्कलोड पर केंद्रित है, जिसमें एआई का उपयोग करके कोड विकास, सॉफ्टवेयर इंजीनियरिंग, वित्तीय विश्लेषण और पेशेवर ज्ञान कार्य शामिल हैं। मॉडल एक मिलियन टोकन की संदर्भ विंडो का समर्थन करता है और पाठ और ग्राफिक दोनों इनपुट स्वीकार करता है। स्टेपफन ने बताया कि एपीआई के माध्यम से एक्सेस पहले ही खोल दिया गया है, और मॉडल वेट्स 15 अक्टूबर को सार्वजनिक रूप से उपलब्ध होने की योजना है।

नेटवर्क का विस्तार करने के बजाय, स्टेप 5 प्रीव्यू 92 परतों वाला एक संकीर्ण, गहरा ट्रांसफार्मर आर्किटेक्चर उपयोग करता है। कंपनी का दावा है कि गहरे स्टैक लंबी सूचना पासिंग पथ प्रदान करते हैं, जो लंबे प्रीफिलिंग के दौरान निहित बहु-चरणीय तर्क के लिए आवश्यक है, जब एजेंट टूल का उपयोग करके खोज करते हैं, कोड चलाते हैं और परिणामों को संसाधित करते हैं। एक मिलियन टोकन की सत्र व्यावहारिकता का समर्थन करने के लिए, मॉडल ब्लॉक द्वारा टोकन को समूहीकृत करने के साथ स्पार्स ग्रुपेड-क्वेरी अटेंशन (Sparse Grouped-Query Attention) को शामिल करता है। स्टेपफन के अनुसार, यह सघन बेस मॉडल की तुलना में इंडेक्सर और टॉप-के चयन की लागत को लगभग आठवें हिस्से तक कम करता है, जबकि ओवरलैपिंग पड़ोसी चयन को भी जोड़ता है।

प्रशिक्षण प्रक्रिया में नीति पर दीर्घकालिक क्षितिज के साथ सुदृढीकरण शिक्षण (on-policy long-horizon reinforcement learning) पर जोर दिया गया है, साथ ही MoE रूटिंग स्तर पर बिट स्तर पर प्रशिक्षण और अनुमान के संरेखण पर भी ध्यान दिया गया है। इसके अलावा, लोड-जागरूक शेड्यूलिंग (load-aware scheduling), MTP-3 स्पेक्युलेटिव डिकोडिंग, FP8 MoE और KV-कैश ऑफलोडिंग जैसी तकनीकों का उपयोग किया जाता है। स्टेपफन ने दीर्घकालिक क्षितिज के लिए एंड-टू-एंड आरएल प्रक्रिया में तीन गुना से अधिक त्वरण और नमूना रजिस्ट्री पर हानि मेट्रिक एक प्रतिशत से नीचे दर्ज की है। इस मॉडल का उपयोग मानव-नियंत्रित डेटा पाइपलाइन के भीतर भी किया जाता है, जो विज्ञान, सॉफ्टवेयर विकास और मशीन लर्निंग अनुसंधान को कवर करते हुए लाखों पैमाने पर सत्यापन योग्य जटिल कार्य उत्पन्न करता है।

एआई विश्लेषण के संबंध में, स्टेप 5 प्रीव्यू इंटेलिजेंस इंडेक्स पर लगभग 44 अंक प्राप्त करता है, जिसे स्टेपफन इस रेटिंग सिस्टम में ओपन-वेट्स मॉडलों में सर्वश्रेष्ठ में से एक के रूप में वर्गीकृत करती है। प्रकाशित कीमतों के अनुसार एपीआई की लागत प्रति मिलियन इनपुट टोकन पर लगभग 1 डॉलर और प्रति मिलियन आउटपुट टोकन पर 2.7 डॉलर है, जिसका आउटपुट गति लगभग 100 टोकन प्रति सेकंड है। मॉडल का मुख्य ध्यान वास्तुकला और एजेंट दक्षता पर है, जो इसे पिछले रिलीज़ स्टेप 3.5 फ्लैश और स्टेप 3.7 फ्लैश से अलग करता है, जो अक्टूबर में वेट्स उपलब्ध होने से पहले गहराई, स्पार्स लॉन्ग कॉन्टेक्स्ट और विश्वसनीय मल्टी-स्टेज टूल उपयोग पर जोर देता है।

TaichuAI कंपनी ने ZDTaichu5.0-9B मॉडल को सार्वजनिक रूप से उपलब्ध कराया है। यह मल्टीमॉडल फाउंडेशन मॉडल लगभग 9 अरब मापदंडों का है और सामान्य दृश्य समझ, स्थानिक तर्क, एजेंट टूल के उपयोग और एम्बोडीड एआई में अनुसंधान के लिए डिज़ाइन किया गया है।

मॉडल की वास्तुकला Qwen3.5-9B भाषा बैकबोन को C-RADIOv4-H दृष्टि एन्कोडर के साथ जोड़ती है। मॉडल पाठ के साथ-साथ किसी भी रिज़ॉल्यूशन की एक या अधिक छवियों और वीडियो को इनपुट के रूप में स्वीकार करता है, जो 128 हजार टोकन तक के संदर्भ की लंबाई का समर्थन करता है। TMTPost द्वारा 15 सितंबर को प्रकाशित इस प्रकाशन में वास्तविक दुनिया में स्थान की धारणा, विभिन्न दृश्यों के बीच रूपांतरण और एम्बोडीड सिस्टम के लिए कार्य योजना पर ध्यान केंद्रित किया गया था।

मॉडल के सार्वजनिक कार्ड के अनुसार, TaichuAI व्यापक दृश्य कार्यों की एक विस्तृत श्रृंखला में लगभग 10-बिलियन सामान्य VLM के बीच उत्कृष्ट परिणाम प्रदर्शित करता है, साथ ही स्थानिक, एम्बोडीड और एजेंट परिदृश्यों में अपनी क्षमताओं का विस्तार करता है। स्थान और एम्बोडमेंट के क्षेत्र में उल्लेखनीय मेट्रिक्स में ViewSpatial 62.50, MMSI-Bench 47.20, MindCube-tiny 78.27, ERQA 48.00 और RoboSpatial 56.00 शामिल हैं।

एजेंट और निर्देश सेटों के संबंध में, मूल्यांकन कार्ड पर नोट्स में बताए गए TAU2-Bench 87.70 का स्कोर प्राप्त करता है, जबकि Claw-Eval का औसत स्कोर 71.40 है, और IFEval 93.70 दिखाता है। एंट्रॉपी-प्राथमिकता वाले अनुकूली पुनरावर्ती तर्क तंत्र का वर्णन एक ऐसे तंत्र के रूप में किया जाता है जो अधिक जटिल टोकन के लिए लेटेंट वेरिएबल्स के अतिरिक्त परिशोधन चरणों को उजागर करता है।

मॉडल की क्षमताएं ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) और दस्तावेज़ समझ, छवियों पर गणित, सूक्ष्म द्वि-आयामी संबंधों, कई दृश्यों के जुड़ाव, त्रि-आयामी दृश्यों और परिप्रेक्ष्य की धारणा, और लंबी संदर्भ विंडो के भीतर कई छवियों और वीडियो को ट्रैक करने, जिसमें बहु-चरणीय टूल उपयोग की योजना बनाना शामिल है, तक फैली हुई हैं। हालांकि, उपकरणों का वास्तविक निष्पादन होस्ट एप्लिकेशन की जिम्मेदारी बनी रहती है।

कार्ड पर सूचीबद्ध स्थानिक शिक्षण विषयों में सापेक्ष संबंध, सघन गणना और फ्रेम, कैमरा गति और गहराई का क्रमबद्धीकरण, ईगोसेंट्रिक बनाम एलोसेंट्रिक दृश्य, और VLA शैली में अनुकूलन के लिए उच्च-स्तरीय क्षमता निर्धारण और कार्रवाई योजना शामिल है।

मॉडल के वज़न Hugging Face पर TaichuAI/ZDTaichu5.0-9B पर NVIDIA ओपन मॉडल लाइसेंस के तहत रखे गए हैं, जबकि Qwen3.5 के Apache-2.0 नोटिस बरकरार रहते हैं। सेवा के लिए कस्टम vLLM 0.26.0 शाखा और OpenAI के साथ संगत एंडपॉइंट प्रदान करने के लिए TaichuAI का Docker इमेज उपयोग किया जाता है, जिसमें स्थानिक लगाव और सामान्य कार्यों के लिए अनुशंसित नमूनाकरण सेटिंग्स होती हैं।

अन्य विक्रेताओं द्वारा प्रस्तुत मॉडलों के समान, बाहरी प्रयोगशालाओं को बेंचमार्क मेट्रिक्स को स्वतंत्र पुनरुत्पादन के परिणामों के सामने निर्दिष्ट प्रॉम्प्ट और जजों के साथ घोषित माना जाना चाहिए। हालांकि, मध्यम आकार के ओपन मल्टीमॉडल चेकपॉइंट, स्थान और एजेंटों पर जोर, और तैयार vLLM पैकेजिंग का संयोजन शोधकर्ताओं को मूल्यांकन के लिए एक ठोस कलाकृति प्रदान करता है।