LongCat-2.5 : un modèle d'IA qui code en regardant, de la maquette web à la scène 3D

Je regarde de près les modèles qui savent passer d'une image à du code. C'est ce qui permet un jour de transformer un croquis de mise en page en vraie page web. L'équipe LongCat a présenté le 1er novembre LongCat-2.5, un modèle multimodal pensé pour les longues tâches d'agent, et surtout pour le code.

Voir et écrire dans la même langue

L'idée la plus intéressante, c'est la façon dont il traite les images. Au lieu de brancher un module de vision à part, LongCat-2.5 découpe chaque image en tokens discrets, comme des mots, et les mélange au texte dans un seul flux. Le modèle « lit » donc une capture d'écran ou un visuel de la même façon qu'une consigne écrite. L'équipe explique que c'est ce qui l'aide à produire du code à partir d'éléments visuels, mais aussi à toucher au design et à la 3D.

Côté taille, on parle de 1 600 milliards de paramètres, dont environ 48 milliards actifs à chaque token. Le modèle a été entraîné par renforcement sur de longues tâches de développement : construire un projet entier, pas seulement corriger une fonction.

Les démos qui m'ont parlé

Parmi les exemples présentés, il y a une simulation de fluides en temps réel dans le navigateur, une exposition numérique en 3D et une ville miniature façon diorama. Les vidéos complètes sont annoncées « bientôt », donc je n'ai pas pu juger le rendu final par moi-même.

Mon avis

Les scores publiés placent LongCat-2.5 au niveau des grands modèles fermés sur plusieurs tests de code et d'agents, mais ce sont des chiffres fournis par l'équipe elle-même. Je préfère attendre des essais indépendants. L'approche « une image, c'est aussi du texte » reste celle que je surveillerai pour les outils créatifs.

Tous les détails techniques sont sur le blog officiel de LongCat.