LongCat 2.5 : test, points forts et limites

LongCat 2.5 mérite un essai contrôlé pour le code et les tâches visuelles, sans justifier encore un agent de production autonome. Dans deux tâches Tabbit, il a correctement calculé un tableau et proposé une correction utile, mais expliqué à tort deux résultats du code initial.

L’évaluation officielle annonce 88,4 sur Terminal Bench v2.1 contre 70,8 pour 2.0. Ces résultats dépendent du protocole du fournisseur et ne sont pas une probabilité de réussite sur votre projet.

À retenir

• Le fournisseur décrit 1,6 billion de paramètres au total et environ 48 milliards actifs par token.

• Les scores dépendent du banc de test et ne sont pas une reproduction indépendante.

• Les retours Preview mêlent appréciations et boucles d’outils ; ils ne prouvent pas le comportement de la nouvelle version.

• Les poids étaient encore annoncés comme prochains le 3 novembre.

• Vérifiez disponibilité, confidentialité et tarif avant de donner accès à des fichiers ou outils.

LongCat 2.5 en bref

Voir la présentation de LongCat 2.0 et le guide du navigateur agentique pour distinguer modèle et client.

Deux essais Tabbit avant les classements

Le 3 novembre, nous avons choisi LongCat-2.5 dans Tabbit Browser Dev, en mode chat, sans outil d’écriture. Critères définis avant essai ; une exécution par tâche dans la même conversation. Instantané du modèle, fournisseur, réglage de raisonnement, tokens et coût inconnus. Aucun taux de réussite ni disponibilité générale ne peut en être déduit.

Sur trois séries de nombres fictifs, il a calculé +6, +6 et −6 et identifié l’égalité. La réponse était en chinois dans un environnement chinois ; la demande anglaise ne précisait pas la langue de sortie.

Pour une fonction JavaScript, la correction filtrait les nombres finis non négatifs et renvoyait null si la liste était vide. Son exécution locale a donné les cinq résultats attendus. Mais l’explication du code initial était fausse deux fois : [NaN, 4] renvoie 4, pas NaN ; [0] déclenche TypeError, pas NaN. Le modèle a proposé des tests sans montrer leur exécution. Nous n’avons pas testé la modification autonome d’un dépôt.

Retours : distinguer Preview et version de novembre

Un utilisateur Reddit indique que Preview a tourné en boucle sur cinq classes C# dans OpenCode sans finir en vingt minutes ; entrée et configuration complètes manquent. Un autre essai Preview rapporte 48,7 % pass@1 et 64,0 % pass@3 sur 89 tâches, trois fois chacune, avec une panne persistante sur une tâche. Les conditions diffèrent de celles de la version ultérieure : comparaison directe impossible.

Un témoignage sur DEV préfère la gestion du contexte et des outils de Preview sur plusieurs projets, sans publier les prompts complets ni de journaux contrôlés.

Sur Hacker News, InsideOutSanta apprécie une image de pélican à vélo sans détailler tout le protocole. vfosnar rapporte une saisie défectueuse sous Firefox et des recherches répétées, qu’il attribue prudemment au client. swiftcoder décrit une utilisation simple de Preview en code, sans détails. Ce sont des expériences individuelles.

L’évaluation TOKRACE présente 15 tâches créatives avec la version de novembre dans Claude Code : une étagère respecte les dimensions ; un réducteur utilise 140 mètres au lieu de 140 millimètres et ne livre pas la vidéo demandée ; un graphique invente année, unités et source. Ces résultats tiers dépendent de leur configuration.

Benchmarks officiels et conditions

Source officielle, consultée le 3 novembre 2026. Sauf indication contraire : thinking actif, température 1 et top-p 0,95. Terminal v2.1 utilise Claude Code v2.1.280, 512K de séquence maximale et la moyenne de trois essais. BrowseComp utilise un harness interne, deux outils et 1 024 tours au maximum ; Vision2Web emploie une autre version de Claude Code et 256K. Les scores concurrents mêlent sources externes et mesures du fournisseur. Ne comparez pas v2.1 à v4.0 et n’en déduisez ni coût ni réussite réelle.

Trois usages à essayer

Code en plusieurs étapes

Le progrès annoncé sur terminal justifie un essai borné avec tests.

Recherche sur des sources publiques

BrowseComp donne une piste pour la recherche publique, sans garantir le comportement sur un site connecté.

Entrée visuelle

L’entrée visuelle permet d’essayer une page depuis une capture, mais le rendu, l’accessibilité et le code doivent être vérifiés. Le guide d’automatisation décrit le flux, pas la qualité du modèle.

Trois limites

Le client change le résultat

Le client influe sur les outils et les boucles : limitez les appels et relisez les fichiers, selon ces bonnes pratiques Tabbit.

Poids en attente

Les poids 2.5 restaient annoncés comme prochains.

Prix et données

La page tarifaire officielle indiquait le 3 novembre ¥2/¥0,04/¥8 par million de tokens pour l’entrée sans cache, en cache et la sortie, en promotion temporaire. Vérifiez conservation et résidence des données ; API, abonnement et Tabbit sont distincts. Voir aussi les prix de DeepSeek V4 Flash.

Un essai pratique dans Tabbit

Ouvrez un article public, demandez cinq affirmations avec leurs sources et vérifiez-les. Notez modèle, date, prompt, réponse et corrections ; attendez les conditions applicables avant les documents privés. Le sélecteur dépend du compte. Le guide DeepSeek Harness explique le rôle du client ; comparez DeepSeek V4.1 Flash avec les mêmes tâches. Pour conserver les essais : recherche multimodèle.

Tabbit Browser

Télécharger Tabbit Browser et essayer une petite tâche vérifiable

Le téléchargement ne lance pas le modèle ; vérifiez le sélecteur et les conditions du compte.

Verdict selon la tâche

Exécutez la même tâche vérifiable dans le client et chez le fournisseur prévus ; consignez version, réglages, reprises, coût et corrections. Un résultat n’est pas un taux de fiabilité.

Secholar.L

Croissance et contenu chez Tabbit

Secholar.L rédige des guides pratiques sur les navigateurs IA et les workflows agentiques, en comparant les outils sur la base de recherches réelles et de sources vérifiables.