blog
AIブログ
LongCat-2.5の性能比較:主要ベンチマークでClaude Opus 5と同等圏内に
文:クリスタルメソッド編集部 監修:河合 継(代表取締役)
LongCat-2.5の性能比較:主要ベンチマークで何が示されたか
2026年11月2日、中国の大手テクノロジー企業・美団(Meituan)のLongCatチームが「LongCat-2.5」を発表した(AI Revolution、Startup Fortune)。同年11月15日にはモデルの重みがMITライセンスで公開された(The Decoder)。
美団が公表した2つのベンチマークが注目を集めている。エージェント・コーディング能力を測るTerminal-Bench v2.1では、LongCat-2.5が88.4を記録し、Claude Opus 5の89.1、GPT-5.6 Solの88.8と同等圏内に収まった。ソフトウェアエンジニアリング能力を測るDeepSWEでは、前世代LongCat-2.0の9.7から64.6へと約6.6倍の向上を示した(AI Revolution、The Decoder)。
ただし、これらは美団による自社計測値であり、2026年11月時点で独立機関による再現検証は実施されていない(dev.to)。性能数値の解釈は、この前提を踏まえて行う必要がある。
| モデル | Terminal-Bench v2.1 | DeepSWE | ライセンス | マルチモーダル |
|---|---|---|---|---|
| LongCat-2.5 | 88.4 | 64.6 | MIT(オープン) | テキスト・画像・動画 |
| Claude Opus 5 | 89.1 | — | プロプライエタリ | テキスト・画像 |
| GPT-5.6 Sol | 88.8 | — | プロプライエタリ | テキスト・画像 |
| Deepseek-V4.1-Flash | 90.6 | — | — | — |
| LongCat-2.0(前世代) | — | 9.7 | オープン | テキストのみ |
国内で使える主要LLMの性能・料金・用途は、国産LLM比較で解説しています。
関連記事大規模言語モデル(LLM)とは?生成AIとの違いは?
性能比較データが示す構造的な意味──なぜ「同等圏内」が重要か
Terminal-Bench v2.1の差分は最大でも0.7ポイント(対Claude Opus 5)であり、測定誤差の範囲に収まりうる僅差だ。この「同等圏内」という事実が持つ意味は、スコアの絶対値よりも、オープンウェイトモデルがプロプライエタリモデルと肩を並べる水準に到達したという「構造的な変化」にある。
DeepSWEの9.7→64.6という飛躍は、コード生成・リファクタリング・テスト生成といったソフトウェア開発支援タスクへの実用適性が一世代で大幅に変化した可能性を示す。自社開発チームへのAI補助ツール導入を検討する企業にとって、商用APIの代替として自己ホスト型モデルを評価する選択肢が現実的になってきたことを意味する。
アーキテクチャはMixture-of-Experts(MoE)を採用し、総パラメータ1.6兆に対して1トークン処理あたりの稼働パラメータは480億規模とされる。最大100万トークン入力・最大128Kトークン出力をサポートし、テキスト・画像・動画のマルチモーダル入力に対応する(AI Revolution、Startup Fortune)。
もう一点、看過できないのが学習ハードウェアだ。LongCat-2.5はNVIDIAのGPUを一切使用せず、中国製AIアクセラレータのみで学習されており、展開例としてHuawei Ascend Atlas A2を194台使用したクラスターが報告されている(The Decoder)。トップクラスの性能が非NVIDIAインフラで達成されたという事実は、AI開発のハードウェア依存構造が変化しつつあることを示唆する。
次に読む:LLM比較とは?評価軸と選び方は?
日本企業が性能比較を調達判断に使う前に直視すべきリスク
自社計測ベンチマークの限界。Terminal-Bench v2.1・DeepSWEのスコアはいずれも美団の自社計測であり、独立機関による再現検証は2026年11月時点で未実施だ(dev.to)。自社計測は測定条件・データセットの選択によって有利な結果が生じやすい。公表ベンチマークを比較の起点にすることは構わないが、自社のユースケースに近いタスクで独自評価を実施せずに本番投資を決定することは危険だ。
日本語性能の未検証。公表ベンチマークに日本語タスクは明示されていない。英語中心の評価指標が日本語文書処理・要約・分類の能力を直接反映するとは言えない。日本語業務への適用を主目的とする場合、実データによる独自評価なしには性能を判断できない。
1.6兆パラメータのインフラ要件。稼働480億パラメータのMoEとはいえ、フルモデルを自己ホストするには大規模なアクセラレータクラスターが必要となる。展開例のHuawei Ascend Atlas A2を194台規模で調達・運用できる企業は限られる。量子化・蒸留版の公開や、ホスティングサービスの整備状況を見極めた上で展開コストを試算することが先決だ。
中国企業発モデルのガバナンスリスク。学習データの透明性・バイアス・安全性評価の公開状況は2026年11月時点で限定的だ。金融・医療・法務など規制業種での利用や顧客データを処理するシステムへの組み込みには、自社によるリスク評価と法務確認が前提となる。MITライセンスはモデルの利用を法的に許諾するが、学習データの適法性や出力内容の責任については利用者側の判断が求められる。
Huawei製アクセラレータの調達可能性。日本国内の一般的な企業インフラでHuawei製アクセラレータを調達・運用できるかは、政策規制・サプライチェーンの観点から独立した検討が必要だ。LongCat-2.5の自己ホストを前提とする場合、推論インフラの選択肢は現時点で限られる可能性がある。
実務上の次の一手──段階的アプローチが現実的な理由
独立検証を待ちながらPoCを設計する。MITライセンスで重みが公開されている現在、量子化版や小規模クラスターを用いて自社タスクでの比較評価を試みることは技術的に障壁が低い。競合のプロプライエタリモデルと並べた社内ベンチマークを設計し、実際のユースケースでの差を計測することが具体的な意思決定の土台になる。外部の独立検証が揃う前に本番投資を急ぐ必要はない。
データ主権の要件を評価軸として明確化する。クラウドAPIでは難しいデータ主権の確保を優先要件に掲げている企業にとって、オープンウェイトモデルは選択肢として本質的な意味を持つ。LongCat-2.5の自己ホスト可能性を、既存のオープンソースモデルと並べて総合評価する枠組みを設けることが調達判断の質を高める。
インフラコストを先に精査する。フルモデルの自社運用コストが許容範囲に収まらない場合、量子化・蒸留・APIラッパーの整備状況を継続的にウォッチし、展開形態が整った時点で投資判断を再評価する段階的アプローチが現実的だ。
中国発モデルのガバナンス審査プロセスを整備する。LongCat-2.5に限らず、今後登場する類似モデルを一貫した基準で評価できる体制を整えることが長期的に有効だ。「学習データの開示水準」「安全性評価の有無」「地政学的リスク」を審査項目として自社のAIガバナンスポリシーに加えることを検討するに値する。
LLMの技術的基盤を理解した上で評価に臨むことが実務判断の精度を高める。
参考文献
- AI Revolution — LongCat-2.5発表・美団LongCatチーム・アーキテクチャ・DeepSWEスコア: https://ai-revolution.co.jp
- Startup Fortune — 発表日・コンテキスト長: https://startupfortune.com
- The Decoder — 重み公開日・MITライセンス・Terminal-Bench数値・Huawei Ascend展開例・非NVIDIA学習: https://the-decoder.com
- dev.to — 重み公開・独立検証未実施の指摘: https://dev.to
Read next
あわせて読みたい
-
国産LLM比較|主要モデルの性能・料金・用途を徹底解説【2026年版】
【2026年11月 最新確認】本記事の各サービスの料金・機能・対応状況は更新が速く、変動します。最新の詳細は各公式サイトでご確認ください。 国産LLM比較202...
-
LLM比較とは?意味・評価軸・選び方の基本をやさしく解説
監修 河合 継(クリスタルメソッド株式会社 代表取締役) AI・ディープラーニングに関する特許16件の発明者。過去、国立がん研究センターとの共同研究や、テレビ番...
-
大規模言語モデル(LLM)とは?生成AIとの違いや仕組みをわかりやすく解説【2026年版】
大規模言語モデル(LLM)とは、膨大な文章から「次に来る言葉」を予測する訓練を重ね、文章の理解・生成ができるようになったAIのことです。ChatGPT・Gemi...
