LongCat-2.5 en Claude Code: configuración, precios y benchmarks
Conecta LongCat-2.5 mediante su endpoint compatible con Anthropic o Responses API y comprueba una lectura real de archivos. Distingue el contexto de 1M y la salida máxima de 256K de la API de los límites del cliente. Compara sus resultados con GLM-5.3, Kimi K3 y DeepSeek-V4.1-Flash, calcula el coste de una sesión y gestiona los límites de frecuencia. Consulta el estado de descarga de los pesos antes de planear un despliegue local.
Índice
Para configurar LongCat-2.5 en Claude Code, usa el endpoint de LongCat compatible con Anthropic y el identificador exacto LongCat-2.5. Empieza con una tarea pequeña en un repositorio antes de trasladar sesiones largas de programación. Si usas Codex, sigue la conexión mediante Responses API que se describe más abajo.
¿Qué cambia con LongCat-2.5?
LongCat-2.5 es el modelo multimodal nativo de Meituan para tareas con muchos pasos de razonamiento y uso de herramientas. Su anuncio de lanzamiento describe mejoras de comprensión visual y programación frente a LongCat-2.0. Declara 1.6 billones de parámetros totales, con aproximadamente 48 mil millones activados por token.
La publicación lleva la fecha 2026-11-01. El registro de cambios de la API anuncia su disponibilidad el 2026-11-02.
A fecha de 2026-11-06, la referencia actual del modelo indica estos límites:
| Límite | LongCat-2.5 |
|---|---|
| Ventana de contexto | 1,048,576 tokens, o 1M |
| Salida máxima de la API | 262,144 tokens, o 256K |
Un cliente puede imponer un máximo de salida menor o compactar antes la conversación. Los límites anunciados por el servicio no se trasladan automáticamente a Claude Code ni a Codex.
Prueba LongCat en cambios que abarquen varios archivos o tareas de desarrollo visual cuyos resultados puedas comprobar. Sus resultados publicados justifican probarlo, pero no demuestran que supere al modelo que ya utilizas.
¿Cómo se configura Claude Code?
Utiliza la API de LongCat compatible con Anthropic y proporciona la clave desde el intérprete de comandos. Necesitas Claude Code CLI instalado, una cuenta de LongCat y una clave API creada en la página API Keys de la plataforma. Para el acceso de pago por uso, mantén suficiente saldo prepago y recarga cuando sea necesario.
En Bash, introduce la clave sin mostrarla en pantalla:
read -rs LONGCAT_API_KEY && export LONGCAT_API_KEY
unset ANTHROPIC_API_KEY
export ANTHROPIC_AUTH_TOKEN="$LONGCAT_API_KEY"Incorpora esta configuración a ~/.claude/settings.json. Conserva los permisos actuales y los ajustes que no estén relacionados.
{
"env": {
"ANTHROPIC_BASE_URL": "https://api.longcat.chat/anthropic",
"ANTHROPIC_MODEL": "LongCat-2.5",
"ANTHROPIC_DEFAULT_SONNET_MODEL": "LongCat-2.5",
"ANTHROPIC_DEFAULT_OPUS_MODEL": "LongCat-2.5",
"ANTHROPIC_DEFAULT_HAIKU_MODEL": "LongCat-2.5",
"CLAUDE_CODE_MAX_OUTPUT_TOKENS": "32000",
"CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1"
}
}Esta adaptación de la configuración de LongCat para Claude Code sirve para una pequeña prueba inicial. Mantiene la clave fuera del JSON y utiliza la asignación actual de Haiku.
| Campo o variable | Función |
|---|---|
env | Proporciona variables de entorno a Claude Code. |
ANTHROPIC_AUTH_TOKEN | Envía tu clave de LongCat mediante autenticación Bearer. Defínela en Bash, como se muestra arriba. |
ANTHROPIC_BASE_URL | Selecciona el endpoint de LongCat compatible con Anthropic. Omite /v1: el cliente añade la ruta de Messages. |
ANTHROPIC_MODEL | Selecciona LongCat-2.5 para la sesión principal. |
ANTHROPIC_DEFAULT_SONNET_MODEL | Asigna el alias sonnet a LongCat. |
ANTHROPIC_DEFAULT_OPUS_MODEL | Asigna el alias opus a LongCat. |
ANTHROPIC_DEFAULT_HAIKU_MODEL | Asigna haiku y las funciones en segundo plano a LongCat. |
CLAUDE_CODE_MAX_OUTPUT_TOKENS | Fija el límite inicial de salida de este ejemplo en 32000. No establece la ventana de contexto. |
CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC | Desactiva el tráfico no esencial del cliente y las actualizaciones automáticas. Prevé otro método para actualizarlo. |
El ejemplo de LongCat todavía usa ANTHROPIC_SMALL_FAST_MODEL. La referencia de configuración de modelos de Anthropic marca esta variable como obsoleta y la sustituye por ANTHROPIC_DEFAULT_HAIKU_MODEL.
El ejemplo actual de LongCat también fija CLAUDE_CODE_MAX_OUTPUT_TOKENS en 262144. Sin embargo, la referencia de variables de entorno de Anthropic documenta un máximo de 128000 cuando Claude Code no reconoce un identificador de modelo. En ese caso, los valores superiores se reducen al máximo admitido. El valor menor del ejemplo evita suponer que el cliente permite alcanzar el máximo de 256K de la API.
Antes de usar la clave del intérprete, elimina las entradas de credenciales en conflicto de los ajustes existentes de Claude. El comando unset solo elimina la variable del intérprete. Los valores de los archivos de configuración pueden reemplazar las variables exportadas.
Abre una copia local pequeña del repositorio que contenga README.md. Inicia el cliente desde la misma sesión de Bash:
claudeEjecuta /status y comprueba el modelo, la URL base y el origen de la credencial. Pide que lea README.md y resuma el proyecto sin modificar archivos. Confirma que haya una lectura real del archivo y una respuesta pertinente; un saludo no demuestra que funcionen las herramientas.
¿Cómo se prueba la API compatible con OpenAI?
Usa una solicitud directa con el SDK para comprobar la clave y el endpoint sin depender de la configuración del agente. La URL base del SDK es https://api.longcat.chat/openai/v1.
Este ejemplo requiere Python 3.10 o posterior. En la misma sesión de Bash, con LONGCAT_API_KEY ya exportada, ejecuta:
python3 -m venv .venv-longcat
source .venv-longcat/bin/activate
python -m pip install --upgrade openai
python - <<'PY'
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["LONGCAT_API_KEY"],
base_url="https://api.longcat.chat/openai/v1",
max_retries=0,
)
response = client.chat.completions.create(
model="LongCat-2.5",
messages=[
{"role": "user", "content": "Reply with exactly LONGCAT_OK."}
],
max_tokens=1024,
extra_body={"thinking": {"type": "disabled"}},
)
print(response.model)
print(response.choices[0].message.content)
print(response.choices[0].finish_reason)
print(response.usage)
PYEl SDK añade /chat/completions y forma el endpoint indicado en la referencia de Chat Completions de LongCat. Conserva /v1 en esta URL base del SDK.
La respuesta solicitada es LONGCAT_OK. Comprueba que el contenido no esté vacío, revisa el modelo devuelto, la finalización normal y los datos de uso. Esta es una comprobación de conexión, no una evaluación de programación. El razonamiento está desactivado para mantener la prueba acotada.
El SDK de OpenAI para Python admite campos adicionales de la solicitud mediante extra_body. Aquí, max_retries=0 muestra el fallo inmediatamente. El ejemplo no aplica automáticamente la política de reintentos que se explica más abajo.
¿Se puede usar LongCat-2.5 en Codex?
Sí. LongCat publica una guía de integración con Codex y una referencia independiente de Responses API. Utiliza wire_api = "responses" para esta conexión.
Con Codex instalado, incorpora lo siguiente a ~/.codex/config.toml. Coloca las claves de nivel raíz antes de la primera tabla y actualiza las entradas existentes sin duplicarlas.
model = "LongCat-2.5"
model_provider = "longcat"
web_search = "disabled"
[model_providers.longcat]
name = "LongCat"
base_url = "https://api.longcat.chat/openai/v1"
wire_api = "responses"
env_key = "LONGCAT_API_KEY"
requires_openai_auth = falseEl identificador longcat vincula model_provider con la tabla del proveedor. env_key lee la clave exportada. requires_openai_auth = false selecciona la autenticación con la clave del proveedor para este ejemplo. La guía de autenticación de OpenAI advierte que, con true, Codex ignora env_key.
Esta adaptación de las instrucciones de LongCat evita guardar credenciales en auth.json. La búsqueda web permanece desactivada durante la comprobación inicial.
Desde la misma sesión de Bash y el repositorio de prueba, ejecuta:
codex --sandbox read-onlyRevisa /status y solicita el mismo resumen de README.md. Comprueba que el cliente lea el archivo y dé una respuesta útil. La solicitud al modelo utiliza https://api.longcat.chat/openai/v1/responses. Una solicitud correcta a Chat Completions, por sí sola, no verifica esta conexión independiente.
¿Cómo se compara con GLM-5.3, Kimi K3 y DeepSeek?
Usa los resultados oficiales para elegir qué modelos probar en tu proyecto. La tabla del lanzamiento de LongCat combina resultados propios con resultados de competidores publicados por otras fuentes.
| Benchmark | LongCat-2.5 | GLM-5.3 | kimi-k3 | DeepSeek-V4.1-Flash |
|---|---|---|---|---|
| Terminal Bench v2.1 | 88.4 | 88.2* | 88.3* | 90.6* |
| Terminal Bench v4.0 | 38.5 | 41.8* | 12.6* | 31.2* |
| Program Bench Almost Resolved | 25.5 | 19.0* | 17.5* | 20.3* |
| DeepSWE v1.1 | 64.6 | 66.9* | 67.5* | 74.2* |
| NL2Repo | 60.5 | 58.0* | 58.0* | 65.4* |
El asterisco indica que el resultado del competidor procede de un informe técnico público, un blog o una clasificación oficial. Los demás resultados de competidores sin asterisco en la tabla completa provienen de pruebas propias de LongCat y se describen como orientativos. Todos los resultados de competidores mostrados arriba llevan asterisco.
Ten en cuenta la metodología publicada:
- LongCat-2.5 utiliza, salvo indicación contraria,
enable_thinking=on,temperature = 1.0ytop_p = 0.95. - Terminal Bench v2.1/v4.0, Program Bench y NL2Repo utilizan Claude Code
v2.1.280conmax_seq_length = 512K. - DeepSWE v1.1 utiliza
mini-swe-agentconmax_seq_length = 1M. - Los resultados de Terminal Bench v2.1 y DeepSWE son la media de tres ejecuciones independientes.
Estas configuraciones describen la evaluación de LongCat. No demuestran que los resultados obtenidos de otras fuentes usen las mismas condiciones.
LongCat supera a estas tres alternativas en Program Bench Almost Resolved. GLM-5.3 obtiene una puntuación mayor en Terminal Bench v4.0, mientras que las tres alternativas superan a LongCat en DeepSWE. Las diferencias de 0.1 o 0.2 en Terminal Bench v2.1 no determinan un ganador práctico sin pruebas bajo las mismas condiciones.
Si vas a probar correcciones en un repositorio, incluye DeepSeek-V4.1-Flash en la comparación. Para crear proyectos, incluye LongCat. La guía de programación y benchmarks de DeepSeek ayuda a distinguir sus diferentes versiones.
Usa el mismo commit del repositorio, con idénticas instrucciones, permisos de herramientas, pruebas de aceptación y límite de reintentos. Registra los resultados aceptados, el tiempo transcurrido y el importe total cobrado. Cambia de modelo solo si esa prueba mejora las métricas que importan a tu equipo.
¿Cuánto cuesta LongCat-2.5?
Calcula el presupuesto con las tarifas publicadas por tiempo limitado. Revísalas antes de iniciar un uso recurrente del servicio. A fecha de 2026-11-06, la página de precios de LongCat indica:
| Categoría de tokens | USD por 1M tokens |
|---|---|
| Entrada sin caché | $0.30 |
| Entrada en caché | $0.006 |
| Salida | $1.20 |
Las páginas de precios y pago por uso no indican cuándo termina la promoción. Tampoco publican el precio habitual sin descuento. Establecen que prevalecen los precios de la plataforma y los registros de facturación. La expresión «limited-time» no permite deducir una fecha de vencimiento ni un porcentaje de ahorro.
Para una sesión que acumule varias solicitudes, supón 1,000,000 tokens de entrada sin caché y 100,000 tokens de salida facturados. Con las tarifas indicadas, sin aciertos de caché ni descuentos negociados:
(1,000,000 / 1,000,000 × $0.30) + (100,000 / 1,000,000 × $1.20) = $0.42
Es una estimación del cargo por tokens, no el coste medido de una tarea. Las cantidades corresponden al total de la sesión, no a una única solicitud.
En las solicitudes de Responses, usage.output_tokens incluye los tokens de razonamiento, según la referencia de Responses API. No los sumes otra vez. La entrada en caché también forma parte del total de entrada. Aplica su tarifa reducida solo al uso que se haya declarado como servido desde caché.
El precio por token no basta para determinar cuál es el modelo de programación más barato. Usa el coste por tarea aceptada cuando los reintentos, el razonamiento prolongado o los cambios fallidos de código afecten a la factura.
¿Qué hacer ante el error 429 rate_limit_exceeded?
Reduce las solicitudes simultáneas y limita los reintentos con una política de espera acotada. El resumen de la API de LongCat indica que los límites de frecuencia se aplican por clave API.
La guía de inicio muestra este ejemplo:
{
"error": {
"code": "rate_limit_exceeded",
"message": "Request rate limit exceeded, please try again later",
"type": "rate_limit_error",
"retry_after": 60
}
}El valor 60 del ejemplo no garantiza cuándo se restablecerá el límite. Sigue las indicaciones de reintento recibidas y aumenta la espera de forma exponencial.
Para tu cliente, un punto de partida razonable es permitir hasta tres reintentos con esperas crecientes y una variación aleatoria, o jitter. Es una recomendación de implementación, no una cuota de LongCat. Pon en cola las solicitudes que compartan la clave y ten en cuenta los reintentos que ya efectúa el SDK.
Tras esperar, envía una solicitud pequeña. Si funciona, recupera la concurrencia gradualmente. Si persiste la limitación, consulta con LongCat los límites aplicables a la cuenta. La documentación pública consultada no especifica una cuota numérica de solicitudes o tokens por minuto.
Si el error indica insufficient_quota, comprueba el saldo y la cuota aplicable. Repetir solicitudes sin cambios no resuelve esa condición.
¿Están disponibles los pesos de LongCat-2.5?
Planifica esta integración para usar el modelo alojado por el proveedor. A fecha de 2026-11-06, la página de lanzamiento etiqueta sus enlaces de GitHub y Hugging Face como «Coming soon». Esos enlaces no ofrecen una descarga utilizable de los pesos ni un compromiso con una fecha de publicación.
Esto no significa que el modelo solo esté disponible por API: Meituan también anuncia el acceso desde su sitio web. Para un despliegue local, espera a que estén disponibles los pesos de LongCat-2.5, una licencia e instrucciones para servir el modelo.
Empieza con el cliente que ya utilizas, completa la comprobación de lectura de archivos y prueba un cambio de código acotado. Si trasladas una tarea en curso, conserva sus requisitos y resultados de pruebas mediante un punto de control para cambiar de modelo.
