•

Open weights model

•

Released Juni 2026

LongCat 2.0: Analyse von Intelligenz, Leistung und Preis

Name: Intelligenz
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Ausprobieren Benchmarks der API-Anbieter

Geschwindigkeit

k. A.

Ausgabetokens pro Sekunde

Kosten

Eingabe 0,30 $Ausgabe 1,20 $Cache-Rabatt 98%

$0.06

Kosten pro Intelligence-Index-Aufgabe

LongCat 2.0 zählt bei der Intelligenz zu den überdurchschnittlichen Modellen und ist preislich angemessen im Vergleich zu anderen Modellen mit offenen Gewichten ähnlicher Größe. Das Modell unterstützt Text als Eingabe und Text als Ausgabe. Das Kontextfenster umfasst 1M Tokens.

LongCat 2.0 erzielt im Artificial Analysis Intelligence Index einen Wert von 20 und liegt damit über dem Durchschnitt der vergleichbaren Modelle (Median: 18). Bei der Evaluation des Intelligence Index erzeugte es 140M Tokens und antwortete damit etwas ausführlich im Vergleich zum Median von 140M.

Der Preis für LongCat 2.0 beträgt $0.30 pro 1 Mio. Eingabetokens (moderat bepreist; Median: $0.30) und $1.20 pro 1 Mio. Ausgabetokens (etwas teuer; Median: $1.15). Insgesamt kostete die Evaluation von LongCat 2.0 im Intelligence Index $220.75.

Reasoning	Ja Diese Seite zeigt die Reasoning-Version dieses Modells. Möglicherweise gibt es auch eine Variante ohne Reasoning.
Eingabemodalität	Unterstützt: Text
Ausgabemodalität	Unterstützt: Text
Kontextfenster	1M ~1500 A4-Seiten in Arial mit Schriftgröße 12
Gesamtparameter	1.6T
Aktive Parameter	48B Anzahl der pro Token während der Inferenz aktiven Parameter
Lizenz	Mit
Modellgewichte	Hugging Face

Metriken werden mit Modellen derselben Klasse verglichen:

Modelle ohne Reasoning → Vergleich nur mit anderen Modellen ohne Reasoning
Reasoning-Modelle → Vergleich mit Reasoning-Modellen und Modellen ohne Reasoning
Modelle mit offenen Gewichten → Vergleich nur mit anderen Modellen mit offenen Gewichten derselben Größenklasse:

Sehr klein: ≤4B Parameter
Klein: 4B–40B Parameter
Mittel: 40B–150B Parameter
Groß: >150B Parameter

Proprietäre Modelle → Vergleich mit proprietären Modellen und Modellen mit offenen Gewichten derselben Preisklasse anhand eines Mischpreisverhältnisses von 3:1 für Eingabe/Ausgabe:

<$0.15 pro 1 Mio. Tokens
$0.15–$1 pro 1 Mio. Tokens
>$1 pro 1 Mio. Tokens

Wichtigste Ergebnisse

Updated

Intelligenz

Artificial Analysis Intelligence Index · Higher is better

Geschwindigkeit

Output tokens per second · Higher is better

Kosten pro Aufgabe

Weighted average cost (USD) per Intelligence Index task · Lower is better

IntelligenzUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3 incorporates 10 evaluations: AA-Briefcase, GDPval-AA v2, AutomationBench-AA, Terminal-Bench v4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1

Artificial Analysis Intelligence Index v4.3 includes: AA-Briefcase, GDPval-AA v2, AutomationBench-AA, Terminal-Bench v4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index by Open Weights / Proprietary

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if commercial use is limited by conditions, and as 'Non-commercial' if the license prohibits commercial use.

Benchmarks

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

AA-Briefcase

Agentic knowledge work, (Elo-500)/2000

GDPval-AA v2

Agentic real-world work tasks, (Elo-500)/2000

AutomationBench-AAUpdated

Agentic SaaS workflows

Terminal-Bench v4.0New

Agentic coding & terminal use

SciCode

Coding

Humanity's Last Exam

Reasoning & knowledge

GDP.pdfNew

Professional document reasoning, All-pass

CritPt

Physics reasoning

AA-Omniscience Accuracy

Knowledge

AA-Omniscience Non-Hallucination Rate

1 - hallucination rate

AA-LCR v1.1

Long context reasoning

Harvey LAB-AA

Legal agentic work, criterion pass rate

EnterpriseOps-Gym-AA

Agentic business operations

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

IFBench

Instruction following

𝜏³-Banking

Agentic tool use

APEX-Agents-AA

Long-horizon agentic tasks

ITBench-AA

Kubernetes incident root-cause analysis

MMMU-Pro

Visual reasoning

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Briefcase

AA-Briefcase Elo

AA-Briefcase is an agentic knowledge work benchmark developed by Artificial Analysis. AA-Briefcase Elo is a combined metric that aggregates rubric pass rate, analytical quality Elo and presentation Elo · Higher is better

AA-Briefcase Elo is a combined metric that aggregates analytical quality Elo, presentation Elo, and rubric pass rate, with rubric performance converted into Elo via synthetic head-to-head matches. Elo and 95% confidence interval bounds are clamped at 0.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

Openness Index

Artificial Analysis Openness Index: Score

Openness Index assesses model openness on a 0 to 100 normalized scale (higher is more open)

Vergleiche des Intelligence Index

Intelligence Index vs. Cost per Intelligence Index Task

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Tokenverbrauch

Output Tokens per Intelligence Index Task

Weighted average number of output tokens used to run one task in the Artificial Analysis Intelligence Index

The number of tokens required per Intelligence Index task. This is calculated by multiplying the output tokens per eval by the relative weights of each benchmark in the Intelligence Index, then dividing by task count (excluding repeats).

Kosten

Cost per Intelligence Index Task

Weighted average cost (USD) per Artificial Analysis Intelligence Index task, segmented by token type. Lower is better

Cost to Run Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Pricing: Cache Hit, Input, and Output

Price (USD per M Tokens)

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Kontextfenster

Context Window

Context window: tokens limit · Higher is better

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Modellgröße (nur Modelle mit offenen Gewichten)

Model Size: Total and Active Parameters

Comparison between total model parameters and parameters active during inference

The total number of trainable weights and biases in the model, expressed in billions. These parameters are learned during training and determine the model's ability to process and generate responses.

The number of parameters actually executed during each inference forward pass, expressed in billions. For Mixture of Experts (MoE) models, a routing mechanism selects a subset of experts per token, resulting in fewer active than total parameters. Dense models use all parameters, so active equals total.

Häufig gestellte Fragen

Häufige Fragen zu LongCat 2.0

LongCat 2.0 wurde am 29. Juni 2026 veröffentlicht.

LongCat 2.0 wurde von LongCat entwickelt.

LongCat 2.0 erzielt im Artificial Analysis Intelligence Index einen Wert von 20 und liegt damit im Vergleich zu anderen Modellen mit offenen Gewichten ähnlicher Größe über dem Durchschnitt (Median: 18).

LongCat 2.0 kostet $0.30 pro 1 Mio. Eingabetokens (besser als der Durchschnitt; Median: $0.47) und $1.20 pro 1 Mio. Ausgabetokens (besser als der Durchschnitt; Median: $1.69). Die Angaben basieren auf der API von LongCat.

LongCat 2.0 kostet $0.30 pro 1 Mio. Eingabetokens und $1.20 pro 1 Mio. Ausgabetokens (auf Grundlage der API von LongCat). Bei einem Mischpreis mit einem Verhältnis von 7:2:1 für Cache-Treffer, Eingabe und Ausgabe entspricht dies $0.18 pro 1 Mio. Tokens. Der Preis kann je nach Anbieter variieren. Preise der Anbieter vergleichen

Bei der Evaluation des Intelligence Index erzeugte LongCat 2.0 140M Ausgabetokens. Dies ist etwas höher als der Durchschnitt im Vergleich zu anderen Modellen mit offenen Gewichten ähnlicher Größe (Median: 140M).

Ja, LongCat 2.0 ist ein Reasoning-Modell. Es nutzt längere Denkprozesse oder Chain-of-Thought-Reasoning, um komplexe Probleme zu bearbeiten, bevor es eine Antwort gibt.

LongCat 2.0 unterstützt Text als Eingabe.

LongCat 2.0 unterstützt Text als Ausgabe.

Nein, LongCat 2.0 unterstützt keine Bildeingaben. Es kann nur Text verarbeiten.

Nein, LongCat 2.0 ist nicht multimodal. Es unterstützt nur Text als Eingabe.

LongCat 2.0 hat ein Kontextfenster von 1.0M Tokens. Es bestimmt, wie viel Text und Gesprächsverlauf das Modell in einer einzelnen Anfrage verarbeiten kann.

Ja, LongCat 2.0 hat offene Gewichte. Die Modellgewichte sind öffentlich verfügbar und können zum Selbsthosten heruntergeladen werden.

LongCat 2.0 hat 1,6 Billionen Parameter (48 Milliarden aktiv).

LongCat 2.0 ist ein Mixture-of-Experts-Modell (MoE) mit insgesamt 1,6 Billionen Parametern, von denen während der Inferenz jedoch nur 48 Milliarden aktiv sind.

LongCat 2.0 wird unter der Lizenz Mit veröffentlicht. Diese Lizenz erlaubt die kommerzielle Nutzung. Lizenz anzeigen

LongCat 2.0 erzielt im Artificial Analysis Intelligence Index einen Wert von 20. Dieser zusammengesetzte Benchmark bewertet Modelle in den Bereichen Schlussfolgern, Wissen, Mathematik und Programmierung.

Ja, LongCat 2.0 ist über 2 Anbieter per API verfügbar. API-Anbieter vergleichen

LongCat 2.0 ist über 2 API-Anbieter verfügbar. Anbieter vergleichen

LongCat 2.0: Analyse von Intelligenz, Leistung und Preis

Modellübersicht

IntelligenzUpdated

Geschwindigkeit

Kosten

Ausführlichkeit

Zusammenfassung des Vergleichs

Technische Spezifikationen

113 Modelle in dieser Klasse

Intelligenz

Geschwindigkeit

Kosten pro Aufgabe

IntelligenzUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index by Open Weights / Proprietary

Artificial Analysis Intelligence Index

Open Weights

Benchmarks

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Briefcase

AA-Briefcase Elo

AA-Briefcase Elo

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Openness Index

Artificial Analysis Openness Index: Score

Vergleiche des Intelligence Index

Intelligence Index vs. Cost per Intelligence Index Task

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Tokenverbrauch

Output Tokens per Intelligence Index Task

Output Tokens per Intelligence Index Task

Kosten

Cost per Intelligence Index Task

Cost per Intelligence Index Task

Cost to Run Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Pricing: Cache Hit, Input, and Output

Cache Hit

Kontextfenster

Context Window

Context Window for RAG

Context Window

Modellgröße (nur Modelle mit offenen Gewichten)

Model Size: Total and Active Parameters

Total Parameters

Active Parameters at Inference Time

Häufig gestellte Fragen

Wann wurde LongCat 2.0 veröffentlicht?

Wer hat LongCat 2.0 entwickelt?

Wie intelligent ist LongCat 2.0?

Wie viel kostet LongCat 2.0?

Wie gestaltet sich der API-Preis von LongCat 2.0?

Wie ausführlich antwortet LongCat 2.0?

Ist LongCat 2.0 ein Reasoning-Modell?

Welche Eingabemodalitäten unterstützt LongCat 2.0?

Welche Ausgabemodalitäten unterstützt LongCat 2.0?

Kann LongCat 2.0 Bilder verarbeiten?

Ist LongCat 2.0 multimodal?

Wie groß ist das Kontextfenster von LongCat 2.0?

Hat LongCat 2.0 offene Gewichte?

Wie viele Parameter hat LongCat 2.0?

Was sind die aktiven Parameter von LongCat 2.0?

Unter welcher Lizenz steht LongCat 2.0?

Wie schneidet LongCat 2.0 in Benchmarks ab?

Ist LongCat 2.0 über eine API verfügbar?

Wo kann ich LongCat 2.0 verwenden?