Meituan : LongCat 2.0 est un modèle texte de Meituan, publié le 20 juillet 2026. MiniMax : MiniMax M3 vient de MiniMax et est arrivé plus tôt, le 31 mai 2026. Les deux sont répertoriés sur api14 dans la catégorie texte, et les deux sont servis via la même interface compatible OpenAI, donc le choix entre eux dépend surtout de ce que vous devez envoyer en entrée et de ce que vous devez obtenir en retour, pas de la façon dont vous les intégrez.
La séparation la plus nette concerne les modalités d'entrée. LongCat 2.0 accepte uniquement du texte et renvoie du texte. MiniMax M3 accepte du texte, des images et de la vidéo en entrée, et renvoie du texte. Si votre prompt inclut une capture d'écran, une page numérisée, un graphique ou un extrait vidéo, c'est M3 qui peut le prendre directement, tandis que LongCat 2.0 exigerait que vous convertissiez d'abord ce contenu en texte. Les fenêtres de contexte sont pratiquement de la même taille, toutes deux un peu au-dessus d'un million de tokens, donc aucun des deux modèles ne vous donne un avantage significatif sur la quantité de contenu que vous pouvez faire tenir dans une seule requête. Sur les paramètres, les deux se recoupent largement, avec temperature, top_p, top_k, min_p, les pénalités, seed, stop, tools, tool_choice et les contrôles de raisonnement disponibles sur les deux. M3 ajoute logprobs, top_logprobs, response_format et structured_outputs, que LongCat 2.0 ne liste pas.
Pour le travail quotidien, choisissez en fonction de la forme de l'entrée et de la forme de la sortie dont vous avez besoin. Si vous construisez un pipeline qui doit renvoyer du JSON strict ou un autre schéma que vous pouvez valider, M3 est le choix par défaut le plus sûr car structured_outputs et response_format sont pris en charge, et vous pouvez vous appuyer dessus au lieu d'analyser du texte libre en espérant que ça passe. Si vous voulez des signaux de confiance au niveau des tokens pour la classification, le routage ou le scoring, logprobs et top_logprobs sur M3 vous les donnent, et LongCat 2.0 ne les propose pas. LongCat 2.0 reste un choix raisonnable pour des tâches texte en entrée, texte en sortie où vous n'avez pas besoin d'application de schéma ni de probabilités logarithmiques, et où vous préférez garder une surface de requête simple. Les deux modèles prennent en charge l'appel d'outils et les contrôles de raisonnement, et la comparaison tarifaire qualitative les place à peu près au même prix en entrée comme en sortie, donc le coût n'est pas le facteur décisif ici.
Appeler l'un ou l'autre via api14 suit le même chemin de code. Vous pointez votre client OpenAI vers l'URL de base d'api14, vous envoyez votre clé, et vous définissez le champ model. Pour utiliser le modèle de Meituan, définissez l'id du modèle sur "meituan/longcat-2.0". Pour utiliser le modèle de MiniMax, définissez-le sur "minimax/minimax-m3". Tout le reste dans le corps de la requête suit la forme des chat completions d'OpenAI, donc passer de l'un à l'autre est un changement d'une ligne sur l'id du modèle, plus les champs supplémentaires que le modèle cible prend en charge. Si vous vous appuyez sur structured_outputs ou logprobs, ne gardez ces champs dans la requête que lorsque vous appelez M3, puisque LongCat 2.0 ne les liste pas.
Il existe un cas où LongCat 2.0 reste le meilleur choix même si M3 couvre plus de terrain. Si votre tâche est purement textuelle et que vous voulez le plus petit ensemble de champs de requête à appréhender, ou que vous êtes déjà standardisé sur un contrat texte uniquement et que vous ne voulez aucune gestion d'image ou de vidéo près de votre chemin de code, LongCat 2.0 garde ce contrat propre. Les deux sont à peu près au même prix, donc vous ne payez pas de supplément pour le modèle plus étroit, et vous ne renoncez pas non plus à la longueur de contexte.