Proč je to důležité

LongCat-2.0 není jen další velký jazykový model. Je to signál, že čínský AI vývoj dokáže dosáhnout téměř špičkových schopností i bez přístupu k pokročilým americkým GPU, na které se vztahují stále přísnější exportní omezení . Model ukazuje, že systém s 1,6 bilionu parametrů lze postavit zcela na domácím křemíku – od předtréninku až po inferenci.

Technické specifikace

• Architektura: Mixture-of-Experts (MoE) s celkovou kapacitou 1,6 bilionu parametrů, ale jen ~48 miliard aktivovaných na token (sparse ~97 %) .
• Kontextové okno: 1 milion tokenů, umožněné vlastním mechanismem LongCat Sparse Attention (LSA), který se vyvinul z DeepSeekova sparse attention návrhu .
• Rozsah aktivních parametrů: 33B–56B na token díky dynamickému směrování 'Zero-Compute Expert', které zajišťuje, že se neplýtvá výpočetním výkonem .
• N-gram Embedding: Dodatečných ~135 miliard parametrů v embedovací vrstvě využívající n-gramy o délce 2 až 5 znaků pro lepší reprezentaci lokálního kontextu bez dalšího hromadění MoE vrstev .
• Účel: Agentní kódování – porozumění, generování a spouštění kódu v reálných scénářích použití nástrojů .
• Tréninková infrastruktura: Trénink od nuly proběhl na 50 000–60 000 čínských AI ASIC (nikoli GPU od Nvidie), spotřeboval přes 35 bilionů tokenů čínských, anglických a vícejazyčných textů a zdrojových kódů .
• Licence: Uvolněno pod MIT open-source licencí .
• Dostupnost: Váhy a kód jsou k dispozici na GitHubu, Hugging Face a oficiálních stránkách LongCat; model je přístupný i přes API a online demo .

Výkonnost a benchmarky

Meituan tvrdí, že LongCat-2.0 dosahuje výkonu srovnatelného s Google Gemini 3.1 Pro . Před oficiálním představením model anonymně fungoval jako 'Owl Alpha' na platformě OpenRouter, kde se údajně umístil na vrcholu žebříčků vývojářů pro kódovací benchmarky .

Klíčová skóre benchmarků zveřejněná týmem LongCat na X: Terminal-Bench 2.1: 70,8; SWE-bench Pro: 59,5 (pro srovnání GPT-5.5: 58,6); SWE-bench Multilingual: 77,3; FORTE: 73,2 .

Strategický význam

LongCat-2.0 má důsledky daleko přesahující samotná skóre benchmarků:

• První model s bilionem parametrů natrénovaný od začátku do konce na domácích čínských čipech, od předtréninku přes inferenci až po nasazení – milník, kterého nedosáhl ani DeepSeek-V4-pro, jenž používal domácí hardware pouze pro inferenci .
• Dokazuje, že Čína je schopna dosáhnout téměř špičkových AI schopností bez přístupu k pokročilým GPU od Nvidie, na které se vztahují americká exportní omezení .
• Signalizuje možné odpoutání čínského AI vývoje od amerických hardwarových dodavatelských řetězců, což má důsledky pro globální trh s AI čipy a geopolitickou technologickou soutěž .
• Pro Meituan konkrétně to znamená, že se z doručovací a místní služby stává vážný přispěvatel do open-source AI fundamentálních modelů, podobně jako Alibaba (Qwen) a ByteDance .

Klíčové architektonické inovace

LongCat-2.0 přináší dvě významná architektonická vylepšení oproti svému předchůdci LongCat-Flash:

1. LongCat Sparse Attention (LSA): Evoluce DeepSeekova mechanismu sparse attention (DSA). LSA řeší úzká místa latence v indexeru pomocí tří nezávislých optimalizací efektivity: indexování citlivé na tok (flow-aware indexing), mezivrstvé indexování (cross-layer indexing) a hierarchické indexování (hierarchical indexing) – vše navrženo pro urychlení zpracování dlouhých kontextů bez obětování kvality modelu .

2. MOPD (Multi-Objective Process Decoding): Model organizuje své experty do tří specializovaných skupin – Agent, Reasoning a Interaction – s branovým směrovačem, který každý token nasměruje do příslušné skupiny podle typu úlohy .

Dostupnost a přístup

Vývojáři a výzkumníci mají přístup k LongCat-2.0 pod permisivní licencí MIT. Váhy modelu, inferenční kód a dokumentace jsou k dispozici na GitHubu, Hugging Face a oficiálních stránkách LongCat. K dispozici je také API endpoint a interaktivní online demo .

Proč je to důležité

LongCat-2.0 není jen další velký jazykový model. Je to signál, že čínský AI vývoj dokáže dosáhnout téměř špičkových schopností i bez přístupu k pokročilým americkým GPU, na které se vztahují stále přísnější exportní omezení . Model ukazuje, že systém s 1,6 bilionu parametrů lze postavit zcela na domácím křemíku – od předtréninku až po inferenci.

Technické specifikace

• Architektura: Mixture-of-Experts (MoE) s celkovou kapacitou 1,6 bilionu parametrů, ale jen ~48 miliard aktivovaných na token (sparse ~97 %) .
• Kontextové okno: 1 milion tokenů, umožněné vlastním mechanismem LongCat Sparse Attention (LSA), který se vyvinul z DeepSeekova sparse attention návrhu .
• Rozsah aktivních parametrů: 33B–56B na token díky dynamickému směrování 'Zero-Compute Expert', které zajišťuje, že se neplýtvá výpočetním výkonem .
• N-gram Embedding: Dodatečných ~135 miliard parametrů v embedovací vrstvě využívající n-gramy o délce 2 až 5 znaků pro lepší reprezentaci lokálního kontextu bez dalšího hromadění MoE vrstev .
• Účel: Agentní kódování – porozumění, generování a spouštění kódu v reálných scénářích použití nástrojů .
• Tréninková infrastruktura: Trénink od nuly proběhl na 50 000–60 000 čínských AI ASIC (nikoli GPU od Nvidie), spotřeboval přes 35 bilionů tokenů čínských, anglických a vícejazyčných textů a zdrojových kódů .
• Licence: Uvolněno pod MIT open-source licencí .
• Dostupnost: Váhy a kód jsou k dispozici na GitHubu, Hugging Face a oficiálních stránkách LongCat; model je přístupný i přes API a online demo .

Výkonnost a benchmarky

Meituan tvrdí, že LongCat-2.0 dosahuje výkonu srovnatelného s Google Gemini 3.1 Pro . Před oficiálním představením model anonymně fungoval jako 'Owl Alpha' na platformě OpenRouter, kde se údajně umístil na vrcholu žebříčků vývojářů pro kódovací benchmarky .

Klíčová skóre benchmarků zveřejněná týmem LongCat na X: Terminal-Bench 2.1: 70,8; SWE-bench Pro: 59,5 (pro srovnání GPT-5.5: 58,6); SWE-bench Multilingual: 77,3; FORTE: 73,2 .

Strategický význam

LongCat-2.0 má důsledky daleko přesahující samotná skóre benchmarků:

• První model s bilionem parametrů natrénovaný od začátku do konce na domácích čínských čipech, od předtréninku přes inferenci až po nasazení – milník, kterého nedosáhl ani DeepSeek-V4-pro, jenž používal domácí hardware pouze pro inferenci .
• Dokazuje, že Čína je schopna dosáhnout téměř špičkových AI schopností bez přístupu k pokročilým GPU od Nvidie, na které se vztahují americká exportní omezení .
• Signalizuje možné odpoutání čínského AI vývoje od amerických hardwarových dodavatelských řetězců, což má důsledky pro globální trh s AI čipy a geopolitickou technologickou soutěž .
• Pro Meituan konkrétně to znamená, že se z doručovací a místní služby stává vážný přispěvatel do open-source AI fundamentálních modelů, podobně jako Alibaba (Qwen) a ByteDance .

Klíčové architektonické inovace

LongCat-2.0 přináší dvě významná architektonická vylepšení oproti svému předchůdci LongCat-Flash:

1. LongCat Sparse Attention (LSA): Evoluce DeepSeekova mechanismu sparse attention (DSA). LSA řeší úzká místa latence v indexeru pomocí tří nezávislých optimalizací efektivity: indexování citlivé na tok (flow-aware indexing), mezivrstvé indexování (cross-layer indexing) a hierarchické indexování (hierarchical indexing) – vše navrženo pro urychlení zpracování dlouhých kontextů bez obětování kvality modelu .

2. MOPD (Multi-Objective Process Decoding): Model organizuje své experty do tří specializovaných skupin – Agent, Reasoning a Interaction – s branovým směrovačem, který každý token nasměruje do příslušné skupiny podle typu úlohy .

Dostupnost a přístup

Vývojáři a výzkumníci mají přístup k LongCat-2.0 pod permisivní licencí MIT. Váhy modelu, inferenční kód a dokumentace jsou k dispozici na GitHubu, Hugging Face a oficiálních stránkách LongCat. K dispozici je také API endpoint a interaktivní online demo .