LongCat-2.0: Model AI Raksasa Buatan China yang Dibangun di Atas Chip Dalam Negeri

Pada 30 Juni 2026, Meituan merilis dan membuka kode sumber (open-source) LongCat-2.0, sebuah model bahasa besar (LLM) dengan 1,6 triliun parameter berarsitektur Mixture-of-Experts (MoE). Perusahaan mengklaim model ini adalah yang pertama dalam skala ini yang berhasil menjalani pelatihan penuh, fine-tuning, hingga deployment pada sebuah klaster yang terdiri dari 50.000 chip buatan dalam negeri China — tanpa satu pun hardware Nvidia yang digunakan .

Mengapa Rilis Ini Penting

LongCat-2.0 bukan sekadar model AI besar lainnya. Rilis ini menjadi sinyal kuat bahwa pengembangan AI di China dapat mencapai kemampuan mendekati frontier (batas kemampuan tercanggih) tanpa harus bergantung pada GPU canggih buatan AS yang terkena pembatasan ekspor yang semakin ketat . Model ini membuktikan bahwa sistem dengan 1,6 triliun parameter dapat dibangun sepenuhnya di atas silikon lokal, mulai dari pelatihan awal (pre-training) hingga proses inferensi.

Spesifikasi Teknis

• Arsitektur: Mixture-of-Experts (MoE) dengan total kapasitas 1,6 triliun parameter, tetapi hanya ~48 miliar parameter yang aktif per token (tingkat sparsity ~97%) .
• Jendela konteks: 1 juta token, dimungkinkan oleh mekanisme LongCat Sparse Attention (LSA) yang merupakan evolusi dari desain sparse attention milik DeepSeek .
• Rentang parameter aktif: 33B–56B per token melalui perutean dinamis 'Zero-Compute Expert', memastikan tidak ada komputasi yang terbuang .
• N-gram Embedding: Tambahan ~135 miliar parameter pada lapisan embedding, menggunakan n-gram 2 hingga 5 karakter untuk meningkatkan representasi konteks lokal tanpa harus menumpuk lebih banyak lapisan MoE .
• Tujuan utama: Agentic coding — pemahaman, pembuatan, dan eksekusi kode dalam skenario penggunaan alat nyata .
• Infrastruktur pelatihan: Dilatih dari awal pada 50.000–60.000 ASIC AI buatan China (bukan GPU Nvidia), mengonsumsi lebih dari 35 triliun token data yang mencakup teks bahasa China, Inggris, multibahasa, dan kode sumber .
• Lisensi: Dirilis di bawah lisensi open-source MIT .
• Ketersediaan: Bobot (weights) dan kode telah dipublikasikan di GitHub, Hugging Face, dan situs resmi LongCat; juga dapat diakses melalui API dan demo online .

Performa dan Tolok Ukur

Meituan mengklaim LongCat-2.0 mencapai performa sebanding dengan Google Gemini 3.1 Pro . Sebelum diperkenalkan secara resmi, model ini beroperasi secara anonim sebagai 'Owl Alpha' di OpenRouter, di mana ia dilaporkan memuncaki peringkat developer untuk benchmark coding .

Skor benchmark utama yang dipublikasikan tim LongCat di X meliputi: Terminal-Bench 2.1: 70,8; SWE-bench Pro: 59,5 (sebagai perbandingan, GPT-5.5: 58,6); SWE-bench Multilingual: 77,3; dan FORTE: 73,2 .

Signifikansi Strategis

LongCat-2.0 membawa implikasi yang jauh melampaui skor benchmark:

• Model triliunan parameter pertama yang dilatih secara end-to-end pada chip dalam negeri China, dari pre-training hingga inferensi dan deployment—sebuah pencapaian yang bahkan tidak diraih oleh DeepSeek-V4-pro, yang hanya mengandalkan hardware dalam negeri untuk inferensi .
• Mendemonstrasikan kemampuan China untuk mencapai kecerdasan buatan mendekati frontier tanpa akses ke GPU canggih Nvidia, yang terkena pembatasan ekspor AS .
• Menandakan potensi dekopling pengembangan AI China dari rantai pasok hardware AS, dengan implikasi pada pasar chip AI global dan persaingan teknologi geopolitik .
• Bagi Meituan secara spesifik, ini memposisikan raksasa layanan pesan-antar makanan dan jasa lokal ini sebagai kontributor serius di dunia model fondasi AI open-source, mirip dengan langkah Alibaba (Qwen) dan ByteDance .

Inovasi Arsitektur Kunci

LongCat-2.0 memperkenalkan dua peningkatan arsitektur penting dibandingkan pendahulunya, LongCat-Flash:

1. LongCat Sparse Attention (LSA): Evolusi dari mekanisme sparse attention DeepSeek (DSA). LSA mengatasi hambatan latensi pada indekser melalui tiga optimasi efisiensi independen: flow-aware indexing, cross-layer indexing, dan hierarchical indexing — dirancang untuk mempercepat pemrosesan konteks panjang tanpa mengorbankan kualitas model .

2. MOPD (Multi-Objective Process Decoding): Model ini mengatur para ahlinya ke dalam tiga grup spesifik — Agent, Reasoning, dan Interaction — dengan sebuah gate router yang mengarahkan setiap token ke grup yang tepat berdasarkan jenis tugas .

Akses dan Ketersediaan

Pengembang dan peneliti dapat mengakses LongCat-2.0 di bawah lisensi MIT yang permisif. Bobot model, kode inferensi, dan dokumentasi tersedia di GitHub, Hugging Face, dan situs resmi LongCat. API dan demo online interaktif juga disediakan .