Meituan lancia LongCat-2.0: un modello AI da 1,6 trilioni di parametri, addestrato senza chip Nvidia

Il 30 giugno 2026, Meituan ha rilasciato come open-source LongCat-2.0, un modello linguistico di grandi dimensioni (LLM) con architettura Mixture-of-Experts (MoE) da 1,6 trilioni di parametri. Secondo l'azienda, è il primo modello di questa scala ad essere stato completamente addestrato, messo a punto e implementato su un cluster di 50.000 chip cinesi domestici, senza l'utilizzo di hardware Nvidia .

Perché questo rilascio è importante

LongCat-2.0 non è solo l'ennesimo modello di grandi dimensioni. È un segnale che lo sviluppo dell'IA in Cina può raggiungere capacità quasi di frontiera senza l'accesso alle GPU avanzate statunitensi, soggette a restrizioni all'esportazione sempre più severe . Il modello dimostra che un sistema da 1,6 trilioni di parametri può essere costruito interamente su silicio domestico, dalla fase di pre-addestramento a quella di inferenza.

Specifiche tecniche

• Architettura: Mixture-of-Experts (MoE) con una capacità totale di 1,6 trilioni di parametri, ma solo ~48 miliardi attivati per token (sparsità ~97%) .
• Finestra di contesto: 1 milione di token, resa possibile da un meccanismo di attenzione sparsa personalizzato chiamato LongCat Sparse Attention (LSA), evoluto dal progetto di attenzione sparsa di DeepSeek .
• Parametri attivi: 33–56 miliardi per token grazie al routing dinamico 'Zero-Compute Expert', che garantisce l'assenza di calcoli sprecati .
• N-gram Embedding: Ulteriori ~135 miliardi di parametri nel livello di embedding, che utilizzano n-grammi da 2 a 5 caratteri per migliorare la rappresentazione del contesto locale senza aggiungere altri livelli MoE .
• Scopo specifico: Coding agentico — comprensione, generazione ed esecuzione di codice in scenari reali di utilizzo di strumenti .
• Infrastruttura di addestramento: Addestrato da zero su 50.000–60.000 ASIC AI di produzione cinese (non GPU Nvidia), consumando oltre 35 trilioni di token di testo in cinese, inglese, multilingue e codice sorgente .
• Licenza: Rilasciato con licenza open-source MIT .
• Disponibilità: Pesi e codice pubblicati su GitHub, Hugging Face e sul sito ufficiale di LongCat; accessibile anche tramite API e una demo online .

Prestazioni e benchmark

Meituan sostiene che LongCat-2.0 raggiunge prestazioni paragonabili a Gemini 3.1 Pro di Google . Prima della sua presentazione ufficiale, il modello operava in forma anonima come 'Owl Alpha' su OpenRouter, dove avrebbe scalato le classifiche degli sviluppatori per i benchmark di coding .

I principali punteggi benchmark pubblicati dal team di LongCat su X includono: Terminal-Bench 2.1: 70,8; SWE-bench Pro: 59,5 (a confronto, GPT-5.5 ha ottenuto 58,6); SWE-bench Multilingual: 77,3; e FORTE: 73,2 .

Significato strategico

LongCat-2.0 ha implicazioni che vanno ben oltre i punteggi dei benchmark:

• Primo modello da trilione di parametri addestrato end-to-end su chip cinesi domestici, dalla fase di pre-addestramento all'inferenza e all'implementazione — un traguardo che nemmeno DeepSeek-V4-pro aveva raggiunto, poiché si basava su hardware domestico solo per l'inferenza .
• Dimostra la capacità della Cina di raggiungere capacità IA quasi di frontiera senza accesso alle GPU avanzate di Nvidia, soggette a restrizioni statunitensi all'esportazione .
• Segnala un potenziale disaccoppiamento dello sviluppo dell'IA cinese dalle catene di approvvigionamento di hardware statunitense, con implicazioni per il mercato globale dei chip IA e la competizione tecnologica geopolitica .
• Per Meituan in particolare, posiziona un gigante della consegna di cibo e dei servizi locali come un attore serio nei modelli di base IA open-source, simile alle mosse di Alibaba (con Qwen) e ByteDance .

Principali innovazioni architettoniche

LongCat-2.0 introduce due notevoli miglioramenti architettonici rispetto al suo predecessore, LongCat-Flash:

1. LongCat Sparse Attention (LSA): Un'evoluzione del meccanismo di attenzione sparsa di DeepSeek (DSA). LSA affronta i colli di bottiglia di latenza nell'indicizzatore attraverso tre ottimizzazioni di efficienza indipendenti: indicizzazione sensibile al flusso, indicizzazione cross-layer e indicizzazione gerarchica, progettate per accelerare l'elaborazione di contesti lunghi senza sacrificare la qualità del modello .

2. MOPD (Multi-Objective Process Decoding): Il modello organizza i suoi esperti in tre gruppi specializzati — Agente, Ragionamento e Interazione — con un router di gate che indirizza ogni token al gruppo appropriato in base al tipo di attività .

Disponibilità e accesso

Sviluppatori e ricercatori possono accedere a LongCat-2.0 con la licenza permissiva MIT. I pesi del modello, il codice per l'inferenza e la documentazione sono disponibili su GitHub, Hugging Face e sul sito ufficiale di LongCat. Sono inoltre forniti un endpoint API e una demo interattiva online .