LongCat-2.0: Het 1,6 biljoen-parameter AI-model dat helemaal draait op Chinese chips

Op 30 juni 2026 heeft Meituan LongCat-2.0 open-source gemaakt, een Mixture-of-Experts (MoE) taalmodel met 1,6 biljoen parameters. Het bedrijf beweert dat dit het eerste model op deze schaal is dat volledig is getraind, verfijnd en ingezet op een cluster van 50.000 Chinese chips — en dat er geen enkele Nvidia-chip aan te pas is gekomen .

Waarom deze release belangrijk is

LongCat-2.0 is meer dan weer een groot taalmodel. Het is een signaal dat Chinese AI-ontwikkeling de grenzen van de mogelijkheden kan benaderen zonder toegang tot geavanceerde Amerikaanse GPU's, die onderworpen zijn aan steeds strengere exportbeperkingen . Het model laat zien dat een systeem met 1,6 biljoen parameters volledig kan worden gebouwd op eigen chips, van de voorbereidende training tot en met de uiteindelijke toepassing.

Technische specificaties

• Architectuur: Mixture-of-Experts (MoE) met een totale capaciteit van 1,6 biljoen parameters, maar slechts ongeveer 48 miljard geactiveerd per token (spaarzaamheid ~97%) .
• Contextvenster: 1 miljoen tokens, mogelijk gemaakt door een eigen LongCat Sparse Attention (LSA)-mechanisme dat is geëvolueerd uit DeepSeeks sparse attention-ontwerp .
• Actieve parameterbereik: 33B–56B per token via dynamische 'Zero-Compute Expert'-routering, waardoor er geen rekenkracht wordt verspild .
• N-gram Embedding: Een extra ~135 miljard parameters in de embedding-laag, die 2 tot 5 tekens lange n-grammen gebruikt om de lokale context weer te geven zonder meer MoE-lagen toe te voegen .
• Doelgericht: Agentic coding — code begrijpen, genereren en uitvoeren in realistische scenario's met toolgebruik .
• Trainingsinfrastructuur: Vanaf de basis getraind op 50.000–60.000 Chinese AI ASICs (geen Nvidia-GPU's), met meer dan 35 biljoen tokens aan Chinese, Engelse, meertalige tekst en broncode .
• Licentie: Uitgebracht onder de MIT open-source licentie .
• Beschikbaarheid: Gewichten en code zijn gepubliceerd op GitHub, Hugging Face en de officiële LongCat-website; ook toegankelijk via een API en een online demo .

Prestaties en benchmarks

Meituan beweert dat LongCat-2.0 prestaties levert die vergelijkbaar zijn met Google's Gemini 3.1 Pro . Voor de officiële onthulling opereerde het model anoniem als 'Owl Alpha' op OpenRouter, waar het naar verluidt de top bereikte in developer-rankings voor codeerbenchmarks .

Belangrijke benchmarkresultaten die het LongCat-team op X heeft gepubliceerd zijn onder meer: Terminal-Bench 2.1: 70,8, SWE-bench Pro: 59,5 (ter vergelijking: GPT-5.5 scoort 58,6), SWE-bench Multilingual: 77,3 en FORTE: 73,2 .

Strategische betekenis

LongCat-2.0 heeft gevolgen die verder reiken dan alleen de benchmarkscores:

• Eerste model met biljoenen parameters dat end-to-end is getraind op Chinese chips, van voorbereidende training tot en met implementatie — een mijlpaal die zelfs DeepSeek-V4-pro niet heeft bereikt, omdat dat model alleen voor de inferentie gebruikmaakte van eigen hardware .
• Toont aan dat China in staat is om AI-mogelijkheden te ontwikkelen die de grenzen van het mogelijke benaderen zonder toegang tot Nvidia's geavanceerde GPU's, die onderworpen zijn aan Amerikaanse exportbeperkingen .
• Een mogelijk teken van ontkoppeling van de Chinese AI-ontwikkeling van de Amerikaanse hardware-toeleveringsketen, met gevolgen voor de wereldwijde AI-chipmarkt en de geopolitieke technologiecompetitie .
• Voor Meituan plaatst het een voedselbezorg- en lokale dienstengigant als een serieuze bijdrager aan open-source AI-fundamentmodellen, vergelijkbaar met de stappen van Alibaba (Qwen) en ByteDance .

Belangrijkste architectuurinnovaties

LongCat-2.0 introduceert twee opmerkelijke architectuurverbeteringen ten opzichte van zijn voorganger, LongCat-Flash:

1. LongCat Sparse Attention (LSA): Een evolutie van DeepSeeks sparse attention-mechanisme (DSA). LSA pakt de latentieproblemen in de indexer aan met drie onafhankelijke optimalisaties: flow-aware indexing, cross-layer indexing en hierarchical indexing — ontworpen om langere contexten te verwerken zonder kwaliteitsverlies .

2. MOPD (Multi-Objective Process Decoding): Het model organiseert zijn 'experts' in drie gespecialiseerde groepen — Agent, Reasoning en Interaction — met een gate-router die elk token naar de juiste groep stuurt op basis van het type taak .

Beschikbaarheid en toegang

Ontwikkelaars en onderzoekers hebben toegang tot LongCat-2.0 onder de permissieve MIT-licentie. De modelgewichten, de code voor inferentie en de documentatie zijn beschikbaar op GitHub, Hugging Face en de officiële LongCat-website. Ook zijn er een API-endpoint en een interactieve online demo beschikbaar .