Meituans LongCat-2.0: Kinesisk AI-modell med 1,6 biljoner parametrar tränad helt utan Nvidia-hårdvara

Den 30 juni 2026 släppte Meituan LongCat-2.0 som öppen källkod – en så kallad Mixture-of-Experts (MoE)-modell med 1,6 biljoner parametrar. Företaget uppger att det är den första modellen i denna skala som helt tränats, finjusterats och driftsatts på en kluster med 50 000 inhemska kinesiska chip – helt utan Nvidia-hårdvara .

Varför denna lansering är betydelsefull

LongCat-2.0 är inte bara ännu en stor modell. Det är en signal om att kinesisk AI-utveckling kan nå nära topprestanda utan tillgång till avancerade amerikanska grafikprocessorer (GPU:er), som omfattas av allt strängare exportrestriktioner . Modellen visar att ett system med 1,6 biljoner parametrar kan byggas helt på inhemskt kisel, från förträning till slutledning.

Tekniska specifikationer

• Arkitektur: Mixture-of-Experts (MoE) med totalt 1,6 biljoner parametrar, men endast cirka 48 miljarder aktiveras per token (sparsitet cirka 97 %) .
• Kontextfönster: 1 miljon token, möjliggjort av en egenutvecklad LongCat Sparse Attention (LSA)-mekanism som utvecklats från DeepSeek-design .
• Aktiva parametrar: 33–56 miljarder per token via dynamisk 'Zero-Compute Expert'-routning, vilket innebär att ingen beräkningskraft går till spillo .
• N-gram-inbäddning: Cirka 135 miljarder extra parametrar i inbäddningslagret, som använder n-gram av 2–5 tecken för att förbättra representationen av lokal kontext utan att stapla fler MoE-lager .
• Anpassad för: Agentisk kodning – kodförståelse, generering och exekvering i verkliga användningsscenarier .
• Träningsinfrastruktur: Tränad från grunden på 50 000–60 000 kinesisktillverkade AI-ASIC:ar (inte Nvidia GPU:er), med över 35 biljoner token av kinesisk, engelsk och flerspråkig text samt källkod .
• Licens: Släppt under MIT-licens (öppen källkod) .
• Tillgänglighet: Vikter och kod finns på GitHub, Hugging Face och den officiella LongCat-webbplatsen; även tillgängligt via API och en demosida .

Prestanda och riktmärken

Meituan hävdar att LongCat-2.0 presterar i nivå med Googles Gemini 3.1 Pro . Innan den officiella lanseringen var modellen anonymt känd som 'Owl Alpha' på OpenRouter, där den rapporteras ha toppat utvecklarnas rankning för kodningsuppgifter .

Viktiga riktmärken som publicerats av LongCat-teamet på X inkluderar: Terminal-Bench 2.1: 70,8, SWE-bench Pro: 59,5 (GPT-5.5: 58,6 som jämförelse), SWE-bench Multilingual: 77,3 och FORTE: 73,2 .

Strategisk betydelse

LongCat-2.0 har implikationer som sträcker sig långt bortom riktmärken:

• Första modellen med biljoner parametrar som tränats från början till slut på inhemska kinesiska chip, från förträning till slutledning och driftsättning – en milstolpe som inte ens DeepSeek-V4-pro uppnådde, då den endast använde inhemsk hårdvara för slutledning .
• Visar Kinas förmåga att uppnå AI-prestanda nära toppnivå utan tillgång till Nvidias avancerade GPU:er, som omfattas av amerikanska exportrestriktioner .
• Signal om en potentiell frikoppling av kinesisk AI-utveckling från amerikanska hårdvaruleveranskedjor, med konsekvenser för den globala AI-chipmarknaden och geopolitiska teknikkonkurrensen .
• För Meituan specifikt positionerar detta en matleverans- och lokaltjänstjätte som en seriös bidragsgivare till AI-modeller med öppen källkod, liknande drag av Alibaba (Qwen) och ByteDance .

Viktiga arkitektoniska innovationer

LongCat-2.0 introducerar två anmärkningsvärda arkitektoniska förbättringar jämfört med sin föregångare LongCat-Flash:

1. LongCat Sparse Attention (LSA): En vidareutveckling av DeepSeeks sparse attention-mekanism (DSA). LSA adresserar flaskhalsar i indexeringsfördröjningen genom tre oberoende effektivitetsoptimeringar: flödesmedveten indexering, tvärlagersindexering och hierarkisk indexering – utformad för att påskynda bearbetning av långa kontexter utan att kompromissa med modellkvaliteten .

2. MOPD (Multi-Objective Process Decoding): Modellen organiserar sina experter i tre specialiserade grupper – Agent, Reasoning och Interaction – med en grind-routrare som dirigerar varje token till lämplig grupp baserat på uppgiftstyp .

Tillgänglighet och åtkomst

Utvecklare och forskare kan komma åt LongCat-2.0 under den tillåtande MIT-licensen. Modellvikter, slutledningskod och dokumentation finns på GitHub, Hugging Face och den officiella LongCat-webbplatsen. En API-slutpunkt och en interaktiv demo online finns också tillgängliga .