LongCat-2.0 від Meituan: Модель ШІ з 1,6 трильйона параметрів, навчена без жодного чипа Nvidia

30 червня 2026 року компанія Meituan (відома в Китаї як гігант доставки їжі та локальних послуг) відкрила вихідний код LongCat-2.0 — великої мовної моделі з архітектурою суміші експертів (MoE) та 1,6 трильйона параметрів. За заявами компанії, це перша модель такого масштабу, яка була повністю навчена, налаштована та запущена на кластері з 50 000 вітчизняних китайських чипів — без жодного обладнання Nvidia .

Чому цей реліз важливий

LongCat-2.0 — це не просто черговий випуск великої моделі. Це сигнал про те, що китайська розробка ШІ здатна досягати майже передових можливостей без доступу до передових американських графічних процесорів (GPU), на які поширюються дедалі жорсткіші експортні обмеження . Модель демонструє, що систему з 1,6 трильйона параметрів можна побудувати повністю на вітчизняному кремнії — від попереднього навчання до логічного висновку.

Технічні характеристики

• Архітектура: Суміш експертів (MoE) із загальним обсягом 1,6 трильйона параметрів, але лише ~48 мільярдів активовано на токен (розрідженість ~97%) .
• Контекстне вікно: 1 мільйон токенів, що стало можливим завдяки спеціальному механізму LongCat Sparse Attention (LSA), який еволюціонував від механізму розрідженої уваги DeepSeek .
• Діапазон активних параметрів: 33–56 мільярдів на токен завдяки динамічній маршрутизації 'Zero-Compute Expert', що гарантує відсутність зайвих обчислень .
• N-gram Embedding: Додаткові ~135 мільярдів параметрів у шарі вбудовування (embedding), що використовує 2-5 символьні n-грами для покращення представлення локального контексту без нарощування шарів MoE .
• Спеціалізація: Агентне кодування (agentic coding) — розуміння, генерація та виконання коду в реальних сценаріях використання інструментів .
• Інфраструктура навчання: Навчалася з нуля на 50 000–60 000 китайських AI ASIC (спеціалізованих інтегральних схемах для ШІ, а не на GPU Nvidia), споживши понад 35 трильйонів токенів китайською, англійською, багатомовними текстами та вихідним кодом .
• Ліцензія: Випущена під відкритою ліцензією MIT .
• Доступність: Ваги та код опубліковані на GitHub, Hugging Face та офіційному сайті LongCat; також доступна через API та онлайн-демонстрацію .

Продуктивність і бенчмарки

Meituan стверджує, що LongCat-2.0 досягає продуктивності, порівнянної з Google Gemini 3.1 Pro . До офіційної презентації модель працювала анонімно під назвою 'Owl Alpha' на платформі OpenRouter, де, за повідомленнями, очолювала рейтинги розробників з кодування .

Ключові результати бенчмарків, опубліковані командою LongCat у X: Terminal-Bench 2.1: 70,8; SWE-bench Pro: 59,5 (для порівняння, GPT-5.5 має 58,6); SWE-bench Multilingual: 77,3; FORTE: 73,2 .

Стратегічне значення

LongCat-2.0 має значення, яке виходить далеко за межі результатів бенчмарків:

• Перша модель з трильйоном параметрів, навчена від початку до кінця на вітчизняних китайських чипах — від попереднього навчання до логічного висновку та розгортання. Це віха, якої не зміг досягти навіть DeepSeek-V4-pro, який покладався на вітчизняне обладнання лише для логічного висновку .
• Демонструє здатність Китаю досягати майже передових можливостей ШІ без доступу до передових GPU Nvidia, на які поширюються експортні обмеження США .
• Сигналізує про потенційне відокремлення розробки китайського ШІ від ланцюгів постачання американського обладнання, що має наслідки для глобального ринку ШІ-чипів та геополітичної технологічної конкуренції .
• Для Meituan це позиціонує компанію, відому насамперед доставкою їжі та локальними послугами, як серйозного гравця у створенні відкритих фундаментальних моделей ШІ, подібно до кроків Alibaba (модель Qwen) та ByteDance .

Ключові архітектурні інновації

LongCat-2.0 представляє два помітні архітектурні покращення порівняно з попередником LongCat-Flash:

1. LongCat Sparse Attention (LSA): Еволюція механізму розрідженої уваги DeepSeek (DSA), LSA вирішує проблеми затримки в індексаторі за допомогою трьох незалежних оптимізацій ефективності: потоково-орієнтована індексація (flow-aware indexing), міжшарова індексація (cross-layer indexing) та ієрархічна індексація (hierarchical indexing). Це призначено для прискорення обробки довгих контекстів без шкоди для якості моделі .

2. MOPD (Multi-Objective Process Decoding): Модель організовує своїх експертів у три спеціалізовані групи — Agent, Reasoning та Interaction — з маршрутизатором (gate router), який направляє кожен токен до відповідної групи залежно від типу завдання .

Доступність і доступ

Розробники та дослідники можуть отримати доступ до LongCat-2.0 за дозвільною ліцензією MIT. Ваги моделі, код для логічного висновку та документація доступні на GitHub, Hugging Face та офіційному сайті LongCat. Також надаються кінцева точка API та інтерактивна онлайн-демонстрація .