LongCat-2.0 de Meituan es un modelo de 1,6T entrenado en chips chinos

Meituan ha presentado LongCat-2.0, un modelo de lenguaje grande con 1,6 billones de parámetros y una ventana de contexto de hasta 1 millón de tokens, y lo llamativo no es solo el tamaño. La compañía dice que el modelo fue entrenado y ejecutado de extremo a extremo en un clúster de 50.000 aceleradores ASIC nacionales, lo que lo convierte en uno de los ejemplos públicos más claros hasta la fecha de un LLM de vanguardia construido enteramente sobre chips chinos en lugar de la habitual atracción gravitatoria de Nvidia.

Eso importa porque la carrera por la IA ya no es solo sobre quién tiene más parámetros o la puntuación de benchmark más llamativa. También se trata de quién puede ensamblar suficiente capacidad de cómputo, redes y pila de software para entrenar modelos gigantes sin depender de chips extranjeros: una presión que ha empujado a las empresas chinas a exprimir más del silicio local mientras que los laboratorios occidentales siguen apoyándose en las cadenas de suministro de GPU conocidas.

Un modelo a escala de billones construido para agentes

LongCat-2.0 está diseñado para trabajo orientado a agentes: escritura de código, edición de código, uso de herramientas, llamadas a APIs y razonamiento en varios pasos. Meituan afirma que el corpus interno de entrenamiento supera los 30 billones de tokens e incluye datos multilingües además de código de programación, que es exactamente lo que cabría esperar de un modelo que pretende hacer algo más que completar educadamente tu frase.

El modelo también usa LongCat Sparse Attention, o LSA, que recorta el brutal coste del procesamiento de contextos largos al centrarse en los tokens más relevantes en lugar de comparar todo con todo. En términos prácticos, así es como Meituan afirma que el sistema puede estirarse hasta 1 millón de tokens sin el habitual dolor cuadrático que hace que los contextos muy largos sean tan costosos.

Mixture of Experts mantiene la inferencia más barata

LongCat-2.0 también emplea una configuración Mixture of Experts, con aproximadamente entre 33 y 56 mil millones de pesos activos por token en lugar de activar los 1,6 billones de parámetros cada vez. Ese es el truco: mantener la escala de portada, pero solo pagar por las partes del modelo que importan para un determinado prompt.

Recomendado

El laboratorio de Mira Murati presenta Inkling, un modelo abierto de 975 000 millones de p

Meituan combina eso con un esquema de destilación Multi-Teacher On-Policy, o MOPD, donde diferentes submodelos especialistas enseñan a un único checkpoint compartido. La compañía dice que el conjunto de expertos cubre comportamiento de agente, razonamiento para tareas STEM y multi-paso, y seguimiento de instrucciones con menos alucinaciones: una división del trabajo ordenada, al menos sobre el papel.

Victorias en benchmarks, con la letra pequeña habitual

En SWE-bench Pro, Meituan afirma que LongCat-2.0 obtiene 59,5 puntos, por delante de Gemini 3.1 Pro y cerca de GPT-5.5 y los últimos modelos Claude Opus, aunque aún por detrás de los líderes generales más fuertes. También registra buenos resultados en Terminal-Bench 2.1 y en tareas de búsqueda web y agentes web, lo que encaja mucho mejor con el enfoque declarado del modelo que con presunciones abstractas en las tablas de clasificación.

• 1,6 billones de parámetros
• Hasta 1 millón de tokens de contexto
• 50.000 aceleradores ASIC nacionales usados para entrenamiento e inferencia completos
• Corpus de entrenamiento de más de 30 billones de tokens
• 59,5 en SWE-bench Pro

Las demos de Meituan se centran mucho en la automatización práctica: agentes SQL, refactorizaciones de código a gran escala para nuevas APIs, aplicaciones web generadas a partir de un solo prompt, escenas 3D con Three.js y sistemas de texto multiagente que intentan mantenerse coherentes a lo largo de largos tramos de contexto. Ese es la señal real aquí. La próxima carrera en LLM se parece menos a un concurso de belleza para la prosa y más a una prueba de estrés para software que realmente pueda hacer trabajo.

La pregunta abierta es si esto se quedará en una demostración puntual o si será un modelo que otros en China puedan copiar a escala. Si las pilas de chips nacionales siguen mejorando, el lanzamiento de Meituan puede recordarse menos como un lanzamiento de modelo y más como una prueba de que entrenar en la frontera con hardware local ya no es solo una teoría.