For years, the working assumption in tech policy circles has been blunt: no NVIDIA chips, no frontier AI. The export controls on high-end GPUs like the H100 and the newer Blackwell line were designed precisely around that bottleneck. Cut off access to the best silicon, the theory went, and you slow a country’s ability to train the largest, most capable models. Meituan just called that bluff.

The Chinese tech giant, best known for dominating food delivery and local services, has released LongCat 2.0. It is a 1.6-trillion-parameter model built on a Mixture-of-Experts architecture. The kicker? The team trained it entirely on domestic Chinese chips. No NVIDIA H100s. No Blackwell GPUs. And rather than hiding it behind an API, Meituan has dropped the weights, training code, and full data pipeline on GitHub for anyone to inspect.

What LongCat 2.0 Actually Brings

Let’s look at the hardware-agnostic facts first. At 1.6 trillion parameters, LongCat 2.0 sits among the largest open-weight models ever released. Parameters are not the only measure of quality, but at this scale, they signal serious engineering ambition. Because it uses a Mixture-of-Experts design, only a subset of those parameters activates for any given task. That keeps inference costs from ballooning out of control while still allowing the model to store an enormous range of knowledge and reasoning patterns.

The context window hits one million tokens. That matches the high-end offerings from OpenAI and Anthropic, and it changes what the model can practically do. With a window that large, you can feed it entire legal contracts, months of chat logs, or vast code repositories in a single prompt. For developers building applications that require memory across long documents, this is not a marginal improvement. It is a functional necessity.

Then there is the openness. Meituan did not release a sanitized demo or a restricted API. The model weights are available, the training code is public, and so is the pipeline. That matters for researchers who want to reproduce results, for enterprises that need to audit behavior, and for engineers who need to fine-tune the model on proprietary data without sending anything to a third-party server.

The Hardware Story Everyone Missed

The headline here is not just the parameter count. It is the silicon underneath. LongCat 2.0 was trained on domestic accelerators, specifically chips like the Huawei Ascend series. That is a radically different proposition from slapping an existing framework onto an NVIDIA cluster and hitting run.

Training a trillion-parameter model requires solving distributed computing problems at the extreme edge. Memory bandwidth, inter-chip communication, and floating-point performance all have to be managed with ferocious precision. NVIDIA’s advantage has never been just the raw GPUs. It is the CUDA ecosystem, the optimized kernels, and the collective knowledge of how to squeeze performance out of that stack. Building a comparable model on Ascend hardware means Meituan’s engineers had to do the grueling work of adapting training frameworks, rewriting low-level operations, and debugging distributed training runs on a fundamentally different architecture.

That they succeeded suggests something larger than one model. It shows that Chinese hardware-software co-design is maturing to the point where the absence of Western chips is no longer a hard stop. It is a constraint, and an expensive one, but not an impossible barrier.

Where It Actually Performs

LongCat 2.0 scores strongly in Chinese reasoning, mathematics, and long-context retrieval. Those are specific, high-value benchmarks. Mathematical reasoning tests a model’s ability to handle logic and symbolic manipulation. Long-context retrieval tests whether the model can find a needle of information in a million-token haystack without losing track. Passing both is the difference between a model that sounds smart and one that can actually do work.

Meituan این مدل را به عنوان جایگزینی مستقیم برای Llama، DeepSeek و Qwen معرفی می‌کند. برای وظایف مربوط به زبان چینی، این رقابت بسیار شدید است. مدل‌هایی که عمدتاً با داده‌های اینترنتی انگلیسی آموزش دیده‌اند، اغلب در مواجهه با ارجاعات چینی کلاسیک، زبان مقررات محلی، اصطلاحات مالی بازارهای اصلی چین و زبان عامیانه و کوتاه‌شده‌ای که در رسانه‌های اجتماعی چینی غالب است، دچار مشکل می‌شوند. مدلی که با مهارت‌های عمیق زبان چینی ساخته شده و توسط شرکتی تغذیه می‌شود که کسب‌وکار اصلی‌اش بر پایه رفتار مصرف‌کننده چینی است، در این سناریوها دارای یک مزیت ساختاری است.

این موضوع فراتر از چت‌بات‌ها اهمیت دارد. شرکت‌های فناوری حقوقی (Legaltech) که قوانین قراردادهای PRC را تحلیل می‌کنند، پژوهشگرانی که متون تاریخی را بررسی می‌کنند، بانک‌هایی که اسناد وام به زبان ماندارین را پردازش می‌کنند و پلتفرم‌های خدمات مشتری که با گویش‌های منطقه‌ای سروکار دارند، همگی به مدل‌هایی نیاز دارند که ظرافت‌ها را درک کنند، نه اینکه صرفاً از دریچه‌ای انگلیسی‌محور ترجمه کنند.

سلاح پنهان Meituan: مقیاس و داده

Meituan یک آزمایشگاه تحقیقاتی نیست که در کنارش یک اپلیکیشن ارسال غذا داشته باشد. این شرکت یک غول عملیاتی است که روزانه میلیون‌ها پیک، رستوران و فروشنده را در سراسر چین هماهنگ می‌کند. این مقیاس، سیل عظیمی از داده‌های زبانی دنیای واقعی را تولید می‌کند: شکایات مشتریان که به چت‌بات‌ها ارجاع داده می‌شود؛ توضیحات رستوران‌ها که اصطلاحات عامیانه منطقه‌ای را با جزئیات رسمی ثبت تجاری ترکیب می‌کند؛ دستورالعمل‌های مسیریابی که سیستم‌های آدرس‌دهی را با نشانه‌های محلی غیررسمی در هم می‌آمیزد؛ و تیکت‌های خدمات فروشندگان که به موضوعاتی نظیر مالیات، مقررات بهداشتی و قوانین محلی می‌پردازند.

این داده‌ها نامنظم، بافت‌محور و عمیقاً محلی هستند، به گونه‌ای که داده‌های عمومی حاصل از خزش وب (web crawl) هرگز نمی‌توانند آن‌ها را بازسازی کنند. تغذیه این داده‌ها در LongCat 2.0 به مدل یک پایه عملی می‌دهد که در دوره‌های آموزشی صرفاً آکادمیک وجود ندارد. آموزش بر روی متن‌های صیقل‌خورده Wikipedia یک چیز است، و آموزش بر روی زبان پرآشوب و معاملاتیِ تجارت واقعی، چیزی دیگر.

چرا شرایط در حال تغییر است

اگر شرکت‌ها بتوانند مدل‌های کلاس پیشرو (frontier-class) را با استفاده از تراشه‌های داخلی آموزش دهند، کل منطق استراتژیک پشت ممنوعیت‌های صادرات تراشه شروع به فرسایش می‌کند. این ممنوعیت‌ها بر این فرض بنا شده بودند که کنترل خطوط تأمین NVIDIA، کنترل توانمندی‌های هوش مصنوعی را نیز به همراه خواهد داشت. آن فرض بر این استوار بود که هیچ اکوسیستم جایگزین و قابل اتکایی وجود ندارد.

LongCat 2.0 به این معنا نیست که تراشه‌های چینی در تمام معیارها با NVIDIA برابری کرده‌اند. بلکه مدرکی است بر اینکه آن‌ها برای انجام کار، نیازی به برابری کامل ندارند. حافظه کافی، پهنای باند کافی و بهینه‌سازی نرم‌افزاری به اندازه کافی هوشمند، می‌تواند شکاف را به قدری کاهش دهد که نتایج رقابتی حاصل شود. این سطح از موفقیت، بسیار پایین‌تر از برابری کامل است و به نظر می‌رسد که از این سد عبور شده است.

برای زنجیره‌های تأمین جهانی هوش مصنوعی، پیام روشن است. این فرض که تمام فرآیندهای آموزشی جدی باید از طریق سخت‌افزار NVIDIA انجام شوند، اکنون از بین رفته است. این امر قدرت را به سمت حاکمیت ملی در توسعه هوش مصنوعی سوق می‌دهد. کشورها و شرکت‌هایی که از حاشیه نظاره‌گر هستند، دیگر یک تأمین‌کننده گلوگاهی را تنها راه رسیدن به توانمندی‌های پیشرو نمی‌بینند. آن‌ها شاهد یک دوپارچگی و احتمالاً ظهور یک چشم‌انداز سخت‌افزاری چندقطبی هستند که سریع‌تر از آنچه اکثر تحلیلگران پیش‌بینی می‌کردند، در حال شکل‌گیری است.

نتیجه‌گیری اصلی

LongCat 2.0 چیزی فراتر از یک انتشار فنی است. این آزمونی برای یک فرضیه سیاسی است، و آن فرضیه همین حالا شکست خورد. Me