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 מציבה את המודל הזה כחלופה ישירה ל-Llama, DeepSeek ו-Qwen. במשימות בשפה הסינית, התחרות הזו חריפה במיוחד. מודלים שאומנו בעיקר על נתוני אינטרנט באנגלית נתקלים לעיתים קרובות בקשיים מול התייחסויות לסינית קלאסית, שפה רגולטורית מקומית, טרמינולוגיה פיננסית המשמשת בשווקים ביבשת סין, וקיצורים לא רשמיים השולטים במדיה החברתית הסינית. מודל שנבנה עם מיומנויות שפה סינית עמוקות, ומוזן על ידי חברה שהעסק הליבה שלה מבוסס על התנהגות צרכנים סינית, נהנה מיתרון מבני בתרחישים הללו.

זה חשוב ליותר מסתם צ'אטבוטים. חברות Legaltech המנתחות דיני חוזים של הרפובליקה העממית של סין (PRC), חוקרים המנתחים טקסטים היסטוריים, בנקים המעבדים מסמכי הלוואות במנדרינית, ופלטפורמות שירות לקוחות המטפלות בניבים אזוריים – כולם זקוקים למודלים שמבינים ניואנסים במקום לתרגם דרך עדשה ממוקדת-אנגלית.

הנשק הנסתר של Meituan: קנה מידה ונתונים

Meituan אינה מעבדת מחקר עם אפליקציית משלוחים בצד. היא כוח תפעולי אדיר המתאם מדי יום מיליוני שליחים, מסעדות וסוחרים ברחבי סין. קנה המידה הזה מייצר שטף של נתוני שפה מהעולם האמיתי: תלונות לקוחות המופנות לצ'אטבוטים; תיאורי מסעדות המשלבים סלנג אזורי עם פרטי רישום עסקי רשמיים; הוראות ניווט המערבבות מערכות כתובות עם ציוני דרך לא רשמיים; ופניות שירות של סוחרים הנוגעות במיסים, תקנות היגיינה ופקודות מקומיות.

הנתונים הללו הם מבולגנים, תלויי הקשר ומקומיים מאוד, באופן שנתוני סריקת רשת (web crawl) גנריים לעולם לא יוכלו לשכפל. הזנת הנתונים הללו לתוך LongCat 2.0 מעניקה למודל בסיס מעשי שחסר בתהליכי אימון אקדמיים טהורים. זה דבר אחד לאמן על טקסטים מלוטשים מוויקיפדיה, וזה דבר אחר לגמרי לאמן על השפה הכאוטית והטרנזקציונית של מסחר אמיתי.

מדוע הקרקע משתנה

אם חברות יכולות לאמן מודלים ברמת חזית (frontier-class) על סיליקון מקומי, הלוגיקה האסטרטגית כולה שעומדת מאחורי איסורי הייצוא של שבבים מתחילה להישחק. האיסורים נבנו על ההנחה ששליטה בקווי האספקה של NVIDIA תיתן שליטה ביכולות ה-AI. הנחה זו הניחה שלא קיים אקוסיסטם חלופי בר-קיימא.

LongCat 2.0 אינו הצהרה על כך שהשבבים הסיניים השתוו ל-NVIDIA בכל המדדים. זוהי הוכחה לכך שהם אינם צריכים להשתוות באופן מושלם כדי לבצע את העבודה. זיכרון מספיק, רוחב פס מספיק ואופטימיזציית תוכנה חכמה מספיק יכולים לצמצם את הפער במידה שתאפשר תוצאות תחרותיות. זהו רף נמוך בהרבה מאשר שוויון מוחלט, ונראה כי הרף הזה כבר נחצה.

עבור שרשראות האספקה הגלובליות של AI, המשמעות ברורה. ההנחה שכל תהליכי האימון הרציניים חייבים לעבור דרך חומרת NVIDIA מתה כעת. זה מעביר את הכוח לעבר ריבונות לאומית בפיתוח AI. מדינות וחברות הצופות מהצד כבר לא רואות בספק אחד שמהווה "נקודת חנק" (chokepoint) את הדרך היחידה ליכולות חזית. הן רואות פיצול, ואולי נוף חומרתי רב-קוטבי, שמתהווה מהר יותר ממה שרוב המומחים חזו.

השורה התחתונה

LongCat 2.0 הוא יותר מסתם שחרור טכני. זהו מבחן להיפותזה פוליטית, וההיפותזה זה עתה נכשלה. Meituan הוכיחה שחברת טכנולוגיית צרכנות עם הנתונים הנכונים, צוות ההנדסה הנכון והחומרה הנכונה יכולה לאמן מודל פתוח בעל 1.6 טריליון פרמטרים מבלי לגעת באף GPU מערבי אסור.

עבור מפתחים, המשמעות היא אפשרות חדשה של משקולות פתוחות (open-weight) עם עומק אמיתי בשפה הסינית ובמשימות הקשר ארוך (long-context). עבור קובעי מדיניות, המשמעות היא שסנקציות המבוססות על מניעת חומרה חייבות לקחת בחשבון הסתגלות, ולא רק רכישה. עבור שאר התעשייה, המשמעות היא שמפת היכולת – מי יכול לבנות מה ובאילו כלים – מצטיירת מחדש בזמן אמת.

איסורי הייצוא אולי קנו זמן. נראה שהם גם קנו חלופה.