Per anni, l'assunto prevalente nei circoli della politica tecnologica è stato brutale: niente chip NVIDIA, niente IA di frontiera. I controlli sulle esportazioni di GPU di fascia alta come l'H100 e la più recente linea Blackwell sono stati progettati proprio attorno a quel collo di bottiglia. Tagliando l'accesso al miglior silicio, sosteneva la teoria, si rallenta la capacità di un paese di addestrare i modelli più grandi e capaci. Meituan ha appena smascherato questa finzione.
Il gigante tecnologico cinese, noto soprattutto per il dominio nel food delivery e nei servizi locali, ha rilasciato LongCat 2.0. Si tratta di un modello da 1,6 trilioni di parametri basato su un'architettura Mixture-of-Experts. Il colpo di scena? Il team lo ha addestrato interamente su chip domestici cinesi. Nessun H100 NVIDIA. Nessuna GPU Blackwell. E invece di nasconderlo dietro un'API, Meituan ha rilasciato i pesi, il codice di addestramento e l'intera pipeline di dati su GitHub, affinché chiunque possa ispezionarli.
Cosa offre realmente LongCat 2.0
Analizziamo prima i fatti indipendenti dall'hardware. Con 1,6 trilioni di parametri, LongCat 2.0 si colloca tra i modelli open-weight più grandi mai rilasciati. I parametri non sono l'unico parametro di qualità, ma a questa scala segnalano una seria ambizione ingegneristica. Poiché utilizza un design Mixture-of-Experts, solo un sottoinsieme di quei parametri si attiva per ogni singolo compito. Ciò evita che i costi di inferenza esplodano, permettendo comunque al modello di memorizzare una gamma enorme di conoscenze e schemi di ragionamento.
La finestra di contesto raggiunge un milione di token. Questo eguaglia le offerte di fascia alta di OpenAI e Anthropic e cambia ciò che il modello può fare in pratica. Con una finestra così ampia, è possibile fornirgli interi contratti legali, mesi di log di chat o vasti repository di codice in un unico prompt. Per gli sviluppatori che creano applicazioni che richiedono memoria attraverso documenti lunghi, questo non è un miglioramento marginale. È una necessità funzionale.
Poi c'è l'apertura. Meituan non ha rilasciato una demo depurata o un'API limitata. I pesi del modello sono disponibili, il codice di addestramento è pubblico e lo è anche la pipeline. Questo è fondamentale per i ricercatori che vogliono riprodurre i risultati, per le aziende che devono auditare il comportamento e per gli ingegneri che devono effettuare il fine-tuning del modello su dati proprietari senza inviare nulla a un server di terze parti.
La storia dell'hardware che tutti hanno ignorato
Il punto saliente qui non è solo il numero di parametri. È il silicio sottostante. LongCat 2.0 è stato addestrato su acceleratori domestici, nello specifico chip come la serie Huawei Ascend. Si tratta di una proposta radicalmente diversa rispetto all'applicare un framework esistente a un cluster NVIDIA e premere "play".
Addestrare un modello da un trilione di parametri richiede la risoluzione di problemi di calcolo distribuito ai limiti estremi. La larghezza di banda della memoria, la comunicazione inter-chip e le prestazioni in virgola mobile devono essere gestite con una precisione ferocissima. Il vantaggio di NVIDIA non è mai stato solo nelle GPU grezze. È l'ecosistema CUDA, i kernel ottimizzati e la conoscenza collettiva su come spremere le prestazioni da quello stack. Costruire un modello comparabile su hardware Ascend significa che gli ingegneri di Meituan hanno dovuto svolgere il faticoso lavoro di adattare i framework di addestramento, riscrivere le operazioni di basso livello e correggere gli errori delle sessioni di addestramento distribuito su un'architettura fondamentalmente diversa.
Il fatto che ci siano riusciti suggerisce qualcosa di più grande di un singolo modello. Dimostra che il co-design hardware-software cinese sta maturando al punto in cui l'assenza di chip occidentali non è più un blocco insormontabile. È un vincolo, e costoso, ma non una barriera impossibile.
Dove offre prestazioni reali
LongCat 2.0 ottiene punteggi elevati nel ragionamento in cinese, nella matematica e nel recupero in contesti lunghi (long-context retrieval). Si tratta di benchmark specifici e di alto valore. Il ragionamento matematico testa la capacità di un modello di gestire la logica e la manipolazione simbolica. Il recupero in contesti lunghi testa se il modello è in grado di trovare un ago di informazioni in un pagliaio di un milione di token senza perdere il filo. Superare entrambi è la differenza tra un modello che sembra intelligente e uno che può effettivamente lavorare.
Meituan sta posizionando questo modello come un'alternativa diretta a Llama, DeepSeek e Qwen. Per i compiti in lingua cinese, la competizione è particolarmente accesa. I modelli addestrati prevalentemente su dati internet in inglese spesso inciampano su riferimenti al cinese classico, linguaggio normativo locale, terminologia finanziaria utilizzata nei mercati della Cina continentale e lo slang informale che domina i social media cinesi. Un modello costruito con profonde competenze linguistiche cinesi, alimentato da un'azienda il cui core business si basa sul comportamento dei consumatori cinesi, possiede un vantaggio strutturale in questi scenari.
Questo è importante per molto più che per i chatbot. Le aziende di legaltech che analizzano il diritto contrattuale della RPC, i ricercatori che esaminano testi storici, le banche che elaborano la documentazione per i prestiti in mandarino e le piattaforme di assistenza clienti che gestiscono i dialetti regionali hanno tutti bisogno di modelli che comprendano le sfumature, piuttosto che tradurre attraverso una lente anglocentrica.
L'arma segreta di Meituan: scala e dati
Meituan non è un laboratorio di ricerca con un'app di consegna come attività secondaria. È un colosso operativo che coordina ogni giorno milioni di rider, ristoranti e commercianti in tutta la Cina. Tale scala genera un torrente di dati linguistici del mondo reale. Reclami dei clienti indirizzati ai chatbot. Descrizioni di ristoranti che mescolano slang regionale con dettagli formali di registrazione commerciale. Istruzioni di instradamento che mischiano sistemi di indirizzi con punti di riferimento informali. Ticket di assistenza commerciale che trattano di tasse, regolamenti igienici e ordinanze locali.
Questi dati sono disordinati, contestuali e profondamente locali in un modo che i generici dati di web crawling non potranno mai replicare. Alimentare LongCat 2.0 con questi dati conferisce al modello una base pratica di cui mancano i cicli di addestramento puramente accademici. Una cosa è addestrarsi su testi rifiniti di Wikipedia. Un'altra è addestrarsi sul linguaggio caotico e transazionale del commercio reale.
Perché il terreno si sta spostando
Se le aziende possono addestrare modelli di classe frontier su silicio nazionale, l'intera logica strategica alla base dei divieti di esportazione dei chip inizia a erodersi. I divieti si basavano sul presupposto che il controllo delle linee di approvvigionamento NVIDIA avrebbe garantito il controllo delle capacità di IA. Quel presupposto assumeva che non esistesse alcun ecosistema alternativo praticabile.
LongCat 2.0 non è una dichiarazione secondo cui i chip cinesi hanno raggiunto NVIDIA in ogni metrica. È la prova che non è necessario eguagliarli perfettamente per portare a termine il lavoro. Memoria sufficiente, larghezza di banda sufficiente e un'ottimizzazione software sufficientemente intelligente possono colmare il divario quanto basta per produrre risultati competitivi. Si tratta di un traguardo molto più basso rispetto alla parità totale, ed è un traguardo che sembra essere stato superato.
Per le catene di approvvigionamento globali dell'IA, l'implicazione è chiara. L'assunto che tutti i cicli di addestramento seri debbano passare attraverso l'hardware NVIDIA è ormai morto. Ciò sposta il potere verso la sovranità nazionale nello sviluppo dell'IA. I paesi e le aziende che osservano dai margini non vedono più un singolo fornitore che rappresenta un punto di strozzatura come l'unica via per raggiungere capacità di frontiera. Vedono una biforcazione, e possibilmente un panorama hardware multipolare, emergere più velocemente di quanto la maggior parte avesse previsto.
La vera conclusione
LongCat 2.0 è più di un rilascio tecnico. È un test di un'ipotesi politica, e l'ipotesi è appena fallita. Meituan ha dimostrato che un'azienda tecnologica consumer con i dati giusti, il team di ingegneria giusto e l'hardware giusto può addestrare un modello open da 1,6 trilioni di parametri senza toccare una singola GPU occidentale bandita.
Per gli sviluppatori, questo significa una nuova opzione open-weight con una reale profondità nella lingua cinese e nei compiti a lungo contesto. Per i decisori politici, significa che le sanzioni basate sul diniego dell'hardware devono tenere conto dell'adattamento, non solo dell'acquisizione. Per il resto del settore, significa che la mappa di chi può costruire cosa, e con quali strumenti, viene ridisegnata in tempo reale.
I divieti di esportazione potrebbero aver guadagnato tempo. Sembrano anche aver acquistato un'alternativa.