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.

Meituan은 이를 Llama, DeepSeek, Qwen의 직접적인 대안으로 포지셔닝하고 있습니다. 중국어 작업의 경우, 그 경쟁은 특히 치열합니다. 주로 영어 인터넷 데이터로 학습된 모델은 고전 중국어 참조, 현지 규제 용어, 중국 본토 시장에서 사용되는 금융 용어, 그리고 중국 소셜 미디어를 지배하는 비공식 약어 등에서 종종 어려움을 겪습니다. 중국 소비자 행동을 기반으로 핵심 비즈니스를 운영하는 기업으로부터 데이터를 공급받아 깊이 있는 중국어 능력을 갖춘 모델은 이러한 시나리오에서 구조적 우위를 점합니다.

이는 챗봇 이상의 의미를 갖습니다. 중국 계약법을 분석하는 리걸테크(Legaltech) 기업, 역사 문헌을 해독하는 연구자, 표준 중국어 대출 서류를 처리하는 은행, 그리고 지역 방언을 처리하는 고객 서비스 플랫폼 모두 영어 중심의 관점을 통해 번역하는 것이 아니라 미묘한 차이를 이해하는 모델을 필요로 합니다.

Meituan의 숨겨진 무기: 규모와 데이터

Meituan은 배달 앱을 부업으로 하는 연구실이 아닙니다. 매일 중국 전역의 수백만 명의 라이더, 식당, 가맹점을 조율하는 운영의 거물입니다. 그 규모는 엄청난 양의 실생활 언어 데이터를 생성합니다. 챗봇으로 전달되는 고객 불만 사항, 지역 슬랭과 공식 사업자 등록 세부 정보를 혼합한 식당 설명, 주소 체계와 비공식 랜드마크를 섞은 경로 안내 지침, 세금, 위생 규정 및 지역 조례를 다루는 가맹점 서비스 티켓 등이 그 예입니다.

이 데이터는 일반적인 웹 크롤링 데이터가 결코 복제할 수 없는 방식으로 무질서하고, 맥락적이며, 매우 지역적입니다. 이를 LongCat 2.0에 학습시키면 순수하게 학술적인 학습 과정에서는 부족한 실질적인 토대를 모델에 제공할 수 있습니다. 다듬어진 위키피디아 텍스트로 학습하는 것과 실제 상거래의 혼란스럽고 거래 중심적인 언어로 학습하는 것은 전혀 다른 차원의 문제입니다.

지형이 변화하고 있는 이유

기업들이 자국산 반도체로 프런티어급 모델을 학습시킬 수 있다면, 칩 수출 규제 뒤에 숨겨진 전략적 논리 전체가 무너지기 시작합니다. 규제는 NVIDIA 공급망을 통제하면 AI 역량도 통제할 수 있다는 전제하에 만들어졌습니다. 그 전제는 실행 가능한 대안 생태계가 존재하지 않는다는 가정을 바탕으로 했습니다.

LongCat 2.0이 중국산 칩이 모든 지표에서 NVIDIA와 대등해졌다는 선언은 아닙니다. 다만 작업을 완수하기 위해 완벽하게 일치할 필요는 없다는 것을 증명할 뿐입니다. 충분한 메모리, 충분한 대역폭, 그리고 충분히 스마트한 소프트웨어 최적화는 경쟁력 있는 결과를 낼 수 있을 만큼 격차를 좁힐 수 있습니다. 이는 완전한 동등성(parity)보다 훨씬 낮은 기준이며, 이미 그 기준을 통과한 것으로 보입니다.

글로벌 AI 공급망에 주는 시사점은 명확합니다. 모든 본격적인 학습 과정이 반드시 NVIDIA 하드웨어를 거쳐야 한다는 가정은 이제 깨졌습니다. 이는 AI 개발에 있어 국가 주권 쪽으로 권력을 이동시킵니다. 방관하던 국가와 기업들은 더 이상 단일 병목 지점 공급업체를 프런티어 역량으로 가는 유일한 경로로 보지 않습니다. 그들은 대부분의 예측보다 빠르게 이분화와, 어쩌면 다극화된 하드웨어 지형이 나타나고 있음을 목격하고 있습니다.

핵심 요점

LongCat 2.0은 단순한 기술적 출시 그 이상입니다. 이는 정치적 가설에 대한 시험이며, 그 가설은 방금 실패했습니다. Meituan은 적절한 데이터, 적절한 엔지니어링 팀, 그리고 적절한 하드웨어를 갖춘 소비자 기술 기업이 금지된 서구권 GPU를 단 하나도 사용하지 않고도 1.6조 개의 파라미터를 가진 오픈 모델을 학습시킬 수 있음을 입증했습니다.

개발자들에게 이는 중국어와 롱 컨텍스트(long-context) 작업에서 진정한 깊이를 갖춘 새로운 오픈 웨이트(open-weight) 옵션이 생겼음을 의미합니다. 정책 입안자들에게는 하드웨어 차단에 기반한 제재가 단순히 획득 여부뿐만 아니라 적응 능력까지 고려해야 함을 의미합니다. 업계의 나머지 구성원들에게는 누가 무엇을 어떤 도구로 만들 수 있는지에 대한 지도가 실시간으로 다시 그려지고 있음을 의미합니다.

수출 규제는 시간을 벌어주었을지 모릅니다. 하지만 동시에 대안을 만들어낸 것으로 보입니다.