Jarenlang was de werkbare aanname in tech-beleidscirkels bot: geen NVIDIA-chips, geen frontier AI. De exportcontroles op high-end GPU's zoals de H100 en de nieuwere Blackwell-lijn waren precies ontworpen rond die flessenhals. De theorie was: snijd de toegang tot het beste silicium af en je vertraagt het vermogen van een land om de grootste en meest capabele modellen te trainen. Meituan heeft die bewering zojuist ontmaskerd.

De Chinese techreus, die vooral bekend staat om zijn dominantie in maaltijdbezorging en lokale diensten, heeft LongCat 2.0 uitgebracht. Het is een model met 1,6 biljoen parameters, gebouwd op een Mixture-of-Experts-architectuur. De crux? Het team heeft het volledig getraind op binnenlandse Chinese chips. Geen NVIDIA H100's. Geen Blackwell GPU's. En in plaats van het achter een API te verbergen, heeft Meituan de modelgewichten, de trainingscode en de volledige datapipeline op GitHub geplaatst zodat iedereen deze kan inspecteren.

Wat LongCat 2.0 daadwerkelijk biedt

Laten we eerst kijken naar de hardware-agnostische feiten. Met 1,6 biljoen parameters behoort LongCat 2.0 tot de grootste open-weight modellen die ooit zijn uitgebracht. Parameters zijn niet de enige maatstaf voor kwaliteit, maar op deze schaal duiden ze op serieuze technische ambitie. Omdat het gebruikmaakt van een Mixture-of-Experts-ontwerp, wordt er voor een specifieke taak slechts een deel van die parameters geactiveerd. Dit voorkomt dat de inferentiekosten uit de hand lopen, terwijl het model nog steeds een enorme hoeveelheid kennis en redeneerpatronen kan opslaan.

Het contextvenster bereikt één miljoen tokens. Dat komt overeen met de high-end aanbiedingen van OpenAI en Anthropic, en het verandert wat het model praktisch kan doen. Met een venster van die omvang kun je volledige juridische contracten, maanden aan chatlogs of enorme code-repositories in één enkele prompt invoeren. Voor ontwikkelaars die applicaties bouwen die geheugen over lange documenten vereisen, is dit geen marginale verbetering. Het is een functionele noodzaak.

Dan is er de openheid. Meituan heeft geen gesaniteerde demo of een beperkte API uitgebracht. De modelgewichten zijn beschikbaar, de trainingscode is openbaar, en dat geldt ook voor de pipeline. Dat is van belang voor onderzoekers die resultaten willen reproduceren, voor bedrijven die gedrag moeten auditen, en voor ingenieurs die het model moeten finetunen op eigen data zonder iets naar een server van een derde partij te sturen.

Het hardwareverhaal dat iedereen miste

De kop van het verhaal is hier niet alleen het aantal parameters. Het is het silicium eronder. LongCat 2.0 is getraind op binnenlandse versnellers, specifiek chips zoals de Huawei Ascend-serie. Dat is een radicaal ander voorstel dan een bestaand framework op een NVIDIA-cluster plakken en op 'start' drukken.

Het trainen van een model met een biljoen parameters vereist het oplossen van gedistribueerde computing-problemen op het uiterste randje. Geheugenbandbreedte, communicatie tussen chips en floating-point-prestaties moeten allemaal met uiterste precisie worden beheerd. Het voordeel van NVIDIA is nooit alleen de ruwe GPU's geweest. Het is het CUDA-ecosysteem, de geoptimaliseerde kernels en de collectieve kennis over hoe je de maximale prestaties uit die stack haalt. Het bouwen van een vergelijkbaar model op Ascend-hardware betekent dat de ingenieurs van Meituan het zware werk moesten doen om trainingsframeworks aan te passen, low-level operaties te herschrijven en gedistribueerde training-runs te debuggen op een fundamenteel andere architectuur.

Dat ze succesvol waren, suggereert iets dat groter is dan één model. Het laat zien dat Chinees hardware-software co-design volwassen wordt tot het punt waarop de afwezigheid van westerse chips geen onoverkomelijke hindernis meer is. Het is een beperking, en een dure, maar geen onmogelijke barrière.

Waar het daadwerkelijk presteert

LongCat 2.0 scoort sterk op Chinees redeneren, wiskunde en long-context retrieval. Dit zijn specifieke, waardevolle benchmarks. Wiskundig redeneren test het vermogen van een model om om te gaan met logica en symbolische manipulatie. Long-context retrieval test of het model een speld in een hooiberg van een miljoen tokens kan vinden zonder de draad kwijt te raken. Het behalen van beide is het verschil tussen een model dat slim klinkt en een model dat daadwerkelijk werk kan verrichten.

Meituan positioneert dit als een direct alternatief voor Llama, DeepSeek en Qwen. Voor taken in de Chinese taal is die concurrentie bijzonder scherp. Modellen die voornamelijk zijn getraind op Engelse internetdata worstelen vaak met klassieke Chinese referenties, lokale juridische taal, financiële terminologie die in het vasteland van China wordt gebruikt, en de informele afkortingen die de Chinese sociale media domineren. Een model dat is gebouwd met diepgaande Chinese taalvaardigheid, gevoed door een bedrijf waarvan de kernactiviteiten draaien om Chinees consumentengedrag, heeft in die scenario's een structureel voordeel.

Dat is van belang voor meer dan alleen chatbots. Legaltech-bedrijven die het contractenrecht van de Volksrepubliek China analyseren, onderzoekers die historische teksten ontleden, banken die Mandarijnse leningdocumentatie verwerken, en klantenserviceplatforms die omgaan met regionale dialecten, hebben allemaal modellen nodig die nuance begrijpen in plaats van te vertalen door een Engelstalige bril.

Meituans verborgen wapen: schaal en data

Meituan is geen onderzoekslaboratorium met een bezorg-app als bijzaak. Het is een operationele grootmacht die elke dag miljoenen bezorgers, restaurants en handelaren in heel China coördineert. Die schaal genereert een stroom aan taaldata uit de echte wereld. Klachten van klanten die naar chatbots worden doorgestuurd. Restaurantbeschrijvingen die regionaal slang mengen met formele bedrijfsregistratiegegevens. Route-instructies die adressystemen combineren met informele oriëntatiepunten. Serviceverzoeken van handelaren die gaan over belastingen, hygiënevoorschriften en lokale verordeningen.

Deze data is rommelig, contextueel en diep lokaal op een manier die generieke webcrawl-data nooit kan evenaren. Door dit in LongCat 2.0 te voeden, krijgt het model een praktische basis die bij puur academische trainingssessies ontbreekt. Het is het ene om te trainen op gepolijste Wikipedia-teksten, en het is iets heel anders om te trainen op de chaotische, transactionele taal van de werkelijke handel.

Waarom de grond verschuift

Als bedrijven frontier-klasse modellen kunnen trainen op binnenlandse chips, begint de gehele strategische logica achter de exportverboden op chips te eroderen. De verboden waren gebaseerd op de aanname dat het controleren van de toeleveringslijnen van NVIDIA de AI-capaciteit zou controleren. Die aanname veronderstelde dat er geen levensvatbaar alternatief ecosysteem bestond.

LongCat 2.0 is geen verklaring dat Chinese chips NVIDIA op elke metriek hebben ingehaald. Het is het bewijs dat ze niet perfect hoeven te matchen om de klus te klaren. Voldoende geheugen, voldoende bandbreedte en voldoende slimme software-optimalisatie kunnen de kloof genoeg dichten om concurrerende resultaten te behalen. Dat is een veel lagere lat dan volledige gelijkwaardigheid, en het lijkt erop dat die lat is gehaald.

Voor wereldwijde AI-toeleveringsketens is de implicatie duidelijk. De aanname dat alle serieuze trainingssessies via NVIDIA-hardware moeten verlopen, is nu dood. Dat verschuift de macht naar nationale soevereiniteit in AI-ontwikkeling. Landen en bedrijven die vanaf de zijlijn toekijken, zien een enkele leverancier met een knelpuntpositie niet langer als de enige weg naar frontier-capaciteiten. Ze zien een splitsing, en mogelijk een multipolaire hardware-omgeving, die sneller ontstaat dan de meesten hadden voorspeld.

De belangrijkste conclusie

LongCat 2.0 is meer dan een technische release. Het is een test van een politieke hypothese, en die hypothese is zojuist gefaald. Meituan heeft aangetoond dat een consumententechnologiebedrijf met de juiste data, het juiste engineeringteam en de juiste hardware een open model met 1,6 biljoen parameters kan trainen zonder ook maar één verboden westerse GPU aan te raken.

Voor ontwikkelaars betekent dit een nieuwe open-weight optie met echte diepgang in de Chinese taal en taken met een lange context. Voor beleidsmakers betekent het dat sancties gebaseerd op het ontzeggen van hardware rekening moeten houden met aanpassing, niet alleen met aanschaf. Voor de rest van de industrie betekent het dat de kaart van wie wat kan bouwen, en met welke tools, in realtime wordt hertekend.

De exportverboden hebben misschien tijd gekocht. Ze lijken echter ook een alternatief te hebben opgeleverd.