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.

تسوق Meituan هذا النموذج كبديل مباشر لـ Llama وDeepSeek وQwen. وبالنسبة للمهام المتعلقة باللغة الصينية، فإن هذه المنافسة حادة بشكل خاص. فالنماذج التي يتم تدريبها بشكل أساسي على بيانات الإنترنت باللغة الإنجليزية غالبًا ما تتعثر في المراجع الصينية الكلاسيكية، واللغة التنظيمية المحلية، والمصطلحات المالية المستخدمة في الأسواق الصينية، والاختصارات غير الرسمية التي تهيمن على وسائل التواصل الاجتماعي الصينية. إن النموذج الذي تم بناؤه بمهارات لغوية صينية عميقة، ومدعوم من شركة يعتمد عملها الأساسي على سلوك المستهلك الصيني، يتمتع بميزة هيكلية في تلك السيناريوهات.

وهذا الأمر يتجاوز مجرد روبوتات الدردشة؛ فشركات التكنولوجيا القانونية (Legaltech) التي تحلل قانون العقود في جمهورية الصين الشعبية، والباحثون الذين يحللون النصوص التاريخية، والبنوك التي تعالج وثائق القروض باللغة الماندارين، ومنصات خدمة العملاء التي تتعامل مع اللهجات الإقليمية، يحتاجون جميعًا إلى نماذج تفهم الفروق الدقيقة بدلاً من الترجمة من منظور متمحور حول اللغة الإنجليزية.

سلاح Meituan الخفي: النطاق والبيانات

Meituan ليست مختبر أبحاث لديه تطبيق توصيل كنشاط جانبي، بل هي قوة تشغيلية هائلة تنسق بين ملايين السائقين والمطاعم والتجار في جميع أنحاء الصين يوميًا. ويولد هذا النطاق سيلًا من البيانات اللغوية من العالم الحقيقي: شكاوى العملاء التي يتم توجيهها إلى روبوتات الدردشة، وأوصاف المطاعم التي تمزج بين العامية الإقليمية وتفاصيل التسجيل التجاري الرسمية، وتعليمات التوجيه التي تخلط بين أنظمة العناوين والمعالم غير الرسمية، وتذاكر خدمة التجار التي تتناول الضرائب ولوائح النظافة واللوائح المحلية.

هذه البيانات غير منظمة، وسياقية، ومحلية للغاية بطريقة لا يمكن لبيانات الزحف عبر الويب العامة محاكاتها أبدًا. إن تغذية LongCat 2.0 بهذه البيانات يمنح النموذج أساسًا عمليًا تفتقر إليه عمليات التدريب الأكاديمية البحتة. فتدريب النموذج على نصوص Wikipedia المصقولة شيء، وتدريبه على اللغة الفوضوية والمعاملاتية للتجارة الفعلية شيء آخر تمامًا.

لماذا تتغير الموازين

إذا تمكنت الشركات من تدريب نماذج من الفئة الرائدة (frontier-class) على السيليكون المحلي، فإن المنطق الاستراتيجي الكامل وراء حظر تصدير الرقائق سيبدأ في التآكل. لقد بُنيت عمليات الحظر على فرضية أن السيطرة على خطوط إمداد NVIDIA ستؤدي إلى السيطرة على قدرات الذكاء الاصطناعي، وافترضت تلك الفرضية عدم وجود نظام بيئي بديل قابل للتطبيق.

لا يعد LongCat 2.0 إعلانًا بأن الرقائق الصينية قد تساوت مع NVIDIA في كل المقاييس، بل هو دليل على أنها لا تحتاج إلى التساوي التام لإنجاز المهمة. فالذاكرة الكافية، ونطاق التردد الكافي، وتحسين البرمجيات الذكي بما يكفي يمكن أن يقلص الفجوة بما يكفي لإنتاج نتائج تنافسية. وهذا معيار أقل بكثير من التكافؤ التام، ويبدو أنه قد تم تجاوزه.

بالنسبة لسلاسل توريد الذكاء الاصطناعي العالمية، فإن النتيجة واضحة. فافتراض أن جميع عمليات التدريب الجادة يجب أن تمر عبر أجهزة NVIDIA قد انتهى الآن. وهذا ينقل القوة نحو السيادة الوطنية في تطوير الذكاء الاصطناعي. فالبلدان والشركات التي تراقب من الهامش لم تعد ترى في مورد واحد يمثل نقطة اختناق المسار الوحيد للوصول إلى القدرات الرائدة؛ بل يرون انقسامًا، وربما مشهدًا متعدد الأقطاب للأجهزة، يظهر بشكل أسرع مما توقعه معظم الخبراء.

الخلاصة الحقيقية

LongCat 2.0 هو أكثر من مجرد إصدار تقني؛ إنه اختبار لفرضية سياسية، وقد فشلت هذه الفرضية للتو. لقد أثبتت Meituan أن شركة تكنولوجيا استهلاكية تمتلك البيانات الصحيحة، والفريق الهندسي المناسب، والأجهزة المناسبة، يمكنها تدريب نموذج مفتوح يحتوي على 1.6 تريليون معلمة (parameter) دون لمس وحدة معالجة رسومات (GPU) غربية واحدة محظورة.

بالنسبة للمطورين، يعني هذا خيارًا جديدًا مفتوح الأوزان (open-weight) يتميز بعمق حقيقي في اللغة الصينية ومهام السياق الطويل. وبالنسبة لصناع السياسات، يعني هذا أن العقوبات القائمة على حرمان الأجهزة يجب أن تأخذ في الاعتبار القدرة على التكيف، وليس مجرد الاستحواذ. أما بالنسبة لبقية الصناعة، فيعني ذلك أن خريطة من يمكنه بناء ماذا، وبأي أدوات، يتم إعادة رسمها في الوقت الفعلي.

قد تكون قيود التصدير قد منحت بعض الوقت، ولكن يبدو أنها منحت أيضًا بديلًا.