Seit Jahren ist die gängige Annahme in tech-politischen Kreisen unmissverständlich: keine NVIDIA-Chips, keine Frontier-KI. Die Exportbeschränk...

Jahrelang war die Arbeitsannahme in technologiepolitischen Kreisen unverblümt: keine NVIDIA-Chips, keine Frontier-KI. Die Exportkontrollen für High-End-GPUs wie die H100 und die neuere Blackwell-Serie wurden genau um diesen Engpass herum konzipiert. Die Theorie besagte: Sperrt den Zugang zum besten Silizium ab, und ihr bremst die Fähigkeit eines Landes, die größten und leistungsfähigsten Modelle zu trainieren. Meituan hat diesen Bluff gerade entlarvt.

Der chinesische Tech-Gigant, der vor allem für seine Dominanz bei Essenslieferungen und lokalen Dienstleistungen bekannt ist, hat LongCat 2.0 veröffentlicht. Es handelt sich um ein Modell mit 1,6 Billionen Parametern, das auf einer Mixture-of-Experts-Architektur basiert. Der Clou? Das Team hat es vollständig auf einheimischen chinesischen Chips trainiert. Keine NVIDIA H100s. Keine Blackwell-GPUs. Und anstatt es hinter einer API zu verstecken, hat Meituan die Gewichte, den Trainingscode und die gesamte Daten-Pipeline auf GitHub veröffentlicht, damit jeder sie untersuchen kann.

Was LongCat 2.0 tatsächlich bietet

Schauen wir uns zuerst die hardwareagnostischen Fakten an. Mit 1,6 Billionen Parametern gehört LongCat 2.0 zu den größten jemals veröffentlichten Open-Weight-Modellen. Parameter sind nicht das einzige Qualitätsmaß, aber in dieser Größenordnung signalisieren sie ernsthaften ingenieurtechnischen Ehrgeiz. Da es ein Mixture-of-Experts-Design verwendet, wird für jede Aufgabe nur eine Teilmenge dieser Parameter aktiviert. Das verhindert, dass die Inferenzkosten außer Kontrolle geraten, während das Modell dennoch eine enorme Bandbreite an Wissen und Denkmustern speichern kann.

Das Kontextfenster umfasst eine Million Token. Das entspricht den High-End-Angeboten von OpenAI und Anthropic und verändert grundlegend, was das Modell praktisch leisten kann. Mit einem so großen Fenster können Sie ihm ganze Rechtsverträge, monatelange Chat-Protokolle oder riesige Code-Repositories in einem einzigen Prompt einspeisen. Für Entwickler, die Anwendungen bauen, die ein Gedächtnis über lange Dokumente hinweg benötigen, ist dies keine geringfügige Verbesserung. Es ist eine funktionale Notwendigkeit.

Dann ist da noch die Offenheit. Meituan hat keine bereinigte Demo oder eine eingeschränkte API veröffentlicht. Die Modellgewichte sind verfügbar, der Trainingscode ist öffentlich und das Gleiche gilt für die Pipeline. Das ist wichtig für Forscher, die Ergebnisse reproduzieren wollen, für Unternehmen, die das Verhalten prüfen müssen, und für Ingenieure, die das Modell mit proprietären Daten feintunen müssen, ohne etwas an einen Server eines Drittanbieters zu senden.

Die Hardware-Geschichte, die alle übersehen haben

Die eigentliche Schlagzeile ist nicht nur die Anzahl der Parameter. Es ist das zugrunde liegende Silizium. LongCat 2.0 wurde auf einheimischen Beschleunigern trainiert, speziell auf Chips wie der Huawei Ascend-Serie. Das ist ein radikal anderer Ansatz, als einfach ein bestehendes Framework auf einen NVIDIA-Cluster zu werfen und auf „Start“ zu drücken.

Das Training eines Modells mit einer Billion Parametern erfordert die Lösung von Problemen des verteilten Rechnens am äußersten Grenzbereich. Speicherbandbreite, Inter-Chip-Kommunikation und Gleitkommaleistung müssen alle mit gnadenloser Präzision verwaltet werden. NVIDIAs Vorteil waren nie nur die reinen GPUs. Es ist das CUDA-Ökosystem, die optimierten Kernel und das kollektive Wissen darüber, wie man die maximale Leistung aus diesem Stack herausholt. Ein vergleichbares Modell auf Ascend-Hardware zu bauen, bedeutet, dass die Ingenieure von Meituan die mühsame Arbeit leisten mussten, Trainings-Frameworks anzupassen, Low-Level-Operationen neu zu schreiben und verteilte Trainingsläufe auf einer grundlegend anderen Architektur zu debuggen.

Dass sie Erfolg hatten, deutet auf etwas Größeres hin als nur ein einzelnes Modell. Es zeigt, dass das chinesische Hardware-Software-Co-Design so weit gereift ist, dass das Fehlen westlicher Chips kein unüberwindbares Hindernis mehr darstellt. Es ist eine Einschränkung, und zwar eine teure, aber keine unmögliche Barriere.

Wo es tatsächlich punktet

LongCat 2.0 punktet stark bei chinesischem Reasoning, Mathematik und Long-Context-Retrieval. Dies sind spezifische, hochwertige Benchmarks. Mathematisches Reasoning testet die Fähigkeit eines Modells, mit Logik und symbolischer Manipulation umzugehen. Long-Context-Retrieval testet, ob das Modell eine Informationsnadel in einem Heuhaufen aus einer Million Token finden kann, ohne den Faden zu verlieren. Beides zu meistern, ist der Unterschied zwischen einem Modell, das nur schlau klingt, und einem, das tatsächlich Arbeit verrichten kann.

Meituan positioniert dies als direkte Alternative zu Llama, DeepSeek und Qwen. Bei Aufgaben in chinesischer Sprache ist dieser Wettbewerb besonders intensiv. Modelle, die überwiegend mit englischen Internetdaten trainiert wurden, stolpern oft über klassische chinesische Referenzen, lokale regulatorische Sprache, Finanzterminologie der Festlandmärkte und die informelle Kurzschrift, die in den chinesischen sozialen Medien dominiert. Ein Modell, das mit tiefgreifenden chinesischen Sprachkenntnissen entwickelt wurde und von einem Unternehmen gespeist wird, dessen Kerngeschäft auf dem chinesischen Konsumverhalten basiert, hat in diesen Szenarien einen strukturellen Vorteil.

Das ist für mehr als nur Chatbots von Bedeutung. Legaltech-Unternehmen, die das Vertragsrecht der Volksrepublik China analysieren, Forscher, die historische Texte auswerten, Banken, die Mandarin-Kreditunterlagen verarbeiten, und Kundenservice-Plattformen, die regionale Dialekte handhaben, benötigen alle Modelle, die Nuancen verstehen, anstatt durch eine englischzentrierte Brille zu übersetzen.

Meituans verborgene Waffe: Skalierung und Daten

Meituan ist kein Forschungslabor mit einer Liefer-App als Nebensache. Es ist ein operativer Gigant, der täglich Millionen von Fahrern, Restaurants und Händlern in ganz China koordiniert. Diese Skalierung erzeugt einen Strom von realen Sprachdaten. Kundenbeschwerden, die an Chatbots geleitet werden. Restaurantbeschreibungen, die regionalen Slang mit formalen Handelsregisterdaten vermischen. Routing-Anweisungen, die Adresssysteme mit informellen Orientierungspunkten kombinieren. Service-Tickets von Händlern, die Steuern, Hygienevorschriften und lokale Verordnungen betreffen.

Diese Daten sind unordentlich, kontextbezogen und tief lokal verwurzelt – auf eine Weise, die generische Web-Crawl-Daten niemals replizieren können. Die Einspeisung dieser Daten in LongCat 2.0 verleiht dem Modell eine praktische Fundierung, die rein akademischen Trainingsläufen fehlt. Es ist eine Sache, auf polierten Wikipedia-Texten zu trainieren. Es ist etwas ganz anderes, auf der chaotischen, transaktionalen Sprache des tatsächlichen Handels zu trainieren.

Warum sich das Fundament verschiebt

Wenn Unternehmen Frontier-Modelle auf heimischem Silizium trainieren können, beginnt die gesamte strategische Logik hinter den Chip-Exportbeschränkungen zu erodieren. Die Verbote basierten auf der Prämisse, dass die Kontrolle über die NVIDIA-Lieferketten die Kontrolle über die KI-Kapazitäten bedeuten würde. Diese Prämisse setzte voraus, dass kein lebensfähiges alternatives Ökosystem existierte.

LongCat 2.0 ist kein Bekenntnis dazu, dass chinesische Chips NVIDIA in jeder Hinsicht eingeholt haben. Es ist der Beweis dafür, dass sie nicht perfekt mithalten müssen, um die Aufgabe zu bewältigen. Ausreichend Speicher, ausreichende Bandbreite und eine ausreichend intelligente Softwareoptimierung können die Lücke so weit schließen, dass wettbewerbsfähige Ergebnisse erzielt werden. Das ist eine viel niedrigere Hürde als vollständige Parität, und es scheint eine Hürde zu sein, die bereits genommen wurde.

Für die globalen KI-Lieferketten ist die Implikation klar. Die Annahme, dass alle ernsthaften Trainingsläufe über NVIDIA-Hardware laufen müssen, ist nun hinfällig. Das verschiebt die Macht in Richtung nationaler Souveränität in der KI-Entwicklung. Länder und Unternehmen, die am Spielfeldrand zusehen, sehen keinen einzelnen Engpass-Lieferanten mehr als den einzigen Weg zu Frontier-Kapazitäten. Sie sehen eine Aufspaltung und möglicherweise eine multipolare Hardware-Landschaft entstehen, die schneller eintritt, als die meisten vorhergesagt haben.

Das eigentliche Fazit

LongCat 2.0 ist mehr als nur ein technisches Release. Es ist ein Test einer politischen Hypothese, und diese Hypothese ist gerade gescheitert. Meituan hat demonstriert, dass ein Consumer-Tech-Unternehmen mit den richtigen Daten, dem richtigen Engineering-Team und der richtigen Hardware ein Open-Weight-Modell mit 1,6 Billionen Parametern trainieren kann, ohne eine einzige verbotene westliche GPU zu verwenden.

Für Entwickler bedeutet dies eine neue Open-Weight-Option mit echter Tiefe in der chinesischen Sprache und bei Long-Context-Aufgaben. Für politische Entscheidungsträger bedeutet es, dass Sanktionen, die auf der Verweigerung von Hardware basieren, Anpassungsprozesse berücksichtigen müssen, nicht nur den Erwerb. Für den Rest der Branche bedeutet es, dass die Landkarte dessen, wer was mit welchen Werkzeugen bauen kann, in Echtzeit neu gezeichnet wird.

Die Exportbeschränkungen mögen Zeit gekauft haben. Sie scheinen jedoch auch eine Alternative erkauft zu haben.