Durante años, la premisa de trabajo en los círculos de política tecnológica ha sido tajante: sin chips de NVIDIA, no hay IA de vanguardia. Los control...

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.

Meituan está posicionando esto como una alternativa directa a Llama, DeepSeek y Qwen. Para las tareas en idioma chino, esa competencia es especialmente intensa. Los modelos entrenados predominantemente con datos de internet en inglés suelen tropezar con referencias al chino clásico, lenguaje regulatorio local, terminología financiera utilizada en los mercados continentales y la abreviatura informal que domina las redes sociales chinas. Un modelo construido con profundas habilidades en el idioma chino, alimentado por una empresa cuyo negocio principal se basa en el comportamiento del consumidor chino, posee una ventaja estructural en esos escenarios.

Esto es importante para algo más que los chatbots. Las empresas de Legaltech que analizan la ley de contratos de la RPC, los investigadores que analizan textos históricos, los bancos que procesan documentación de préstamos en mandarín y las plataformas de atención al cliente que gestionan dialectos regionales, todos necesitan modelos que comprendan los matices en lugar de traducir a través de una lente centrada en el inglés.

El arma oculta de Meituan: Escala y datos

Meituan no es un laboratorio de investigación con una aplicación de entrega como actividad secundaria. Es un gigante operativo que coordina millones de repartidores, restaurantes y comerciantes en toda China cada día. Esa escala genera un torrente de datos lingüísticos del mundo real. Quejas de clientes dirigidas a chatbots. Descripciones de restaurantes que mezclan jerga regional con detalles formales de registro comercial. Instrucciones de ruta que mezclan sistemas de direcciones con puntos de referencia informales. Tickets de servicio al comerciante que tratan sobre impuestos, regulaciones de higiene y ordenanzas locales.

Estos datos son desordenados, contextuales y profundamente locales de una manera que los datos genéricos de rastreo web nunca podrán replicar. Alimentar LongCat 2.0 con esto le otorga al modelo una base práctica de la que carecen las sesiones de entrenamiento puramente académicas. Una cosa es entrenar con textos pulidos de Wikipedia. Otra muy distinta es entrenar con el lenguaje caótico y transaccional del comercio real.

Por qué el terreno está cambiando

Si las empresas pueden entrenar modelos de clase de frontera con silicio nacional, toda la lógica estratégica detrás de las prohibiciones de exportación de chips comienza a erosionarse. Las prohibiciones se basaron en la premisa de que controlar las líneas de suministro de NVIDIA controlaría la capacidad de la IA. Esa premisa asumía que no existía un ecosistema alternativo viable.

LongCat 2.0 no es una declaración de que los chips chinos hayan igualado a NVIDIA en todas las métricas. Es la prueba de que no necesitan igualarlos perfectamente para cumplir con el trabajo. Una memoria suficiente, un ancho de banda suficiente y una optimización de software suficientemente inteligente pueden cerrar la brecha lo suficiente como para producir resultados competitivos. Ese es un listón mucho más bajo que la paridad total, y es un listón que parece haber sido superado.

Para las cadenas de suministro globales de IA, la implicación es clara. La suposición de que todos los entrenamientos serios deben pasar por el hardware de NVIDIA ha muerto. Eso desplaza el poder hacia la soberanía nacional en el desarrollo de la IA. Los países y las empresas que observan desde la barrera ya no ven a un único proveedor con un punto de estrangulamiento como el único camino hacia la capacidad de frontera. Ven una bifurcación, y posiblemente un panorama de hardware multipolar, emergiendo más rápido de lo que la mayoría predijo.

La verdadera conclusión

LongCat 2.0 es más que un lanzamiento técnico. Es una prueba de una hipótesis política, y la hipótesis acaba de fallar. Meituan ha demostrado que una empresa de tecnología de consumo con los datos adecuados, el equipo de ingeniería adecuado y el hardware adecuado puede entrenar un modelo abierto de 1,6 billones de parámetros sin tocar una sola GPU occidental prohibida.

Para los desarrolladores, esto significa una nueva opción de pesos abiertos con una profundidad genuina en el idioma chino y en tareas de contexto largo. Para los responsables de la formulación de políticas, significa que las sanciones basadas en la denegación de hardware deben tener en cuenta la adaptación, no solo la adquisición. Para el resto de la industria, significa que el mapa de quién puede construir qué, y con qué herramientas, se está redibujando en tiempo real.

Las prohibiciones de exportación pueden haber ganado tiempo. También parecen haber comprado una alternativa.