Selama bertahun-tahun, asumsi yang berlaku di kalangan kebijakan teknologi sangatlah gamblang: tanpa chip NVIDIA, tidak ada AI mutakhir. Kontrol ekspor pada GPU kelas atas seperti H100 dan lini Blackwell yang lebih baru dirancang tepat di sekitar hambatan tersebut. Teorinya adalah, dengan memutus akses ke silikon terbaik, Anda akan memperlambat kemampuan suatu negara untuk melatih model terbesar dan paling mumpuni. Meituan baru saja membuktikan bahwa teori itu keliru.

Raksasa teknologi Tiongkok, yang paling dikenal karena mendominasi pengiriman makanan dan layanan lokal, telah merilis LongCat 2.0. Ini adalah model dengan 1,6 triliun parameter yang dibangun di atas arsitektur Mixture-of-Experts. Kejutan utamanya? Tim tersebut melatihnya sepenuhnya menggunakan chip domestik Tiongkok. Tanpa NVIDIA H100. Tanpa GPU Blackwell. Dan alih-alih menyembunyikannya di balik API, Meituan telah merilis bobot (weights), kode pelatihan, dan seluruh pipa data (data pipeline) di GitHub agar dapat diperiksa oleh siapa saja.

Apa yang Sebenarnya Dibawa oleh LongCat 2.0

Mari kita lihat fakta-fakta yang tidak bergantung pada perangkat keras (hardware-agnostic) terlebih dahulu. Dengan 1,6 triliun parameter, LongCat 2.0 termasuk di antara model open-weight terbesar yang pernah dirilis. Parameter bukanlah satu-satunya ukuran kualitas, tetapi pada skala ini, mereka menandakan ambisi teknik yang serius. Karena menggunakan desain Mixture-of-Experts, hanya sebagian kecil dari parameter tersebut yang aktif untuk tugas tertentu. Hal ini menjaga biaya inferensi agar tidak membengkak tak terkendali, sembari tetap memungkinkan model untuk menyimpan rentang pengetahuan dan pola penalaran yang sangat luas.

Jendela konteksnya (context window) mencapai satu juta token. Hal ini setara dengan penawaran kelas atas dari OpenAI dan Anthropic, dan ini mengubah apa yang secara praktis dapat dilakukan oleh model tersebut. Dengan jendela sebesar itu, Anda dapat memasukkan seluruh kontrak hukum, log obrolan selama berbulan-bulan, atau repositori kode yang luas dalam satu perintah (prompt). Bagi pengembang yang membangun aplikasi yang membutuhkan memori di seluruh dokumen panjang, ini bukanlah peningkatan marginal. Ini adalah kebutuhan fungsional.

Kemudian ada aspek keterbukaan. Meituan tidak merilis demo yang telah disederhanakan atau API yang dibatasi. Bobot model tersedia, kode pelatihan bersifat publik, begitu pula dengan pipelining-nya. Hal ini penting bagi peneliti yang ingin mereproduksi hasil, bagi perusahaan yang perlu mengaudit perilaku, dan bagi insinyur yang perlu melakukan fine-tune pada model menggunakan data milik sendiri tanpa mengirimkan apa pun ke server pihak ketiga.

Kisah Perangkat Keras yang Terlewatkan oleh Semua Orang

Berita utamanya di sini bukan sekadar jumlah parameter. Melainkan silikon di baliknya. LongCat 2.0 dilatih pada akselerator domestik, khususnya chip seperti seri Huawei Ascend. Itu adalah proposisi yang sangat berbeda dibandingkan sekadar menempelkan kerangka kerja (framework) yang sudah ada ke klaster NVIDIA dan menjalankannya.

Melatih model dengan triliunan parameter memerlukan penyelesaian masalah komputasi terdistribusi di batas ekstrem. Bandwidth memori, komunikasi antar-chip, dan performa floating-point semuanya harus dikelola dengan presisi yang sangat tinggi. Keunggulan NVIDIA tidak pernah hanya pada GPU mentahnya. Melainkan pada ekosistem CUDA, kernel yang dioptimalkan, dan pengetahuan kolektif tentang cara memeras performa dari tumpukan (stack) tersebut. Membangun model yang sebanding pada perangkat keras Ascend berarti para insinyur Meituan harus melakukan pekerjaan berat dalam mengadaptasi kerangka kerja pelatihan, menulis ulang operasi tingkat rendah (low-level operations), dan melakukan debugging pada proses pelatihan terdistribusi di arsitektur yang secara fundamental berbeda.

Keberhasilan mereka menunjukkan sesuatu yang lebih besar daripada sekadar satu model. Ini menunjukkan bahwa desain bersama (co-design) perangkat keras-perangkat lunak Tiongkok telah matang hingga ke titik di mana ketiadaan chip Barat bukan lagi hambatan mati. Itu adalah sebuah kendala, dan kendala yang mahal, tetapi bukan penghalang yang mustahil.

Di Mana Ia Benar-benar Berkinerja

LongCat 2.0 mencetak skor tinggi dalam penalaran bahasa Mandarin, matematika, dan pengambilan informasi konteks panjang (long-context retrieval). Itu adalah tolok ukur yang spesifik dan bernilai tinggi. Penalaran matematis menguji kemampuan model untuk menangani logika dan manipulasi simbolik. Long-context retrieval menguji apakah model dapat menemukan sebatang jarum informasi dalam tumpukan jerami satu juta token tanpa kehilangan jejak. Berhasil melewati keduanya adalah perbedaan antara model yang terdengar pintar dan model yang benar-benar dapat melakukan pekerjaan.

Meituan memposisikan ini sebagai alternatif langsung bagi Llama, DeepSeek, dan Qwen. Untuk tugas-tugas bahasa Mandarin, persaingan tersebut sangatlah sengit. Model yang dilatih terutama pada data internet berbahasa Inggris sering kali kesulitan menghadapi referensi bahasa Mandarin klasik, bahasa regulasi lokal, terminologi keuangan yang digunakan di pasar daratan Tiongkok, serta singkatan informal yang mendominasi media sosial Tiongkok. Sebuah model yang dibangun dengan keterampilan bahasa Mandarin yang mendalam, didukung oleh perusahaan yang bisnis intinya berjalan berdasarkan perilaku konsumen Tiongkok, memiliki keunggulan struktural dalam skenario tersebut.

Hal ini penting bagi lebih dari sekadar chatbot. Perusahaan legaltech yang menganalisis hukum kontrak RRT, peneliti yang membedah teks sejarah, bank yang memproses dokumentasi pinjaman bahasa Mandarin, dan platform layanan pelanggan yang menangani dialek regional, semuanya membutuhkan model yang memahami nuansa, alih-alih menerjemahkan melalui sudut pandang yang berpusat pada bahasa Inggris.

Senjata Tersembunyi Meituan: Skala dan Data

Meituan bukanlah sebuah laboratorium riset dengan aplikasi pengiriman sebagai sampingannya. Meituan adalah raksasa operasional yang mengoordinasikan jutaan pengemudi, restoran, dan pedagang di seluruh Tiongkok setiap harinya. Skala tersebut menghasilkan aliran data bahasa dunia nyata yang sangat besar. Keluhan pelanggan yang diarahkan ke chatbot. Deskripsi restoran yang mencampurkan bahasa gaul regional dengan detail pendaftaran bisnis formal. Instruksi rute yang mencampurkan sistem alamat dengan penanda jalan informal. Tiket layanan pedagang yang membahas tentang pajak, regulasi kebersihan, dan peraturan daerah.

Data ini berantakan, kontekstual, dan sangat lokal dengan cara yang tidak akan pernah bisa ditiru oleh data hasil perayapan web (web crawl) generik. Memasukkan data tersebut ke dalam LongCat 2.0 memberikan landasan praktis pada model yang tidak dimiliki oleh proses pelatihan yang murni bersifat akademis. Melatih model dengan teks Wikipedia yang rapi adalah satu hal. Melatih model dengan bahasa transaksi yang kacau dari perdagangan nyata adalah hal lain.

Mengapa Landasan Mulai Bergeser

Jika perusahaan dapat melatih model kelas frontier pada silikon domestik, seluruh logika strategis di balik larangan ekspor chip mulai terkikis. Larangan tersebut dibangun di atas premis bahwa mengendalikan jalur pasokan NVIDIA akan mengendalikan kemampuan AI. Premis tersebut mengasumsikan bahwa tidak ada ekosistem alternatif yang layak.

LongCat 2.0 bukanlah sebuah pernyataan bahwa chip Tiongkok telah menyamai NVIDIA dalam setiap metrik. Ini adalah bukti bahwa mereka tidak perlu menyamai secara sempurna untuk menyelesaikan tugas. Memori yang cukup, bandwidth yang cukup, dan optimasi perangkat lunak yang cukup cerdas dapat menutup celah tersebut untuk menghasilkan hasil yang kompetitif. Itu adalah standar yang jauh lebih rendah daripada kesetaraan total, dan itu adalah standar yang tampaknya telah terlampaui.

Bagi rantai pasokan AI global, implikasinya jelas. Asumsi bahwa semua proses pelatihan serius harus melalui perangkat keras NVIDIA kini telah mati. Hal ini menggeser kekuatan menuju kedaulatan nasional dalam pengembangan AI. Negara-negara dan perusahaan yang hanya menonton dari pinggir lapangan tidak lagi melihat satu pemasok titik hambat (chokepoint) sebagai satu-satunya jalan menuju kemampuan frontier. Mereka melihat adanya bifurkasi, dan kemungkinan lanskap perangkat keras multipolar, yang muncul lebih cepat daripada yang diprediksi kebanyakan orang.

Kesimpulan Utamanya

LongCat 2.0 lebih dari sekadar rilis teknis. Ini adalah pengujian hipotesis politik, dan hipotesis tersebut baru saja gagal. Meituan telah menunjukkan bahwa sebuah perusahaan teknologi konsumen dengan data yang tepat, tim teknik yang tepat, dan perangkat keras yang tepat dapat melatih model terbuka dengan 1,6 triliun parameter tanpa menyentuh satu pun GPU Barat yang dilarang.

Bagi pengembang, ini berarti opsi open-weight baru dengan kedalaman nyata dalam bahasa Mandarin dan tugas long-context. Bagi pembuat kebijakan, ini berarti sanksi berdasarkan penolakan perangkat keras harus memperhitungkan adaptasi, bukan sekadar akuisisi. Bagi industri lainnya, ini berarti peta tentang siapa yang dapat membangun apa, dan dengan alat apa, sedang digambar ulang secara real-time.

Larangan ekspor mungkin telah mengulur waktu. Namun, larangan tersebut juga tampaknya telah membuahkan sebuah alternatif.