For years, the working assumption in tech policy circles has been blunt: no NVIDIA chips, no frontier AI. The export con

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.

A Meituan está posicionando isso como uma alternativa direta ao Llama, DeepSeek e Qwen. Para tarefas em língua chinesa, essa competição é especialmente acirrada. Modelos treinados predominantemente em dados da internet em inglês costumam tropeçar em referências ao chinês clássico, linguagem regulatória local, terminologia financeira usada nos mercados da China continental e nas abreviações informais que dominam as redes sociais chinesas. Um modelo construído com profundos conhecimentos da língua chinesa, alimentado por uma empresa cujo negócio principal baseia-se no comportamento do consumidor chinês, possui uma vantagem estrutural nesses cenários.

Isso importa para mais do que chatbots. Empresas de Legaltech que analisam o direito contratual da RPC, pesquisadores que interpretam textos históricos, bancos que processam documentação de empréstimos em mandarim e plataformas de atendimento ao cliente que lidam com dialetos regionais precisam de modelos que compreendam as nuances, em vez de traduzir através de uma lente centrada no inglês.

A Arma Oculta da Meituan: Escala e Dados

A Meituan não é um laboratório de pesquisa com um aplicativo de entrega como atividade secundária. É uma potência operacional que coordena milhões de entregadores, restaurantes e comerciantes em toda a China todos os dias. Essa escala gera um torrente de dados linguísticos do mundo real. Reclamações de clientes encaminhadas para chatbots. Descrições de restaurantes que misturam gírias regionais com detalhes formais de registro comercial. Instruções de rota que misturam sistemas de endereçamento com pontos de referência informais. Chamados de serviço de comerciantes que abordam impostos, regulamentações de higiene e leis locais.

Esses dados são desorganizados, contextuais e profundamente locais de uma forma que os dados genéricos de rastreamento da web nunca poderão replicar. Alimentar o LongCat 2.0 com isso confere ao modelo um embasamento prático de que carecem os treinamentos puramente acadêmicos. Uma coisa é treinar com textos polidos da Wikipedia. Outra é treinar com a linguagem caótica e transacional do comércio real.

Por que o Cenário está Mudando

Se as empresas conseguirem treinar modelos de fronteira em silício doméstico, toda a lógica estratégica por trás das proibições de exportação de chips começará a se desgastar. As proibições foram construídas sobre a premissa de que controlar as linhas de suprimento da NVIDIA controlaria a capacidade de IA. Essa premissa assumia que não existia um ecossistema alternativo viável.

O LongCat 2.0 não é uma declaração de que os chips chineses alcançaram a NVIDIA em todas as métricas. É a prova de que eles não precisam igualar-se perfeitamente para realizar o trabalho. Memória suficiente, largura de banda suficiente e uma otimização de software suficientemente inteligente podem fechar o suficiente a lacuna para produzir resultados competitivos. Esse é um patamar muito mais baixo do que a paridade total, e é um patamar que parece ter sido superado.

Para as cadeias de suprimento globais de IA, a implicação é clara. A suposição de que todos os treinamentos sérios devem passar pelo hardware da NVIDIA está morta. Isso desloca o poder em direção à soberania nacional no desenvolvimento de IA. Países e empresas que observam de fora não veem mais um único fornecedor de ponto de estrangulamento como o único caminho para a capacidade de fronteira. Eles veem uma bifurcação e, possivelmente, um cenário de hardware multipolar surgindo mais rápido do que a maioria previu.

A Principal Conclusão

O LongCat 2.0 é mais do que um lançamento técnico. É um teste de uma hipótese política, e a hipótese acaba de falhar. A Meituan demonstrou que uma empresa de tecnologia de consumo com os dados certos, a equipe de engenharia certa e o hardware certo pode treinar um modelo aberto de 1,6 trilhão de parâmetros sem tocar em uma única GPU ocidental proibida.

Para desenvolvedores, isso significa uma nova opção de pesos abertos (open-weight) com profundidade genuína na língua chinesa e em tarefas de contexto longo. Para formuladores de políticas, significa que as sanções baseadas na negação de hardware devem levar em conta a adaptação, não apenas a aquisição. Para o restante da indústria, significa que o mapa de quem pode construir o quê, e com quais ferramentas, está sendo redesenhado em tempo real.

As proibições de exportação podem ter comprado tempo. Elas também parecem ter comprado uma alternativa.