В течение многих лет в кругах специалистов по технологической политике господствовало прямолинейное рабочее предположение: нет чипов NVIDIA — нет передового ИИ. Экспортный контроль в отношении высокопроизводительных GPU, таких как H100 и новая линейка Blackwell, был разработан именно с учетом этого «узкого места». Теория гласила: перекрыв доступ к лучшим полупроводникам, вы замедлите способность страны обучать самые крупные и способные модели. Meituan только что разоблачила этот блеф.

Китайский технологический гигант, наиболее известный своим доминированием в сфере доставки еды и локальных сервисов, выпустил LongCat 2.0. Это модель с 1,6 триллионами параметров, построенная на архитектуре Mixture-of-Experts. В чем подвох? Команда обучила её полностью на отечественных китайских чипах. Никаких NVIDIA H100. Никаких GPU Blackwell. И вместо того чтобы спрятать модель за API, Meituan выложила веса, код обучения и полный конвейер данных на GitHub, чтобы любой желающий мог их изучить.

Что на самом деле предлагает LongCat 2.0

Давайте сначала разберем факты, не зависящие от аппаратного обеспечения. С 1,6 триллионами параметров LongCat 2.0 входит в число крупнейших когда-либо выпущенных моделей с открытыми весами. Параметры — не единственный показатель качества, но в таком масштабе они свидетельствуют о серьезных инженерных амбициях. Благодаря использованию архитектуры Mixture-of-Experts для любой конкретной задачи активируется лишь подмножество этих параметров. Это позволяет избежать бесконтрольного раздувания расходов на инференс, сохраняя при этом способность модели хранить огромный спектр знаний и паттернов рассуждения.

Контекстное окно достигает одного миллиона токенов. Это соответствует топовым решениям от OpenAI и Anthropic, и это меняет практические возможности модели. С таким огромным окном вы можете подать на вход целиком юридические контракты, многомесячные логи чатов или обширные репозитории кода в одном промпте. Для разработчиков, создающих приложения, требующие памяти в рамках длинных документов, это не просто незначительное улучшение. Это функциональная необходимость.

Затем — открытость. Meituan не выпустила «причесанное» демо или ограниченный API. Веса модели доступны, код обучения публичен, как и весь конвейер. Это имеет значение для исследователей, которые хотят воспроизвести результаты, для предприятий, которым необходимо проверить поведение модели, и для инженеров, которым нужно дообучить модель на проприетарных данных, не отправляя ничего на сторонние серверы.

Аппаратная история, которую все упустили

Главная новость здесь не только в количестве параметров. Она — в лежащих в основе полупроводниках. LongCat 2.0 обучалась на отечественных ускорителях, в частности на чипах серии Huawei Ascend. Это радикально иной подход, чем просто наложение существующего фреймворка на кластер NVIDIA и нажатие кнопки «пуск».

Обучение модели с триллионом параметров требует решения задач распределенных вычислений на пределе возможностей. Пропускная способность памяти, межчиповое взаимодействие и производительность с плавающей запятой — всем этим нужно управлять с предельной точностью. Преимущество NVIDIA никогда не заключалось только в «голых» GPU. Оно заключается в экосистеме CUDA, оптимизированных ядрах и коллективном опыте того, как выжать максимум производительности из этого стека. Создание сопоставимой модели на оборудовании Ascend означало, что инженерам Meituan пришлось проделать изнурительную работу по адаптации фреймворков обучения, переписыванию низкоуровневых операций и отладке распределенных циклов обучения на фундаментально иной архитектуре.

Тот факт, что они добились успеха, говорит о чем-то большем, чем просто одна модель. Это показывает, что совместная разработка аппаратного и программного обеспечения (hardware-software co-design) в Китае достигает той зрелости, когда отсутствие западных чипов перестает быть непреодолимой преградой. Это ограничение, причем дорогостоящее, но не безнадежное.

Где она действительно эффективна

LongCat 2.0 показывает высокие результаты в китайских рассуждениях, математике и поиске информации в длинном контексте. Это специфические, высокоценные бенчмарки. Математические рассуждения проверяют способность модели работать с логикой и символьными манипуляциями. Поиск в длинном контексте проверяет, может ли модель найти «иголку» информации в стоге сена из миллиона токенов, не теряя нить повествования. Успешное прохождение обоих тестов — это разница между моделью, которая просто «умно звучит», и моделью, которая действительно может работать.

Meituan позиционирует этот продукт как прямую альтернативу Llama, DeepSeek и Qwen. В задачах, связанных с китайским языком, эта конкуренция особенно остра. Модели, обученные преимущественно на англоязычных данных из интернета, часто спотыкаются на отсылках к классическому китайскому языку, местной нормативной лексике, финансовой терминологии, используемой на материковом рынке, и неформальном сленге, который доминирует в китайских социальных сетях. Модель, созданная с глубоким знанием китайского языка и обученная компанией, чей основной бизнес завязан на поведении китайских потребителей, имеет структурное преимущество в таких сценариях.

Это важно не только для чат-ботов. Юридические технологические компании (Legaltech), анализирующие контрактное право КНР, исследователи, изучающие исторические тексты, банки, обрабатывающие документацию по кредитам на путунхуа, и платформы обслуживания клиентов, работающие с региональными диалектами, — всем им нужны модели, которые понимают нюансы, а не просто переводят через англоцентричную призму.

Скрытое оружие Meituan: масштаб и данные

Meituan — это не исследовательская лаборатория с приложением для доставки в качестве побочного продукта. Это операционный гигант, который ежедневно координирует миллионы курьеров, ресторанов и торговых точек по всему Китаю. Такой масштаб генерирует поток реальных языковых данных: жалобы клиентов, направляемые чат-ботам; описания ресторанов, в которых региональный сленг смешивается с официальными данными о регистрации бизнеса; инструкции по маршрутизации, сочетающие системы адресов с неформальными ориентирами; заявки на обслуживание торговцев, касающиеся налогов, санитарных норм и местных постановлений.

Эти данные хаотичны, контекстуальны и глубоко локальны — так, как обычные данные веб-краулинга никогда не смогут воспроизвести. Использование этих данных при обучении LongCat 2.0 дает модели практическую основу, которой не хватает чисто академическим циклам обучения. Одно дело — обучаться на выверенных текстах Википедии, и совсем другое — на хаотичном, транзакционном языке реальной коммерции.

Почему правила игры меняются

Если компании смогут обучать модели передового уровня на отечественных чипах, вся стратегическая логика запретов на экспорт микросхем начнет рушиться. Запреты строились на предпосылке, что контроль над цепочками поставок NVIDIA обеспечит контроль над возможностями ИИ. Эта предпосылка основывалась на том, что жизнеспособной альтернативной экосистемы не существует.

LongCat 2.0 — это не заявление о том, что китайские чипы сравнялись с NVIDIA по всем показателям. Это доказательство того, что для выполнения задач им не обязательно достигать полного паритета. Достаточный объем памяти, достаточная пропускная способность и достаточно умная оптимизация программного обеспечения позволяют сократить разрыв настолько, чтобы получить конкурентоспособные результаты. Это гораздо более низкая планка, чем полное равенство, и, похоже, эта планка уже пройдена.

Для глобальных цепочек поставок ИИ последствия очевидны. Предположение о том, что все серьезные циклы обучения должны проходить на оборудовании NVIDIA, мертво. Это смещает баланс сил в сторону национального суверенитета в разработке ИИ. Страны и компании, наблюдающие со стороны, больше не видят в единственном поставщике, контролирующем ключевой узел, единственный путь к передовым возможностям. Они видят бифуркацию и, возможно, формирование многополярного ландшафта аппаратного обеспечения, происходящее быстрее, чем предсказывало большинство.

Главный вывод

LongCat 2.0 — это больше, чем технический релиз. Это проверка политической гипотезы, и эта гипотеза только что потерпела крах. Meituan продемонстрировала, что потребительская технологическая компания, обладающая правильными данными, правильной инженерной командой и подходящим оборудованием, может обучить открытую модель с 1,6 триллионами параметров, не коснувшись ни одного запрещенного западного GPU.

Для разработчиков это означает появление нового варианта с открытыми весами, обладающего подлинной глубиной в работе с китайским языком и задачами с длинным контекстом. Для политиков это означает, что санкции, основанные на ограничении доступа к оборудованию, должны учитывать адаптацию, а не только возможность приобретения. Для всей остальной отрасли это означает, что карта того, кто, что и с помощью каких инструментов может создавать, перерисовывается в режиме реального времени.

Запреты на экспорт, возможно, выиграли время. Но, похоже, они также создали альтернативу.