Протягом багатьох років у колах, що займаються технологічною політикою, панувало однозначне припущення: немає чипів NVIDIA — немає передового ШІ. Експортний контроль над високопродуктивними GPU, такими як H100 та новіша лінійка Blackwell, був розроблений саме навколо цього вузького місця. Теорія полягала в тому, що, перекривши доступ до найкращого кремнію, можна сповільнити здатність країни навчати найбільші та найпотужніші моделі. Meituan щойно викрила цей блеф.

Китайський технологічний гігант, найбільш відомий своїм домінуванням у сферах доставки їжі та місцевих послуг, випустив LongCat 2.0. Це модель із 1,6 трильйона параметрів, побудована на архітектурі Mixture-of-Experts. У чому фішка? Команда навчила її повністю на вітчизняних китайських чипах. Жодних NVIDIA H100. Жодних Blackwell GPU. І замість того, щоб приховувати її за API, Meituan виклала ваги, код навчання та повний конвеєр даних на GitHub, щоб кожен міг їх перевірити.

Що насправді пропонує LongCat 2.0

Спочатку розглянемо факти, які не залежать від апаратного забезпечення. З 1,6 трильйона параметрів LongCat 2.0 входить до числа найбільших моделей із відкритими вагами, коли-небудь випущених. Параметри — не єдиний показник якості, але в такому масштабі вони свідчать про серйозні інженерні амбіції. Завдяки використанню архітектури Mixture-of-Experts лише підмножина цих параметрів активується для конкретного завдання. Це запобігає неконтрольованому зростанню витрат на інференс, дозволяючи моделі зберігати величезний обсяг знань і паттернів міркування.

Контекстне вікно сягає одного мільйона токенів. Це відповідає флагманським пропозиціям від OpenAI та Anthropic, і це змінює практичні можливості моделі. З таким великим вікном ви можете подавати цілі юридичні контракти, місячні журнали чатів або величезні репозиторії коду в одному запиті. Для розробників, які створюють додатки, що потребують пам'яті в межах довгих документів, це не просто незначне покращення. Це функціональна необхідність.

Крім того, є відкритість. Meituan не випустила спрощену демо-версію чи обмежений API. Ваги моделі доступні, код навчання є публічним, як і конвеєр даних. Це важливо для дослідників, які хочуть відтворити результати, для підприємств, яким потрібно перевірити поведінку моделі, та для інженерів, яким необхідно донавчати модель на власних даних, не надсилаючи нічого на сторонній сервер.

Історія з апаратним забезпеченням, яку всі пропустили

Головна новина тут не лише в кількості параметрів. А в «залізі», що стоїть за ними. LongCat 2.0 була навчена на вітчизняних прискорювачах, зокрема на чипах серії Huawei Ascend. Це кардинально відрізняється від простого накладання існуючого фреймворку на кластер NVIDIA та натискання кнопки «запуск».

Навчання моделі з трильйоном параметрів вимагає вирішення проблем розподілених обчислень на межі можливостей. Пропускна здатність пам'яті, міжчіпова взаємодія та продуктивність операцій з рухомою комою — усім цим потрібно керувати з надзвичайною точністю. Перевага NVIDIA ніколи не полягала лише в самих GPU. Вона полягає в екосистемі CUDA, оптимізованих ядрах та колективних знаннях про те, як витиснути максимум продуктивності з цього стека. Створення порівнянної моделі на апаратному забезпеченні Ascend означало, що інженерам Meituan довелося виконувати виснажливу роботу: адаптувати фреймворки навчання, переписувати низькорівневі операції та налагоджувати розподілені цикли навчання на принципово іншій архітектурі.

Те, що вони досягли успіху, свідчить про щось більше, ніж просто про одну модель. Це показує, що китайське спільне проектування апаратного та програмного забезпечення дозріває до рівня, коли відсутність західних чипів більше не є непереборною перешкодою. Це обмеження, і досить дороге, але це не неможливий бар'єр.

Де вона насправді демонструє результати

LongCat 2.0 демонструє високі показники в китайських логічних міркуваннях, математиці та пошуку в довгому контексті. Це специфічні, високовартісні бенчмарки. Математичне мислення перевіряє здатність моделі працювати з логікою та символьною маніпуляцією. Пошук у довгому контексті перевіряє, чи може модель знайти «голку в стозі сіна» серед мільйона токенів, не втрачаючи нитки розмови. Успішне проходження обох тестів — це те, що відрізняє модель, яка просто здається розумною, від моделі, яка справді може виконувати роботу.

Meituan позиціонує це як пряму альтернативу Llama, DeepSeek та Qwen. У завданнях, пов'язаних із китайською мовою, ця конкуренція є особливо гострою. Моделі, навчені переважно на англомовних даних з інтернету, часто помиляються у відсиланнях до класичної китайської мови, місцевій регуляторній термінології, фінансовій термінології, що використовується на материковому ринку, та неформальних скороченнях, які домінують у китайських соціальних мережах. Модель, створена з глибокими знаннями китайської мови та підкріплена даними компанії, чий основний бізнес базується на поведінці китайських споживачів, має структурну перевагу в таких сценаріях.

Це важливо не лише для чат-ботів. Юридичні технологічні компанії (Legaltech), що аналізують контрактне право КНР, дослідники, які вивчають історичні тексти, банки, що обробляють документацію по кредитах мандаринською мовою, та платформи обслуговування клієнтів, що працюють із регіональними діалектами, — усім потрібні моделі, які розуміють нюанси, а не просто перекладають через англоцентричну призму.

Прихована зброя Meituan: масштаб і дані

Meituan — це не дослідницька лабораторія з додатком для доставки як побічним продуктом. Це операційний гігант, який щодня координує мільйони кур'єрів, ресторанів і торговців по всьому Китаю. Такий масштаб генерує потік реальних мовних даних. Скарги клієнтів, що спрямовуються до чат-ботів. Описи ресторанів, де регіональний сленг змішується з офіційними реєстраційними даними бізнесу. Інструкції з маршрутизації, що поєднують системи адрес із неформальними орієнтирами. Запити на обслуговування торговців, що стосуються податків, санітарних норм і місцевих постанов.

Ці дані є хаотичними, контекстуальними та глибоко локалізованими — так, як звичайні дані веб-сканування ніколи не зможуть відтворити. Використання цих даних для LongCat 2.0 дає моделі практичне підґрунтя, якого бракує суто академічним циклам навчання. Одне діло — навчатися на вилизаних текстах Вікіпедії. Зовсім інша справа — навчатися на хаотичній, транзакційній мові реальної комерції.

Чому правила гри змінюються

Якщо компанії можуть навчати моделі передового рівня на вітчизняних чипах, вся стратегічна логіка експортних обмежень на напівпровідники починає руйнуватися. Заборони базувалися на припущенні, що контроль над лініями постачання NVIDIA дозволить контролювати можливості ШІ. Це припущення ґрунтувалося на тому, що жодної життєздатної альтернативної екосистеми не існує.

LongCat 2.0 — це не заява про те, що китайські чипи наздогнали NVIDIA за кожним показником. Це доказ того, що їм не потрібно досягати ідеальної відповідності, щоб виконувати завдання. Достатній обсяг пам'яті, достатня пропускна здатність і достатньо розумна оптимізація програмного забезпечення можуть скоротити розрив настільки, щоб забезпечити конкурентоспроможні результати. Це набагато нижча планка, ніж повна паритетність, і, схоже, ця планка вже подолана.

Для глобальних ланцюгів постачання ШІ наслідки очевидні. Припущення, що всі серйозні цикли навчання мають проходити через обладнання NVIDIA, тепер у минулому. Це зміщує владу в бік національного суверенітету в розробці ШІ. Країни та компанії, які спостерігають зі сторони, більше не бачать у єдиному постачальнику, що створює «вузьке місце», єдиного шляху до передових можливостей. Вони бачать біфуркацію і, можливо, багатополярний ландшафт апаратного забезпечення, що формується швидше, ніж прогнозувала більшість.

Головний висновок

LongCat 2.0 — це більше, ніж технічний реліз. Це перевірка політичної гіпотези, і ця гіпотеза щойно зазнала краху. Meituan продемонструвала, що споживча технологічна компанія з правильними даними, правильною інженерною командою та правильним обладнанням може навчити відкриту модель із 1,6 трильйона параметрів, не торкнувшись жодного забороненого західного GPU.

Для розробників це означає появу нової моделі з відкритими вагами, яка має справжню глибину в роботі з китайською мовою та завданнях із довгим контекстом. Для політиків це означає, що санкції, засновані на обмеженні доступу до обладнання, мають враховувати адаптацію, а не лише придбання. Для решти галузі це означає, що карта того, хто, що і за допомогою яких інструментів може будувати, перемальовується в режимі реального часу.

Експортні обмеження, можливо, виграли час. Але вони також, схоже, створили альтернативу.