Meituan publica LongCat-2.0 en código abierto: el modelo de IA de 1,6 billones de parámetros fabricado sin NVIDIA

Meituan, el conglomerado chino de delivery y tecnología, acaba de publicar en código abierto LongCat-2.0 — un modelo de mezcla de expertos (MoE) de 1,6 billones de parámetros que representa el sistema de IA más grande jamás preentrenado íntegramente sobre chips domésticos chinos. Publicado el 30 de junio bajo licencia MIT, el modelo ya encabezaba silenciosamente los rankings de uso de OpenRouter bajo el nombre en clave “Owl Alpha” antes de que Meituan revelara su identidad.

Qué lo hace diferente

La mayoría de los laboratorios de IA chinos, incluido DeepSeek, han recurrido al hardware doméstico únicamente para la inferencia — el paso más económico y menos intensivo en cómputo. Preentrenar un MoE de escala frontera con 1,6 billones de parámetros es un desafío de hardware de magnitud completamente diferente.

Meituan ejecutó el preentrenamiento de LongCat-2.0 en un clúster de más de 50.000 ASICs domésticos. Sin GPUs H100, H200 ni A100 de NVIDIA. La empresa no ha identificado el proveedor específico de chips, pero el hecho de haber llevado a cabo ese entrenamiento es una afirmación de ingeniería significativa que requerirá verificación independiente, aunque los patrones de uso en OpenRouter le otorgan cierta credibilidad.

Rendimiento

En benchmarks de codificación agéntica, LongCat-2.0 se sitúa en la misma categoría que GPT-5.5, Gemini 3.1 Pro y Claude Opus 4.6. No supera la frontera actual, pero un rendimiento cercano a la frontera en un modelo entrenado exclusivamente con chips domésticos — publicado comercialmente bajo MIT — es la verdadera noticia aquí.

El modelo incluye una ventana de contexto nativa de un millón de tokens. La arquitectura MoE significa que el recuento de parámetros activos por paso de inferencia es una fracción del total de 1,6 billones, lo que mantiene manejables los costos prácticos de inferencia a pesar del impresionante número de parámetros total.

Peso geopolítico

El momento es significativo. Los controles de exportación de EE.UU. sobre chips avanzados de IA se han ido endureciendo a lo largo de 2025–2026. Cada modelo chino de vanguardia entrenado con hardware de Nvidia dependía implícitamente de una cadena de suministro que Washington puede cortar. LongCat-2.0, si la afirmación del entrenamiento en chips domésticos se sostiene, rompe esa dependencia para el preentrenamiento — históricamente considerado el paso que no se podía hacer sin silicio occidental.

DeepSeek demostró que se podía lograr inferencia de calidad frontera con arquitecturas eficientes. La afirmación de LongCat-2.0 es más rotunda: asegura haber construido el modelo desde cero sobre hardware chino.

Licencia MIT y acceso práctico

Los pesos completos del modelo están disponibles bajo MIT — sin restricciones de uso, con permiso comercial y sin límites de ingresos. Esto lo posiciona directamente en competencia con la familia Llama de Meta como opción de pesos abiertos desplegable en entornos empresariales, con el valor añadido de demostrar la viabilidad de chips domésticos.

Esto no resuelve el déficit de cómputo de China de la noche a la mañana. Cincuenta mil ASICs a la escala necesaria para 1,6 billones de parámetros sigue siendo una inversión en infraestructura enorme. Pero como prueba de concepto de que el preentrenamiento con chips domésticos es viable a escala frontera, LongCat-2.0 es un hito relevante.

Fuentes

• VentureBeat — Meituan publica en código abierto LongCat-2.0, el modelo de codificación agéntica de 1,6 billones de parámetros entrenado íntegramente en chips chinos
• South China Morning Post — China exhibe el mayor modelo de IA entrenado en chips locales
• Cryptopolitan — Meituan publica en código abierto el modelo LongCat-2.0 de 1,6 billones de parámetros entrenado en chips chinos