Meituans LongCat-2.0: groot taalmodel op Chinese hardware

Stel je voor dat je een kolossaal taalmodel bouwt zonder ook maar één Nvidia-kaart in het serverrack. Vreemd? Niet meer. Meituan heeft stilletjes LongCat-2.0 vrijgegeven, een open-source reus die aannames uitdaagt over welke hardware de grootste AI-workloads aankan.

LongCat-2.0 bevat ongeveer 1,6 biljoen parameters en ondersteunt een contextvenster van ongeveer één miljoen tokens, waarmee het duidelijk tot de meest uitgebreide taalmodellen behoort. Qua schaal zouden de makers zeggen dat het kan wedijveren met modellen zoals DeepSeek-V4-pro, maar de kop gaat niet over ruwe omvang. Het gaat om het hardwareverhaal.

In tegenstelling tot eerdere pogingen die alleen voor inference op binnenlandse chips vertrouwden, meldt Meituan dat LongCat-2.0 zowel training als inference heeft voltooid op een volledig in China gebaseerde stack. Het bedrijf beweert een rekencluster te hebben gebruikt dat is opgebouwd uit ongeveer 50.000 Chinese grafische kaarten en tienduizenden ASIC's die zijn afgestemd op AI-taken. Het resultaat: grootschalige training uitgevoerd op hardwarealternatieven voor de wereldwijd door Nvidia gedomineerde toeleveringsketen.

Het bedrijf heeft de exacte processorfamilies niet bekendgemaakt. Huawei is een voor de hand liggende kandidaat, maar Meituan ging niet zover om leveranciers te noemen. Die ondoorzichtigheid is belangrijk: softwarecompatibiliteit, rijperheid van drivers en orkestratielagen bepalen de prestaties in de praktijk, niet alleen de chips zelf.

LongCat-2.0 vormt een mijlpaal in hardware-onafhankelijkheid, maar de praktische mogelijkheden blijven onbewezen totdat onafhankelijke benchmarks beschikbaar zijn.

Tot nu toe is het model niet door toonaangevende evaluatiesuites als Artificial Analysis of Arena gehaald, en evenmin door gespecialiseerde tests zoals Agents' Last Exam en CyberGym. Benchmarks zullen uitwijzen of training op een native stack zich vertaalt in concurrerende nauwkeurigheid, latency en efficiëntie. Zal dit gelijkwaardig zijn aan door Nvidia getrainde tegenhangers, of een volledig andere afweging?

De bredere implicatie is duidelijk: het Chinese ecosysteem onderzoekt of alternatieve chips en enorme binnenlandse clusters grensverleggend AI-onderzoek kunnen ondersteunen. Dat zou aannames over de toeleveringsketen kunnen herschikken en lokale innovatie kunnen aanjagen. Voorlopig is LongCat-2.0 een bewijs van kunnen en een reden om de benchmarkresultaten te volgen die zullen bepalen of het een doorbraak is of een intrigerend experiment.