Meituan Lanza LongCat-2.0: Modelo MoE Abierto con 1,6 Billones de Parámetros y Contexto de 1 Millón de Tokens

La empresa de tecnología china Meituan lanzó LongCat-2.0 el 5 de julio de 2026 — un modelo de Mixture-of-Experts abierto con 1,6 billones de parámetros y una ventana de contexto nativa de 1 millón de tokens, entrenado e implementado completamente en aceleradores de IA nacionales.

Qué Hay Dentro de LongCat-2.0

LongCat-2.0 está construido sobre una arquitectura de Mixture-of-Experts: al procesar cada token, solo se activan aproximadamente 48 mil millones de los 1,6 billones de parámetros. Este enfoque preserva la calidad de modelos densos a escala comparable mientras requiere costos computacionales sustancialmente menores para la inferencia — el modelo activa precisamente los bloques de expertos necesarios en lugar de "gastar" todo el presupuesto computacional en cada token.

Características clave del modelo:

• Recuento total de parámetros — 1,6 billones, activos por token — ~48 mil millones
• Contexto nativo — 1 millón de tokens
• Mecanismo de atención — LongCat Sparse Attention (desarrollo propietario de Meituan)
• Infraestructura — entrenamiento e inferencia en superpods de IA nacionales basados en ASIC
• Estado — modelo abierto, disponible a través de API

Por Qué un Contexto de 1 Millón de Tokens Cambia el Juego

Una ventana de contexto de 1 millón de tokens es una de las más largas entre modelos abiertos hasta la fecha. En la práctica, esto permite procesar repositorios de código completos, voluminosos documentos legales o financieros, historiales de conversación largos — dentro de una única solicitud, sin fragmentación y sin perder coherencia.

Para mantener un contexto tan largo computacionalmente manejable, Meituan desarrolló su propio mecanismo LongCat Sparse Attention. Reduce la complejidad cuadrática de la auto-atención estándar: en lugar de atención mutua completa entre todos los tokens, el modelo aplica patrones dispersos que reducen el volumen computacional sin pérdida significativa de calidad en el procesamiento de secuencias largas.

Infraestructura

Soberana: un Ciclo Completo sin GPUs Extranjeras

Un detalle notable del lanzamiento es que Meituan condujo todo el ciclo, desde el entrenamiento hasta la inferencia en producción, en superpods con aceleradores de IA nacionales basados en ASIC. Ante las restricciones de exportación estadounidenses en GPU de alto rendimiento, esto demuestra: las grandes empresas de tecnología chinas no solo se están adaptando a barreras de infraestructura, sino que están creando productos competitivos de clase frontera en su propia base computacional.

Meituan es conocida principalmente como una plataforma de entrega y servicios de estilo de vida, no como un laboratorio de IA tradicional. Tanto más significativo entonces que la empresa cerró el ciclo — del silicio a un modelo abierto con 1,6 billones de parámetros — sin depender de equipamiento extranjero. Anteriormente, los informes públicos del entrenamiento a escala completa de modelos de tal magnitud sin NVIDIA H100s eran raros entre empresas de tecnología no especializadas.

Qué Significa Esto

El lanzamiento de LongCat-2.0 expande el conjunto de modelos MoE abiertos con contexto extremadamente largo y simultáneamente solidifica una tendencia: grandes empresas de tecnología chinas fuera del establecimiento de investigación de IA tradicional han aprendido a producir modelos competitivos de frontera — y lo están haciendo en su propio hardware. Para desarrolladores, existe otra opción abierta con contexto de 1 millón de tokens para tareas donde la longitud de la secuencia es crítica.

Preguntas Frecuentes

¿Cuántos parámetros se utilizan realmente cuando se ejecuta

LongCat-2.0?

Al procesar cada token, se activan aproximadamente 48 mil millones de parámetros de 1,6 billones — este es el principio estándar de la arquitectura MoE, que permite alta calidad mientras se mantienen costos computacionales manejables para la inferencia.

¿Cómo logró Meituan un contexto de 1 millón de tokens?

La empresa desarrolló su propio mecanismo LongCat Sparse Attention, que reduce la complejidad cuadrática de la atención estándar mediante patrones dispersos para procesar secuencias largas.