Meituan Lança LongCat-2.0: Modelo MoE Aberto com 1,6 Trilhões de Parâmetros e Contexto de 1 Milhão de Tokens

A empresa de tecnologia chinesa Meituan lançou o LongCat-2.0 em 5 de julho de 2026 — um modelo de Mixture-of-Experts aberto com 1,6 trilhão de parâmetros e uma janela de contexto nativa de 1 milhão de tokens, treinado e implantado inteiramente em aceleradores de IA domésticos.

O Que Tem Dentro do LongCat-2.0

LongCat-2.0 é construído com uma arquitetura de Mixture-of-Experts: ao processar cada token, apenas cerca de 48 bilhões dos 1,6 trilhão de parâmetros são ativados. Essa abordagem preserva a qualidade de modelos densos em escala comparável enquanto requer custos computacionais substancialmente menores para inferência — o modelo engaja precisamente os blocos de especialistas necessários em vez de "gastar" todo o orçamento computacional em cada token.

Características principais do modelo:

• Contagem total de parâmetros — 1,6 trilhão, ativos por token — ~48 bilhões
• Contexto nativo — 1 milhão de tokens
• Mecanismo de atenção — LongCat Sparse Attention (desenvolvimento proprietário da Meituan)
• Infraestrutura — treinamento e inferência em superpods de IA domésticos baseados em ASIC
• Status — modelo aberto, disponível via API

Por Que um Contexto de 1 Milhão de Tokens Muda o Jogo

Uma janela de contexto de 1 milhão de tokens é uma das mais longas entre modelos abertos até agora. Na prática, isso permite processar repositórios de código inteiros, documentos legais ou financeiros volumosos, históricos de conversas compridos — dentro de uma única solicitação, sem fragmentação e sem perder coerência.

Para manter um contexto tão longo computacionalmente viável, a Meituan desenvolveu seu próprio mecanismo LongCat Sparse Attention. Ele reduz a complexidade quadrática da auto-atenção padrão: em vez de atenção mútua completa entre todos os tokens, o modelo aplica padrões esparsos que reduzem o volume computacional sem perda significativa de qualidade no processamento de sequências longas.

Infraestrutura

Soberana: um Ciclo Completo Sem GPUs Estrangeiras

Um detalhe notável do lançamento é que a Meituan conduziu todo o ciclo, do treinamento até a inferência em produção, em superpods com aceleradores de IA baseados em ASIC domésticos. Diante das restrições de exportação americanas em GPUs de alto desempenho, isso demonstra: grandes empresas de tecnologia chinesas não estão simplesmente se adaptando a barreiras de infraestrutura, mas criando produtos competitivos de classe fronteiriça em sua própria base computacional.

Meituan é conhecida principalmente como uma plataforma de entrega e serviços de estilo de vida, não como um laboratório de IA tradicional. Tanto mais significativo, então, que a empresa fechou o ciclo — do silício a um modelo aberto com 1,6 trilhão de parâmetros — sem depender de equipamentos estrangeiros. Anteriormente, relatos públicos de treinamento em escala completa de modelos dessa magnitude sem NVIDIA H100s eram raros entre empresas de tecnologia não especializadas.

O Que Isso Significa

O lançamento do LongCat-2.0 expande o conjunto de modelos MoE abertos com contexto extremamente longo e simultaneamente solidifica uma tendência: grandes empresas de tecnologia chinesas fora do estabelecimento tradicional de pesquisa em IA aprenderam a produzir modelos competitivos de fronteira — e estão fazendo isso em seu próprio hardware. Para desenvolvedores, há outra opção aberta com contexto de 1 milhão de tokens para tarefas onde o comprimento da sequência é crítico.

Perguntas Frequentes

Quantos parâmetros são realmente usados quando o

LongCat-2.0 é executado?

Ao processar cada token, cerca de 48 bilhões de parâmetros de 1,6 trilhão são ativados — este é o princípio padrão da arquitetura MoE, permitindo alta qualidade mantendo custos computacionais gerenciáveis para inferência.

Como a Meituan alcançou um contexto de 1 milhão de tokens?

A empresa desenvolveu seu próprio mecanismo LongCat Sparse Attention, que reduz a complexidade quadrática da atenção padrão através de padrões esparsos para processar sequências longas.