Meituan выложила open source MoE модель на 1,6 трлн параметров, обученную без чипов Nvidia

До сих пор модели с триллионом и более параметров оставались закрытыми или работали исключительно на кластерах Nvidia. Meituan ломает оба ограничения одновременно. Источник, техническая публикация самой Meituan, подтверждает: за весь период обучения на более чем 35 триллионах токенов не было ни одного отката или невосстановимого сбоя. Для незрелой экосистемы «неамериканских» чипов такая стабильность примечательна.

Что умеет LongCat 2.0?

• Контекстное окно в 1 миллион токенов. Это значит, что модели можно «скормить» целый программный проект средних размеров и попросить найти ошибку сразу во всех файлах, без нарезки и пересказов.
• Динамическая активация: от 33 до 56 млрд параметров на токен. Простые токены (знаки препинания, служебные слова) обрабатываются «нулевым экспертом» почти без вычислений, сложные получают полную мощность. PID-контроллер (автоматический регулятор нагрузки, как термостат в кондиционере) держит среднее потребление около 48 млрд.
• Разрежённое внимание LSA (LongCat Sparse Attention). Обычный механизм внимания при росте контекста замедляется квадратично: удвоил длину, затраты выросли вчетверо. LSA выбирает только релевантные токены и сводит рост почти к линейному, именно поэтому окно в миллион токенов не упирается в «стену памяти».
• Лицензия MIT. Модель доступна для коммерческого использования, модификации и встраивания в собственные продукты.
• Сфокусирована на агентном кодинге. Модель заточена под работу внутри ИИ-агентов (программ, которые сами выполняют цепочки действий): понимание кода, генерация, запуск команд в терминале, итерация по ошибкам.

Цифры бенчмарков: что заявлено и о чём стоит помнить

По данным самой Meituan, LongCat 2.0 набирает 59,5 балла на SWE-bench Pro (тест на реальное исправление ошибок в репозиториях), обходя GPT-5.5 с результатом 58,6. На Terminal-Bench 2.1 (многошаговые задачи в терминале) заявлено 70,8, на SWE-bench Multilingual (работа с кодом на нескольких языках программирования) 77,3.

Meituan также сообщает, что общая производительность сопоставима с Gemini 3.1 Pro от Google, но оговаривается: преимущество сконцентрировано в задачах программной инженерии. На более широких агентных бенчмарках вроде FORTE и BrowseComp модель уступает ведущим закрытым системам. Независимого подтверждения результатов пока нет.

Именно поэтому относиться к цифрам стоит с осторожностью: это самооценка, а не вердикт независимого жюри.

Как попробовать?

1. Через API. Зарегистрируйтесь на платформе LongCat API Platform (api.longcat.chat). Доступны эндпоинты, совместимые с форматами OpenAI и Anthropic, переписывать код не придётся. Идентификатор модели: LongCat-2.0, максимальный вывод 128 000 токенов.
2. Через агрегатор OpenRouter. Если уже работаете через OpenRouter, модель доступна там напрямую.
3. Внутри готовых агентных оболочек. Meituan указывает совместимость с Claude Code, OpenCode и Codex. Можно подключить как провайдера модели в привычном интерфейсе.
4. Локальный запуск пока невозможен. Веса ещё не выложены, поэтому развернуть модель на собственном сервере на данный момент нельзя.

Сравнение с доступными в России инструментами

YandexGPT и GigaChat решают другие задачи: текстовая генерация, диалоги, работа с русскоязычным контентом. LongCat 2.0 нацелена на программистов и агентные сценарии. Для авторов и маркетологов российские модели остаются практичнее, но сам факт появления открытой триллионной модели без Nvidia влияет на всю индустрию, включая тех, кто делает модели в России.

Что это значит для вас?

Автору на Дзене. Напрямую писать статьи в LongCat 2.0 неудобно: модель заточена под код, а не под тексты. Но понимание тренда open source MoE моделей (открытых моделей со «смесью экспертов») полезно: чем больше мощных моделей выходит в открытый доступ, тем быстрее дешевеет доступ к ИИ-инструментам для контента.

Маркетологу. Стоимость ввода $0,30 за миллион токенов на промоакции означает, что задачи анализа больших массивов данных, парсинга, генерации кода для автоматизации становятся копеечными. Если в команде есть разработчик, имеет смысл протестировать.

Предпринимателю в РФ и СНГ. Главная новость не в самой модели, а в прецеденте. Обучение триллионной модели на 50 000 китайских чипов без Nvidia доказывает, что санкционные ограничения на ускорители не являются непреодолимым барьером. Для российских команд, разрабатывающих собственные open source MoE модели, это ориентир: на каком «железе» и с какой стабильностью это реально.

Частые вопросы

Можно ли использовать LongCat 2.0 для написания текстов и статей?

Технически можно, но модель оптимизирована под код и агентные сценарии. Для русскоязычных текстов YandexGPT или GigaChat дадут результат лучше и доступнее. LongCat 2.0 имеет смысл пробовать, если задача связана с программированием или анализом больших объёмов структурированных данных.

Что значит «открытая модель», если веса ещё не выложены?

Meituan объявила лицензию MIT и заявила о публикации весов, но на момент релиза веса остаются в статусе «pending» (ожидание). Пока доступен только API. Полноценной открытой моделью LongCat 2.0 станет после фактической публикации весов, до этого корректнее называть её «моделью с обещанным открытым доступом».

Будет ли модель работать на обычном компьютере?

Нет. 1,6 триллиона параметров требуют кластера из тысяч ускорителей. Даже с учётом того, что активируется только 33-56 млрд параметров на токен, для локального запуска нужна серверная инфраструктура. Для индивидуального использования реалистичен только доступ через API.

Прецедент Meituan показал рынку конкретную вещь: триллионная открытая модель, обученная целиком вне экосистемы Nvidia, перестала быть теорией и стала строчкой в прайс-листе API.