China entrena un modelo a escala frontera sin Nvidia: por dentro de LongCat-2.0 de Meituan

Una empresa de reparto de comida acaba de mover el debate sobre los controles de exportación

El lanzamiento de modelo más trascendente de la última semana no vino de OpenAI, Google ni Anthropic. Vino de Meituan, el gigante chino del reparto de comida y los servicios locales, que el 30 de junio liberó como código abierto LongCat-2.0, un modelo de lenguaje de 1,6 billones de parámetros. La cifra que llama la atención no es el recuento de parámetros —muchos laboratorios ya han cruzado la línea del billón de parámetros—, sino el hardware que hay debajo. Meituan afirma que LongCat-2.0 fue preentrenado y servido íntegramente en un clúster de más de 50 000 ASIC de IA fabricados en el país, sin silicio de Nvidia de por medio.

Si esa afirmación se sostiene, es la evidencia más clara hasta ahora de que la apuesta central detrás de los controles de exportación de EE. UU. —que negar a China el stack más reciente de Nvidia le impediría entrenar sistemas cercanos a la frontera a escala— es más débil de lo que Washington suponía. Por eso un modelo de una empresa más conocida por la logística de restaurantes se comenta esta semana junto a GPT-5.5 y Claude Opus.

Qué se liberó realmente

Según SCMP, LongCat-2.0 es un modelo de 1,6 billones de parámetros con una ventana de contexto de 1 millón de tokens, liberado bajo una licencia permisiva (reportada por varios medios como MIT). Es un diseño disperso de Mixture-of-Experts, lo que significa que solo una fracción de esos 1,6 billones de parámetros —los reportes secundarios sitúan los parámetros activos en las decenas de miles de millones por token— se activa realmente en cualquier solicitud dada, lo que mantiene el costo de inferencia muy por debajo de lo que sugiere el tamaño de titular. The Decoder añade que el modelo fue entrenado con más de 35 billones de tokens.

La distinción que Meituan subraya es dónde ocurrió el entrenamiento. Los logros insignia previos de China —incluido el V4-pro de DeepSeek— se apoyaron en chips nacionales principalmente para la inferencia, la tarea más ligera de responder consultas, mientras que la etapa mucho más exigente del preentrenamiento seguía dependiendo del hardware de Nvidia. La afirmación de Meituan es que LongCat-2.0 ejecutó todo el pipeline, preentrenamiento incluido, en ASIC nacionales. Esa es la parte que importa, y la parte más difícil de confirmar de forma independiente.

El panorama de benchmarks: fuerte en código, aún rezagado en la frontera

Según las cifras que Meituan ha publicado, LongCat-2.0 es genuinamente competitivo en codificación agéntica y está notablemente por detrás en razonamiento difícil. The Decoder reporta puntuaciones de 59,5 en SWE-bench Pro y 77,3 en SWE-bench Multilingual, donde el modelo supera por poco a Gemini 3.1 Pro y GPT-5.5. Esos son los resultados que impulsan el encuadre de "casi frontera".

Pero el mismo reporte es cuidadoso respecto al techo. En pruebas cargadas de razonamiento y seguimiento de instrucciones —IFEval (90,0), IMO-AnswerBench (81,8) y GPQA-diamond (88,9)—, LongCat-2.0 queda por detrás de los sistemas occidentales líderes, y se queda corto frente a Claude Opus 4.7 y 4.8 incluso en los benchmarks de codificación donde por lo demás brilla. La lectura honesta es la de un modelo excelente en una porción específica y comercialmente valiosa del trabajo (escribir y corregir código) y meramente bueno en el resto. Ese perfil no es accidental: la codificación es donde los modelos chinos de pesos abiertos se han concentrado, porque es medible, demandada y menos dependiente del pulido seguimiento de instrucciones que los laboratorios cerrados gastan mucho en afinar.

Una salvedad importante sobre todo esto: The Decoder señala que el modelo aún no estaba en Hugging Face al momento de escribir, "lo que dificulta la verificación independiente". Las cifras de benchmark son, por ahora, las de la propia Meituan. Varios agregadores también reportan que el modelo había encabezado silenciosamente el uso en OpenRouter bajo el nombre en clave "Owl Alpha" antes de que se revelara su identidad —un detalle llamativo, pero que no pude confirmar en el reporte primario, así que trátenlo como no verificado.

Por qué la afirmación sobre el hardware es la verdadera historia

Los chips son donde debe enfocarse el escepticismo, y también donde reside la relevancia. SCMP describe el entrenamiento como algo que corre en "clústeres a gran escala de decenas de miles de superpods de ASIC de IA" —chips de aplicación específica construidos para una carga de trabajo estrecha en lugar de GPU de propósito general. De forma crucial, ni SCMP ni The Decoder nombran al proveedor del chip; The Decoder afirma llanamente que "Meituan no nombró al fabricante de chips específico". La cobertura secundaria apunta hacia la línea de aceleradores de Huawei y su biblioteca de comunicación HCCL (el análogo nacional de NCCL de Nvidia para coordinar miles de chips), pero esa atribución no está confirmada en las fuentes primarias.

¿Por qué Meituan se mantendría vago? Nombrar a un proveedor invita al escrutinio —de los rendimientos de producción, de la utilización real del clúster en el mundo real y de cuánto herramental y datos entrenados con Nvidia moldearon silenciosamente el resultado. Entrenar un modelo de 1,6 T de extremo a extremo en 50 000 aceleradores que no son de Nvidia es tanto una hazaña de sistemas distribuidos y redes como de modelado; la interconexión y las bibliotecas de comunicación son exactamente donde los stacks nacionales han tenido dificultades históricamente. Si Meituan realmente resolvió eso a esta escala, la vaguedad puede ser estratégica más que evasiva.

El bombo frente a lo confirmado

Reducido a lo esencial, tres cosas están bien respaldadas: el modelo existe y es de pesos abiertos; publica fuertes benchmarks de codificación auto-reportados; y Meituan afirma un pipeline de entrenamiento totalmente nacional a una escala de aproximadamente 50 000 chips. Tres cosas aún no están confirmadas: la reproducción independiente de los benchmarks, la identidad y el rendimiento real de los chips, y con qué eficiencia corrió realmente ese clúster frente a una línea base de Nvidia.

La brecha entre "entrenado sin Nvidia" y "entrenado con la misma eficiencia que con Nvidia" es donde se sitúan las apuestas de política. Los controles de exportación nunca pretendieron hacer imposible el entrenamiento chino de frontera, solo lento, costoso e ineficiente. LongCat-2.0 no refuta esa lógica; un modelo puede ser un logro real y aun así haber costado muchas más horas de cómputo que un equivalente occidental. Lo que sí perfora es la suposición más fuerte y de carga estructural de que negar el stack más nuevo de Nvidia crea un techo infranqueable. El techo, sugiere este lanzamiento, es más alto de lo anunciado —aunque la escalada sea más difícil.

En resumen

LongCat-2.0 es la historia de modelo más importante de la semana no porque supere a la frontera —no lo hace, de forma clara—, sino por quién lo construyó y sobre qué. Una empresa de logística que lanza un modelo abierto de 1,6 billones de parámetros y con licencia cercana a MIT que, según afirma, fue preentrenado de extremo a extremo en ASIC nacionales es un dato con el que la estrategia de chips de Washington tiene que lidiar. La postura correcta es mesurada: los benchmarks son auto-reportados y no reproducidos, los chips no tienen nombre y las afirmaciones de eficiencia no están probadas. Pero la dirección es inconfundible. Cada lanzamiento como este estrecha la ventana en la que los controles de exportación compran tiempo significativo, y desplaza la pregunta de si China puede entrenar modelos a escala frontera con su propio silicio a con qué eficiencia —y cuán pronto la respuesta deja de avergonzar a nadie. Estén atentos a los pesos en Hugging Face y a los benchmarks independientes; ahí es cuando el bombo o se endurece en hecho o se desinfla en silencio.