Kraftfullt 1,6 biljoners språkmodell utan Nvidia-kort

Föreställ dig att bygga en kolossal språkmodell utan ett enda Nvidia-kort i serverhallen. Märkligt? Inte längre. Meituan släppte tyst LongCat-2.0, en öppen källkodsjätte som utmanar antaganden om vilken hårdvara som kan bära de största AI-arbetslaster.

LongCat-2.0 innehåller ungefär 1,6 biljoner parametrar och stöder ett kontextfönster på cirka en miljon token, vilket placerar den bland de mest omfattande språkmodellerna i omlopp. I skala säger dess skapare att den kan konkurrera med modeller som DeepSeek-V4-pro, men huvudpoängen är inte den rena storleken. Det är hårdvarufrågan.

Till skillnad från tidigare satsningar som förlitade sig på inhemska kretsar enbart för inferens rapporterar Meituan att LongCat-2.0 genomförde både träning och inferens på en helt Kina-baserad stack. Företaget uppger att de använde ett beräkningskluster byggt av omkring 50 000 kinesiska grafikprocessorer och tiotusentals ASIC:ar skräddarsydda för AI-uppgifter. Resultatet: storskalig träning genomförd på hårdvarualternativ till den globalt Nvidia-dominerade försörjningskedjan.

Företaget har inte avslöjat vilka processorfamiljer som var inblandade. Huawei är en uppenbar kandidat, men Meituan avstod från att namnge leverantörer. Denna otydlighet spelar roll: mjukvarukompatibilitet, drivrutinernas mognad och orkestreringslager påverkar alla verklig prestanda, inte bara chippen i sig.

LongCat-2.0 markerar ett genombrott för hårdvaruoberoende, men dess praktiska kapacitet förblir obevisad tills oberoende benchmarkresultat presenteras.

Hittills har modellen inte körts genom ledande utvärderingssviter som Artificiell Analys eller Arena, och inte heller genom specialiserade tester som Agenternas sista prov och Cybergym. Benchmarktester kommer att visa om träning på en inhemsk stack översätts till konkurrenskraftig noggrannhet, svarstid och effektivitet. Blir detta paritet med motsvarigheter tränade på Nvidia, eller en helt annan avvägning?

Den större implikationen är tydlig: Kinas ekosystem testar om alternativa kretsar och massiva inhemska kluster kan upprätthålla banbrytande AI-forskning. Det kan omforma antaganden om leveranskedjan och sporra lokal innovation. För närvarande är LongCat-2.0 ett bevis på kapacitet och en anledning att bevaka benchmarkresultaten som kommer avgöra om det är ett genombrott eller ett intressant experiment.