LongCat-2.0: Meituan trainiert ein Billionen-Parameter-Modell auf 50.000 chinesischen Chips

Meituan hat LongCat-2.0 am 30. Juni auf GitHub und Hugging Face veröffentlicht, ein MoE-Modell mit 1,6 Billionen Parametern, das laut Unternehmensangaben komplett auf 50.000 chinesischen Chips trainiert und betrieben wurde. Im SWE-bench Pro erreicht es 59,5 Punkte, knapp vor GPT-5.5 mit 58,6. Meine Einschätzung: Die Behauptung, GPT-5.5 zu schlagen, hält einer genaueren Prüfung nicht stand. Ein Abstand von 0,9 Punkten liegt im Bereich der Messungenauigkeit, und bei einem anderen agentenbasierten Benchmark namens FORTE liegt GPT-5.5 mit 77,8 zu 73,2 deutlich vorn. Wer eigene Ergebnisse mit anderen agentenbasierten Benchmarks gegen LongCat-2.0 hat, soll die Zahlen mitbringen, denn derzeit ist offen, ob dieses Modell tatsächlich zu westlichen Frontier-Modellen aufschließt oder nur auf einer sorgfältig ausgewählten Punktetafel gewinnt.

Was gestartet ist: ein Billionen-Parameter-Modell aus einem Lieferdienst-Konzern

Meituan hat sein Geschäft mit Essenslieferungen und lokalen Dienstleistungen in China aufgebaut, was LongCat-2.0 zu einem ungewöhnlichen Produkt für dieses Unternehmen macht. Es handelt sich um ein Mixture-of-Experts-Modell mit 1,6 Billionen Parametern insgesamt, wobei pro Token nur 33 bis 56 Milliarden aktiviert werden, im Schnitt rund 48 Milliarden. Das Kontextfenster reicht bis zu einer Million Token, das Pretraining lief über mehr als 35 Billionen Token, und laut Meituan gab es dabei keine Abbrüche oder nicht behebbare Sprünge im Trainingsverlust.

Interessanter ist, was vor der Enthüllung geschah. Zwei Monate lang lief dieses Modell anonym unter dem Codenamen Owl Alpha auf OpenRouter, ohne dass jemand außerhalb von Meituan wusste, woher es stammt. In dieser Zeit erreichte es im Schnitt 559 Milliarden Token pro Tag bei einem monatlichen Wachstum von 242 Prozent, und Entwickler entschieden sich dafür, ohne die Herkunft zu kennen. Das ist ein stärkeres Signal als jeder vom Hersteller veröffentlichte Benchmark, weil es die Verzerrung umgeht, die entsteht, wenn ein Unternehmen seine eigenen Vergleichsmodelle auswählt.

Bei den Chips deuten mehrere Berichte auf Huaweis Ascend-910B-Serie hin, auch wenn Meituan das nicht direkt bestätigt hat. Sollte das stimmen, wäre dies das erste Mal, dass ein mit Huawei-Chips trainiertes Modell auf öffentlichen Benchmarks eine Leistung nahe der Spitzenklasse erreicht, was angesichts der seit 2022 stark eingeschränkten Einfuhr von Nvidia-Hardware nach China mehr Gewicht hat als der SWE-bench-Wert selbst. Bei der Preisgestaltung liegt der Standardtarif bei 0,75 Dollar pro Million Input-Token und 2,95 Dollar pro Million Output-Token, etwa zehnmal günstiger als GPT-5.5 mit 30 Dollar und mehr als dreimal günstiger als Claude Sonnet 5 mit 10 Dollar.

Was die Zahlen wirklich zeigen

Zuerst die Chip-Anzahl. Ein einzelner Ascend 910B liegt Schätzungen zufolge bei etwa 30 bis 40 Prozent der Rechenleistung eines H100, was die effektive Rechenkapazität dieses 50.000-Chip-Clusters auf ungefähr 16.000 bis 20.000 H100-Äquivalente bringt, eine Größenordnung, die nahe an das herankommt, was für GPT-4s ursprünglichen Trainingscluster kolportiert wurde. Das ist kein Demo-Lauf. China hat aus heimischen Chips einen echten Trainingslauf auf Frontier-Niveau zusammengestellt.

Nun zur Preislücke. Ein zehnfacher Preisnachlass bei Output-Token dürfte kaum allein aus Chip-Effizienz kommen. Günstigerer Strom in China, keine Nvidia-Marge und keine Exportzölle in den Hardwarekosten sowie Meituans offensichtliche Eile, Marktanteile auf Plattformen wie OpenRouter zu gewinnen, sind plausiblere Erklärungen, und Letzteres passt zu dem, was wir zuvor über den Rückgang des US-Marktanteils chinesischer Modelle auf OpenRouter verfolgt haben. Preis ist derzeit der einzige Hebel, den das chinesische Lager wirklich stark bewegen kann.

Am meisten Skepsis verdient das Wort quelloffen. Sowohl die GitHub- als auch die Hugging-Face-Seite tragen noch den Hinweis, die Modellgewichte kämen bald, man solle dranbleiben. Wer das Modell derzeit tatsächlich nutzen will, kann das nur über Meituans eigene API tun. Die MIT-Lizenz existiert auf dem Papier, nicht als herunterladbare Datei.

Woran sich das in den kommenden Monaten ablesen lässt

Drei Dinge lassen sich innerhalb weniger Wochen bis Monate überprüfen. Erstens, ob Meituan die Gewichte tatsächlich veröffentlicht. Vergeht ein Monat ohne Bewegung, gehört diese Veröffentlichung in die Marketing-Kategorie und nicht in die Open-Source-Kategorie. Zweitens, ob eine unabhängige Stelle bestätigt, dass die Trainingschips wirklich Ascend 910B sind, was darüber entscheidet, ob dies ein Meilenstein chinesischer Chip-Unabhängigkeit ist oder eine unbestätigte Behauptung, die darauf aufbaut. Drittens, ob Alibaba, ByteDance oder Tencent innerhalb von drei bis sechs Monaten eigene vollständig auf heimischen Chips trainierte Modelle ankündigen. Tut das keiner von ihnen, wirkt Meituans Lauf eher wie ein Einzelfall als wie ein Trend.

Wenn dieser Artikel hilfreich war, abonniere den Newsletter für wöchentliche KI-PM-Einblicke.

Weiterführend: Chinesische KI-Modelle verlieren US-Marktanteil auf OpenRouter, Zhipus GLM-5.2 Open-Weight-Modell schlägt GPT-5.5