LongCat: китайцы quietly выпустили AI-модель, которая уже дышит в спину GPT-5.5 — и это может изменить рынок AI-агентов
Пока все спорили про очередной релиз OpenAI, Anthropic и Google, китайская компания Meituan сделала ход, который многие разработчики сначала… просто пропустили.
А зря.
Потому что LongCat это не просто ещё одна LLM «с хорошими бенчмарками».Это один из первых действительно agent-native AI-стеков, который строился не вокруг чат-бота, а вокруг автономной работы AI в реальной инженерной среде.
И вот тут начинается самое интересное.
LongCat — это вообще кто?
Если ты не следишь за китайским AI-рынком, название Meituan может ничего не говорить.
Но это гигант уровня DoorDash + Uber Eats + Booking + superapp в одном флаконе. Компания основана Wang Xing и давно превратилась в инфраструктурного монстра китайского интернета.
У них:
- сотни миллионов пользователей,
- огромная инфраструктура,
- колоссальные объёмы данных,
- собственные AI-команды,
- и очень серьёзная мотивация не зависеть от американских моделей.
В 2023 году внутри Meituan появилась команда LongCat.
А уже летом 2026 они выкатывают LongCat-2.0 — open-source модель на 1.6 триллиона параметров с контекстом в 1 миллион токенов.
Да, миллион.
Не 128k. Не 256k. Миллион.
Да это результат.
Почему вокруг LongCat столько шума.
Потому что LongCat — это не «ещё один ChatGPT-клон».
Команда Meituan сделала ставку на то, куда реально движется индустрия:
- AI coding agents
- autonomous workflows
- tool calling
- terminal execution
- multi-step reasoning
- orchestration
- software engineering automation
То есть модель изначально проектировалась как «мозг» для AI-агентов.
Не просто отвечать на вопросы.
А:
- читать репозиторий,
- запускать команды,
- анализировать логи,
- чинить баги,
- взаимодействовать с IDE,
- работать с терминалом,
- помнить огромный контекст проекта.
Именно поэтому LongCat активно продвигают как модель для:
- Claude Code,
- Hermes,
- OpenClaw,
- OpenCode,
- Kilo Code.
А теперь самое важное: почему LongCat технически интересен
Большинство людей смотрит только на размер модели.
Но размер давно ничего не гарантирует.
Настоящая магия — в архитектуре.
LongCat-2.0 использует Mixture-of-Experts (MoE).
Это значит:модель имеет гигантское количество параметров, но активирует только часть из них для конкретного токена.
У LongCat:
- 1.6T total parameters,
- но активно используется примерно 33B–56B параметров на токен,
- среднее значение около 48B.
По сути это похоже на команду инженеров.
Ты не вызываешь сразу весь отдел на каждый баг.
Для простой задачи нужен один специалист.Для сложной подключается несколько.
Так и работает MoE.
Это резко снижает стоимость inference и делает огромные модели практичными.
Как они вообще запихнули 1M context?
Вот здесь LongCat становится особенно интересным.
Обычная Transformer-attention начинает сходить с ума на длинных контекстах:
- память улетает,
- latency растёт,
- GPU начинают плавиться морально и физически.
LongCat использует собственную архитектуру:
LongCat Sparse Attention (LSA)
Идея:модель не смотрит одинаково внимательно на ВСЕ токены.
Она:
- иерархически индексирует контекст,
- использует sparse attention,
- оптимизирует cross-layer memory,
- уменьшает вычисления для «неважных» участков.
Проще говоря:вместо чтения всей книги посимвольно модель научилась быстро находить нужные главы.
Для AI-агентов это критично.
Потому что реальный проект:
- это тысячи файлов,
- огромные логи,
- stack traces,
- документация,
- история изменений,
- tool outputs.
128k контекста уже начинает задыхаться.
1M context это уже уровень «модель реально понимает большой проект».
Самый неожиданный момент: NVIDIA тут почти нет
Вот здесь рынок реально напрягся.
LongCat-2.0 обучался на кластере из 50 000 китайских AI-чипов.
Не NVIDIA H100.
Не Blackwell.
А domestic hardware.
И это огромный сигнал.
Потому что последние годы индустрия жила в логике:
«Без NVIDIA ты не построишь frontier-модель».
Китай сейчас пытается доказать обратное.
И если LongCat действительно показывает такие результаты на non-NVIDIA stack это уже не просто AI-новость.
Это геополитика вычислений.
Что LongCat умеет уже сейчас
Вот где модель реально интересна разработчикам.
LongCat API:
- совместим с OpenAI API,
- поддерживает Anthropic-style endpoints,
- умеет native tool calling,
- multi-step reasoning,
- agent orchestration.
Фактически:ты можешь подключить LongCat в существующую AI-инфраструктуру почти без боли.
API: LongCat API Docs
Официальный сайт: LongCat AI
Модели: Meituan LongCat on Hugging Face
Но давай честно: у LongCat есть проблемы
Их довольно много.
1. Экосистема пока сырая
Claude Code и OpenAI ecosystem всё ещё гораздо удобнее.
LongCat пока ощущается как:
«очень мощный research-проект».
А не polished enterprise platform.
2. Доступность API
Разработчики уже жалуются:
- onboarding неидеален,
- часть сервисов ориентирована на китайский рынок,
- бывают сложности с оплатой и доступом извне Китая.
3. Реальный agent performance ≠ benchmark
Это суперважно.
SWE-bench — полезный benchmark.
Но реальные AI-агенты всё ещё:
- ломаются,
- забывают контекст,
- портят код,
- генерируют security issues.
Недавнее исследование SWE-chat показало:только около 44% agent-generated кода реально survives в production commits.
Так что «AI заменит программистов завтра» пока выглядит слегка… оптимистично.
Почему LongCat — это важнее, чем кажется
Многие думают:
«Ну вышла ещё одна модель».
Но LongCat показывает сразу несколько трендов.
AI переходит от chatbots к agents
Это уже не:
- «напиши письмо»,
- «сделай summary».
Теперь модели:
- запускают терминал,
- управляют workflow,
- работают с IDE,
- координируют инструменты.
Open-source AI снова оживает
MIT-лицензия.Open weights.Agent-first architecture.
И это происходит в момент, когда закрытые модели становятся всё более дорогими и ограниченными.
Китай ускоряется невероятно быстро
И это уже невозможно игнорировать.
DeepSeek был первым тревожным звонком.
LongCat уже второй.
Куда всё это идёт дальше
Вот мой прогноз.
Через 2–3 года рынок AI разделится на несколько слоёв:
1. Consumer AI
ChatGPT, Gemini, Claude.
2. Enterprise orchestration AI
AI для компаний, процессов, automation.
3. Agent-native engineering systems
И вот здесь LongCat может оказаться очень сильным игроком.
Потому что они делают ставку именно на:
- software engineering,
- terminal agents,
- tooling integration,
- long-context execution.
Не на «милый чатик».
А на цифрового junior/mid engineer.
И вот главный вопрос
Если open-source модели уже начинают догонять GPT-5.5 в agentic coding…
Что будет через два года?
И ещё интереснее:
готовы ли разработчики доверить AI не только генерацию кода, но и выполнение действий внутри production-инфраструктуры?
Потому что именно туда индустрия сейчас и идёт.
Очень быстро.
🙌 Если статья была полезной подписывайся, дальше будет ещё интереснее. Буду рад лайку и комментарию — это помогает продвигать материалы и подсказывает, что разбирать дальше.
Пиши в комментариях:ты бы доверил AI-агенту доступ к своему терминалу и production-репозиторию или пока слишком страшно?