Сервис доставки еды два месяца анонимно возглавлял OpenRouter. Разбираем LongCat-2.0.

Пока все следили за релизами Kimi K3 и GPT-5.6, случилась история поинтереснее. 30 июня китайская Meituan — компания, которую весь мир знает как гигантский сервис доставки еды — раскрыла карты: загадочная модель Owl Alpha, которая два месяца анонимно собирала топы на OpenRouter, — это её LongCat-2.0. Модель на 1,6 триллиона параметров, обученная от начала до конца на китайских чипах. Разбираем, как доставка еды дошла до frontier-модели и что там под капотом.

Два месяца под псевдонимом

На OpenRouter уже сложилась целая культура Stealth-релизов*: лаборатория выкатывает модель под кодовым именем, без указания автора, и смотрит, как она ведёт себя на реальном трафике. Так Polaris Alpha в своё время оказалась GPT-5.1, а Sherlock Alpha — Grok 4.1. Комьюнити каждый раз играет в детектива: по стилю ответов, токенизатору и характерным галлюцинациям пытается вычислить, кто за маской.

Stealth-релиз (от англ. stealth — "скрытный, незаметный") — это выпуск продукта, функции или обновления без громкого анонса.

Owl Alpha появилась весной и вела себя подозрительно хорошо для «ноунейма»: миллион токенов контекста, уверенный tool use, стабильная работа в агентных циклах. К концу июня она без единого упоминания бренда заняла первое место по объёму вызовов на Hermes Agent, второе — среди моделей, которые разработчики подставляют в Claude Code через прокси, и третье — на деплоях OpenClaw.

То есть модель победила не в пресс-релизе, а на живом трафике: разработчики выбирали её кошельком и рабочими задачами, не зная, кто её сделал. Это, пожалуй, самый честный бенчмарк из существующих.

30 июня Meituan сняла маску — и одновременно выложила модель в открытый доступ под лицензией MIT.

Что за модель

LongCat-2.0 — это Mixture-of-Experts на 1,6 трлн общих параметров, из которых на каждый токен активируется в среднем около 48 млрд. Причём активация динамическая: в зависимости от сложности запроса модель задействует от 33 до 56 млрд параметров. Простой вопрос — меньше вычислений, сложная агентная задача — больше. Знакомый по DeepSeek подход «платим только за то, что используем», доведённый до предела.

Ключевые характеристики:

1,6 трлн параметров (MoE), ~48 млрд активных на токен
Нативный контекст 1 млн токенов — за счёт фирменного LongCat Sparse Attention, который снижает стоимость длинного контекста с квадратичной до линейной
Более 35 трлн токенов в претрейне, включая сотни миллиардов токенов с контекстом около миллиона
Специализация — агентный кодинг: понимание, генерация и исполнение кода внутри агентных циклов
Лицензия MIT, веса на Hugging Face

Это не первая модель Meituan: в сентябре 2025-го выходила LongCat-Flash на 560 млрд параметров, в марте 2026-го — мультимодальная LongCat-Next. Но 2.0 — первый заход компании в высшую лигу.

Главное: как это обучили без Nvidia

Теперь самое интересное. Вся история китайских моделей до этого момента имела одну оговорку. Да, DeepSeek, Qwen и GLM показывали результаты уровня западных флагманов — но обучались они, так или иначе, на Nvidia (легально купленной до ограничений или через обходные пути). Домашние чипы использовались максимум для инференса: даже DeepSeek V4-pro, вышедший в апреле 2026-го, гонял на китайском железе только выдачу ответов, а претрейн делал на классическом стеке.

LongCat-2.0 — первый случай, когда модель триллионного масштаба прошла весь цикл — и претрейн, и инференс — на китайских ASIC. Ни одной A100, H100 или MI300X во всём пайплайне.

Как это устроено технически:

Кластер. Более 50 000 китайских AI-ускорителей, собранных в «суперподы» с высокоскоростным интерконнектом. Meituan не называет производителя чипов, но косвенные улики указывают на Huawei: в обучении использовалась HCCL — Huawei Collective Communication Library.

Параллелизм. Чтобы размазать MoE-слои по такому кластеру, команда реализовала 6D-параллелизм: тензорный, контекстный, экспертный, по данным, конвейерный и по эмбеддингам. Для сравнения: типичный крупный тренинг обходится 3–4 измерениями. Шестимерная схема понадобилась именно потому, что чужое железо не прощает неэффективности — пропускная способность интерконнекта и объём памяти на карту у китайских ASIC скромнее, чем у топовых Nvidia, и это компенсируют архитектурой распределения.

Отказоустойчивость. Претрейн на 35+ трлн токенов — это миллионы ускорителе-часов. На таком горизонте карты умирают ежедневно, и главная инженерная задача — чтобы тренировка переживала сбои без отката на дни назад. Meituan пришлось строить собственные механизмы чекпойнтинга и численной стабильности под незнакомую платформу — то, что на стеке Nvidia дают готовые, годами вылизанные инструменты.

Именно поэтому «обучено на китайских чипах» — это не строчка в пресс-релизе, а огромный объём системной работы. Экспортный контроль США бил ровно в эту точку: предполагалось, что без доступа к топовому железу frontier-претрейн в Китае невозможен. LongCat-2.0 — прямая демонстрация обратного

Цифры: где модель сильна, а где нет

По заявлениям Meituan (важно: это внутренние замеры, независимых воспроизведений на момент написания нет):

SWE-bench Pro - 59.5 vs GPT-5.5 58.6
Terminal-Bench 2.1 70.8
SWE-bench Multilingual 77,3

То есть в своей нише — агентная разработка, работа в терминале, большие кодовые базы — модель играет на уровне GPT-5.5 и, по утверждению Meituan, сопоставима с Gemini 3.1 Pro.

Честности ради: на широких агентных бенчмарках вроде FORTE и BrowseComp модель уступает Claude Opus 4.8. LongCat-2.0 — не «убийца всего», это узкий специалист по коду с гигантским контекстом. Но специалист дешёвый.

Экономика:

API-цены LongCat-2.0: $0.75 за миллион входных токенов и ~$3 за миллион выходных.

Разница с GPT-5.5 — в 6–10 раз при сопоставимом результате на кодовых задачах. А поскольку веса открыты под MIT, крупные команды могут вообще не платить за API и хостить модель у себя — миллион токенов контекста означает, что в неё влезает целая кодовая база среднего проекта.

И это до того, как за модель возьмутся провайдеры на OpenRouter и начнут демпинговать между собой, как это уже было с DeepSeek и GLM.

Зачем доставке еды frontier-модель

Резонный вопрос. Meituan — это не «стартап с моделью», это операционный гигант: миллионы курьеров, логистика в реальном времени, динамическое ценообразование, армия внутренних разработчиков. У компании есть и деньги на 50-тысячный кластер, и собственная мотивация: агентный кодинг — это про автоматизацию её же инженерии, а инвестиции в чипмейкеров — про независимость всей этой махины от санкционных качелей.

Плюс очевидный государственный контекст: Пекин субсидирует переход на домашние чипы, и «первый триллионник на своём железе» — это ровно тот заголовок, под который открываются любые двери.

Что всё это значит

Три вывода, на мой взгляд.

Первый. Stealth-запуск сработал идеально — и станет нормой. Модель заслужила репутацию на анонимном трафике, без скидки на бренд и без хейта «а, очередная китайская поделка». К моменту раскрытия спорить было не с чем: цифры использования уже висели в паблике.

Второй. Аргумент «у Китая нет чипов для претрейна» больше не работает. Работает другой, более скромный: софтверная экосистема вокруг китайских ASIC пока сырая по сравнению со стеком CUDA, и Meituan сама это признаёт. Плюс есть нюанс: модель, оптимизированная под домашнее железо, может терять эффективность на Nvidia-инфраструктуре, которая всё ещё доминирует за пределами Китая. Разрыв сместился из «невозможно» в «дороже и мучительнее».

Третий. Для нас, практиков, это ещё один сдвиг ценовой планки. Полгода назад «дёшево и умно в коде» — это был DeepSeek. Теперь на OpenRouter лежит MIT-модель с миллионом контекста, которая на SWE-bench Pro обходит GPT-5.5 за десятую часть цены.

Больше про LLM и AI — в нашем Telegram-канале (@devgeek_sh). Разбираем новые модели, делимся опытом и полезными находками.