Короткий ответ, если ты пришёл за ним: да, впервые фронтир-модель предобучили без единого чипа NVIDIA. 30 июня 2026 года Meituan выпустила LongCat-2.0 под лицензией MIT (по данным Meituan и VentureBeat от 1 июля 2026). По официальному описанию Meituan, обучение шло на более чем 50 000 неназванных китайских ИИ-ASIC, архитектурно близких к линейке Huawei Ascend 910C.
Важная оговорка сразу, чтобы не было завышенных ожиданий. Meituan не раскрыла точного производителя ASIC. «Архитектурно близки к Ascend 910C» - это формулировка из источников, а не подтверждённая марка чипа. Дальше по тексту я держу вендорские заявления, независимые находки и свои выводы раздельно, потому что вокруг этого релиза уже много шума, и легко принять обсуждение за доказательство качества.
Что именно изменилось 30 июня 2026
Главное: это первый документированный случай, когда полное предобучение фронтир-модели (а не только инференс) прошло на отечественных китайских чипах. Раньше на локальном железе крутили в основном готовые модели. Здесь на нём, по заявлению Meituan, отработал весь тренировочный прогон.
Сухие цифры из источников:
- LongCat-2.0, 1.6 трлн параметров, архитектура MoE (Meituan, VentureBeat, 1 июля 2026).
- Нативное контекстное окно 1 млн токенов (Meituan).
- Тренировка на более чем 35 трлн токенов, включая сотни миллиардов токенов с контекстом около 1 млн (Meituan).
- В среднем активируется 48 млрд параметров на токен, динамически от 33 до 56 млрд в зависимости от сложности запроса (Meituan, VentureBeat).
- На бенчмарке SWE-Bench Pro модель набрала 59.5 балла против 58.6 у GPT-5.5 (VentureBeat).
- Более 50 000 китайских ИИ-ASIC в кластере обучения (Meituan, South China Morning Post, 1 июля 2026).
Формальный релиз был 30 июня, но основной пик обсуждения пришёлся на 1-5 июля. Если ты видел заголовки чуть позже даты релиза - это нормально, разбор в VentureBeat и South China Morning Post вышел в первые дни июля.
Почему это вообще новость, а не рядовой релиз ещё одной большой модели. Экспортные ограничения США несколько лет строились вокруг простой идеи: без топовых ускорителей NVIDIA обучить модель переднего края тяжело. Заявление Meituan бьёт именно в эту идею. Если предобучение такого масштаба реально прошло на локальных ASIC, то ограничение замедляет, но не блокирует. Это моя интерпретация смысла события, а не цитата из источника.
Если ты по работе сравниваешь модели и тебе нужно быстро проверить свежую китайскую модель нейросети рядом с привычными GPT и Claude, удобнее гонять их через один общий доступ - об этом ниже будет конкретный код, а сам агрегатор provod.ai собирает основные семейства в одном чате и одном API.
MoE на 1.6 трлн - это сколько на самом деле работает
Главное: 1.6 трлн - это общий размер, а не то, что считается на каждом токене. Реально активны в среднем 48 млрд параметров.
Многие пугаются числа 1.6 трлн и думают, что для инференса нужен кластер размером с датацентр. С MoE (mixture of experts) это не так прямолинейно. Модель состоит из множества «экспертов», и на каждый токен маршрутизатор включает лишь часть из них. По данным Meituan, в LongCat-2.0 активируется в среднем 48 млрд параметров на токен, динамически от 33 до 56 млрд.
Что это даёт на практике:
- Считается меньше, чем весит вся модель. Это ключ к скорости и стоимости инференса.
- Динамическая активация означает, что на простой запрос модель тратит меньше (ближе к 33 млрд), на сложный - больше (до 56 млрд). Это заявление вендора; независимых замеров задержки по разным типам запросов в источниках нет.
- Веса всё равно надо где-то держать. 1.6 трлн параметров - это большой объём памяти на хранение, даже если считается активной лишь часть. Полный self-host остаётся дорогим.
Не путай «активные параметры» с «маленькой моделью». По качеству и требованиям к памяти это тяжёлая система. MoE снижает стоимость вычисления на токен, а не стоимость владения всей моделью.
Как попробовать LongCat-2.0, не поднимая кластер
Главное: раз лицензия MIT, веса можно скачивать и запускать самому, но для первой проверки почти всегда проще пойти через готовый API-хостинг.
Разберём три пути и когда какой брать.
| Способ | Когда подходит | Плюсы | Минусы |
|---|---|---|---|
| Self-host весов (MIT) | Нужен полный контроль, приватные данные, свой инференс | Данные не уходят наружу, лицензия разрешает коммерцию | Дорогое железо под 1.6 трлн, инженерия, поддержка |
| Внешний API-провайдер | Быстрая проверка, прод без своей инфраструктуры | Ничего не поднимаешь, платишь по токенам | Данные уходят провайдеру, зависишь от его аптайма |
| Агрегатор нескольких моделей | Сравнение моделей между собой, маршрутизация | Один ключ на разные семейства | Не заменяет self-host и приватную инфраструктуру |
Лицензия MIT здесь - существенный факт. По данным Meituan и VentureBeat, LongCat-2.0 открыта именно под MIT, а это одна из самых свободных лицензий: можно использовать коммерчески, дообучать, встраивать. Это отличает открытый релиз от закрытых моделей, где ты только арендуешь доступ.
Практический порядок действий для первой проверки без своего кластера:
- Определись, что именно проверяешь. Агентный кодинг? Тогда бери задачи, похожие на SWE-Bench Pro: правки в реальном репозитории, а не абстрактные загадки.
- Возьми небольшой набор своих реальных задач, 10-20 штук, с известным правильным ответом. Синтетика не покажет, как модель ведёт себя на твоём коде.
- Прогони те же задачи через LongCat-2.0 и через привычную тебе модель. Сравнивай не «вау-эффект», а долю задач, где патч реально применился и прошли тесты.
- Отдельно замерь задержку и стоимость на твоём типичном запросе. Средние цифры из релиза - не гарантия твоего профиля нагрузки.
Дальше - код.
Как дернуть модель из кода и не утонуть в отличиях SDK
Главное: если провайдер даёт OpenAI-совместимый эндпоинт, менять надо два поля - ключ и base_url. Логика запроса остаётся прежней.
Большинство современных инференс-провайдеров отдают OpenAI-совместимый интерфейс. Это удобно: один и тот же код ходит в разные бэкенды.
# pip install openai
from openai import OpenAI
client = OpenAI(
api_key="ВСТАВЬ_СВОЙ_КЛЮЧ", # секрет: не коммить в git
base_url="https://api.provod.ai/v1", # OpenAI-совместимый base_url
)
resp = client.chat.completions.create(
model="ИМЯ_МОДЕЛИ_У_ПРОВАЙДЕРА", # уточни точный идентификатор в консоли
messages=[
{"role": "system", "content": "Ты аккуратный senior-инженер."},
{"role": "user", "content": "Найди баг в этой функции и верни патч."},
],
temperature=0.2,
)
print(resp.choices[0].message.content)
Пара честных предупреждений к коду:
-
ИМЯ_МОДЕЛИ_У_ПРОВАЙДЕРА- это плейсхолдер. Точный идентификатор LongCat-2.0 у конкретного провайдера смотри в его консоли, я его не выдумываю. - Контекст в 1 млн токенов заявлен нативно (Meituan), но конкретный провайдер может резать окно на своей стороне. Проверяй лимиты в документации того, к кому подключаешься.
- Ключ - секрет. Держи в переменной окружения или менеджере секретов, а не в коде.
Если тебе нужно рядом с китайской моделью гонять GPT, Claude, Gemini, DeepSeek и Qwen, есть смысл смотреть в сторону одного совместимого API. У provod.ai один API совместим с SDK OpenAI и Anthropic: меняешь ключ и base_url - и тот же код ходит в разные семейства моделей. Из России это работает без VPN и зарубежных карт, оплата рублёвым балансом с российской карты, через СБП или по счёту, а на юрлицо есть договор, счёт и закрывающие документы. Это удобно именно для сравнения и маршрутизации между моделями, но это не self-host: приватную инфраструктуру и локальный запуск весов он не заменяет.
Сколько это стоит и какую модель брать под задачу
Главное: конкретных цен на LongCat-2.0 в источниках нет, поэтому ориентируйся на активные параметры и на бенчмарк под свою задачу, а не на маркетинговые числа.
В source pack цены не заданы. Значит, честно так: любую цену конкретного провайдера ты смотришь у него сам, я её не привожу, чтобы не выдумывать. Что можно сказать по фактам:
- SWE-Bench Pro: 59.5 у LongCat-2.0 против 58.6 у GPT-5.5 (VentureBeat). Разрыв небольшой. По одному бенчмарку нельзя утверждать, что одна модель «лучше» другой в целом - это узкий срез агентного кодинга.
- Модель быстро вышла в топ OpenRouter по агентному кодингу (VentureBeat). Это сигнал внимания сообщества, а не независимый аудит качества. Топ в рейтинге использования говорит о популярности и цене за токен, а не о том, что модель объективно превосходит остальные.
Как выбирать без самообмана:
| Что важнее | На что смотреть | Практический шаг |
|---|---|---|
| Качество на агентном кодинге | SWE-Bench Pro и свои задачи | Прогони 10-20 реальных тикетов |
| Стоимость инференса | Активные параметры, цена за токен у провайдера | Замерь на своём среднем запросе |
| Длинный контекст | Реальное окно у провайдера | Проверь, не режет ли он 1 млн токенов |
| Приватность данных | Self-host против внешнего API | Реши до первого прод-запроса |
Отдельно про длинный контекст. Нативный 1 млн токенов - это заявление вендора, и обучение включало сотни миллиардов токенов с контекстом около 1 млн (Meituan). Но «поддерживает окно» и «одинаково хорошо помнит всё окно» - разные вещи. Если у тебя сценарий с длинными документами, тестируй качество ответа именно на своей длине, а не на демо.
Частые ошибки при подключении и как их читать
Главное: большинство сбоев - это не «модель плохая», а несовпадение идентификатора модели, лимитов контекста или формата ключа.
Собрал типичные грабли, на которые натыкаешься при первом подключении к любому OpenAI-совместимому провайдеру, включая сценарий с китайской моделью.
- Ошибка вида model not found. Почти всегда - неверный идентификатор модели. Скопируй точное имя из консоли провайдера, регистр важен.
- 401 / invalid api key. Ключ не тот, протух или с лишними пробелами. Проверь, что читаешь из окружения именно рабочий ключ, а не старый.
- Обрыв на длинном запросе. Ты упёрся в лимит контекста провайдера, который может быть меньше нативного 1 млн. Логируй число токенов запроса до отправки.
- Таймауты на больших ответах. Увеличь таймаут клиента и включи потоковую отдачу (stream), чтобы получать ответ по частям.
- Разное поведение параметров. У разных бэкендов temperature и стоп-последовательности могут трактоваться чуть иначе. Фиксируй temperature низкой на кодинге.
Если ты собираешь всё это в n8n или похожем оркестраторе, держи в голове одну вещь. Агрегатор моделей и платформа автоматизации решают разные задачи. Доступ к модели через совместимый API не заменяет саму платформу автоматизации: n8n остаётся местом, где живут твои триггеры, ноды и логика, а API-провайдер - лишь узел, который отдаёт ответ модели. Не жди, что подключение модели само построит тебе пайплайн.
Мини-чеклист перед тем, как звать в поддержку:
- Точное имя модели скопировано из консоли.
- Ключ читается из окружения, без пробелов.
- Число токенов запроса меньше лимита провайдера.
- Таймаут клиента поднят, включён stream.
- Тот же запрос повторяется стабильно, а не «иногда».
Чего этот релиз не решает
Честный раздел, без которого статья была бы рекламой события.
- Не доказывает паритет с NVIDIA-обучением. LongCat-2.0 показывает, что предобучение фронтир-модели на локальных ASIC возможно (первый документированный случай, по данным Meituan и SCMP). Но источники не раскрывают ни стоимости прогона, ни энергозатрат, ни времени обучения. «Возможно» не равно «так же эффективно».
- Не отменяет неизвестность по железу. Точный производитель ASIC не назван. Формулировка «архитектурно близки к Ascend 910C» - это близость, а не подтверждённая марка.
- Один бенчмарк - не общий вердикт. 59.5 против 58.6 на SWE-Bench Pro - узкий результат по агентному кодингу. За пределами этой задачи поведение может отличаться, и независимого широкого аудита в source pack нет.
- Топ OpenRouter - это про использование, а не про истину. Популярность и низкая цена за токен гонят модель вверх в рейтинге; качество это не доказывает.
- Открытость под MIT не убирает эксплуатационную нагрузку. Скачать веса можно, но обслуживать инференс модели на 1.6 трлн параметров - это отдельная и недешёвая инженерия.
- Доступ через агрегатор не заменяет ключевые вещи: self-host, приватную и on-prem инфраструктуру, платформы автоматизации, функции, доступные только по подписке у самого вендора, и работу по внедрению. Это инструмент сравнения и маршрутизации, а не серебряная пуля.
Что сделать на этой неделе
Если убрать эмоции вокруг «Китай обучил без NVIDIA», для тебя как инженера остаётся спокойный набор действий:
- Собери 10-20 своих реальных задач с известным ответом.
- Прогони их через LongCat-2.0 и через свою текущую модель одним и тем же кодом.
- Сравни долю успешных патчей, задержку и стоимость на своём профиле нагрузки.
- Реши вопрос приватности до прода: внешний API или self-host.
- Задокументируй лимиты контекста конкретного провайдера, не полагайся на нативные 1 млн токенов вслепую.
Событие важное как сигнал по экспортным ограничениям, но твой выбор модели решают твои задачи и твои замеры, а не заголовки первой недели июля.
Сравни LongCat-2.0 с GPT, Claude, Gemini, DeepSeek и Qwen в одном чате и через один API - открой provod.ai и подключи их за один вечер.
Источники
- Meituan, официальный релиз LongCat-2.0, 30 июня 2026: https://www.meituan.com/news/NN260630164005904
- VentureBeat, разбор LongCat-2.0, 1 июля 2026: https://venturebeat.com/technology/meituan-open-sources-longcat-2-0-the-1-6t-near-frontier-agentic-coding-model-thats-been-leading-openrouter-trained-entirely-on-chinese-chips
- South China Morning Post, о чипах и первенстве обучения, 1 июля 2026: https://www.scmp.com/tech/tech-trends/article/3358854/china-debuts-biggest-ai-model-trained-local-chips-meituan-releases-longcat-20
provod.ai — Russian LLM API aggregator. One OpenAI-compatible endpoint to all flagship models: OpenAI (GPT-5.6, GPT-5.5), Anthropic (Claude Opus 4.8, Sonnet 4.6), Google (Gemini 3.1 Pro, 3.5 Flash), DeepSeek V4 Pro, Qwen 3.6 Plus. Provider prices at the CBR rate, no token markup. Pay in rubles to a Russian legal entity with full closing documents.
Try: provod.ai · model catalog · docs
Top comments (0)