China acaba de colocar otra pieza incómoda en la carrera global de la inteligencia artificial. Meituan, el gigante chino conocido sobre todo por su negocio de delivery y servicios locales, ha publicado LongCat-2.0, un modelo de pesos abiertos orientado a programación, agentes y tareas de largo contexto. La novedad no está solo en el tamaño del modelo ni en sus resultados de coding. Está en la infraestructura: la compañía asegura que lo ha entrenado desde cero y lo ejecuta sobre un clúster de 50.000 chips chinos, sin recurrir a GPUs de NVIDIA para ese proceso.
Reuters recogió el anuncio de Meituan como una señal de la búsqueda china de autosuficiencia en IA tras los controles de exportación de Estados Unidos sobre chips avanzados. Según la agencia, LongCat-2.0 es un sistema de más de un billón de parámetros entrenado y ejecutado en hardware doméstico, y Meituan sostiene que puede competir con modelos propietarios en algunas pruebas de programación y agentes.
La lectura estratégica es clara: el debate ya no va solo de quién tiene el mejor modelo, sino de quién puede entrenar, desplegar y distribuir modelos avanzados sin depender de la cadena estadounidense de aceleradores. Y ahí LongCat-2.0 aparece como algo más que otro lanzamiento open source.
Un modelo MoE gigante para agentes de código
LongCat-2.0 es un modelo Mixture-of-Experts con 1,6 billones de parámetros totales y alrededor de 48.000 millones de parámetros activos por token, según la ficha publicada por Meituan en Hugging Face. El modelo está diseñado para razonamiento de largo contexto, edición a nivel de repositorio, coding agentic, ejecución de tareas automatizadas y flujos complejos con herramientas.
La arquitectura MoE permite que el modelo tenga una capacidad total enorme sin activar todos sus parámetros en cada token. En la práctica, esto reduce el coste relativo de inferencia frente a un modelo denso del mismo tamaño, aunque no lo convierte en una herramienta ligera. Ejecutar o servir LongCat-2.0 sigue exigiendo infraestructura especializada.
La documentación oficial habla de LongCat Sparse Attention, una técnica pensada para manejar contexto largo de forma más eficiente. El modelo soporta contexto de hasta 1 millón de tokens, una cifra especialmente relevante para agentes de programación que necesitan leer documentación, trazas, múltiples archivos, dependencias y conversaciones previas sin perder el hilo.
Meituan afirma además que el entrenamiento incluye más de 30 billones de tokens en chino, inglés, datos multilingües y código. La ficha de Hugging Face eleva esa cifra a más de 35 billones de tokens y destaca que tanto el entrenamiento completo como el despliegue a gran escala se han construido sobre superpods de ASICs de IA.
Los benchmarks: fuerte en código, pero con matices
La parte que más ha llamado la atención es el rendimiento en programación. En la tabla publicada por Meituan, LongCat-2.0 obtiene 59,5 en SWE-bench Pro, por encima de GPT-5.5, que aparece con 58,6, y de Claude Opus 4.6, con 57,3. En Terminal-Bench 2.1 alcanza 70,8, y en SWE-bench Multilingual llega a 77,3.
Conviene leer esos datos con cuidado. La propia ficha indica que, salvo los resultados marcados con asterisco, las pruebas se han medido internamente bajo un harness unificado. Además, en esa misma tabla Claude Opus 4.7 y Claude Opus 4.8 aparecen por encima de LongCat-2.0 en SWE-bench Pro, con 64,3 y 69,2 respectivamente. Es decir, LongCat-2.0 supera a GPT-5.5 en esa prueba concreta según la tabla de Meituan, pero no lidera todos los benchmarks ni derrota a todos los modelos propietarios en todos los escenarios.
| Modelo | SWE-bench Pro | Terminal-Bench 2.1 | SWE-bench Multilingual |
|---|---|---|---|
| LongCat-2.0 | 59,5 | 70,8 | 77,3 |
| GPT-5.5 | 58,6 | 73,8 | Sin dato comparable |
| Claude Opus 4.6 | 57,3 | Sin dato comparable | 77,8 |
| Claude Opus 4.7 | 64,3 | 71,7 | 80,5 |
| Claude Opus 4.8 | 69,2 | 78,9 | 84,8 |
La conclusión razonable no es que LongCat-2.0 haya dejado obsoletos a los cerrados. La conclusión es más interesante: un modelo abierto, entrenado sobre hardware chino según su fabricante, ya entra en la conversación de frontera para tareas de ingeniería de software. Y eso altera la economía de los agentes de código.
Owl Alpha: el modelo que ya se usaba sin saber su origen
Otro detalle llamativo es la historia previa del modelo. Antes de publicarse como LongCat-2.0, una versión preliminar habría circulado en OpenRouter bajo el nombre Owl Alpha. Reuters recoge que Meituan afirmó que esa preview ya estaba entre los tres modelos más usados de OpenRouter. La página oficial de LongCat también señala que la versión previa había estado disponible en OpenRouter y longcat.ai, situándose entre los tres primeros por volumen de llamadas.
OpenRouter describe Owl Alpha como un modelo de alto rendimiento para cargas agentic, con soporte nativo de herramientas, contexto largo, generación de código, flujos automatizados e instrucciones complejas. También indica un contexto de 1 millón de tokens.
Este punto cambia la narrativa. LongCat-2.0 no aparece solo como un modelo anunciado en una nota técnica. Llega con uso real previo en una plataforma utilizada por desarrolladores, integradores y usuarios avanzados. Que muchos lo probaran sin saber su origen añade una lectura incómoda para Silicon Valley: cuando el rendimiento y el precio encajan, la procedencia del modelo pesa menos en la adopción inicial.
El golpe político: entrenar fuera de NVIDIA
La parte más estratégica del anuncio es el hardware. Durante los últimos años, la posición dominante de NVIDIA en aceleradores de IA ha sido uno de los grandes elementos de ventaja para Estados Unidos y sus aliados. Washington ha usado controles de exportación para limitar el acceso chino a chips avanzados, con la idea de ralentizar el desarrollo de modelos de frontera.
LongCat-2.0 no elimina esa ventaja de golpe. NVIDIA sigue siendo dominante, TSMC sigue siendo central en la fabricación avanzada y entrenar modelos de frontera continúa siendo carísimo. Pero el anuncio de Meituan debilita una premisa: que China no puede escalar modelos competitivos si no tiene acceso directo a la última generación de GPUs estadounidenses.
Reuters señala que Meituan no ha identificado el fabricante de los chips usados, aunque menciona a proveedores chinos como Huawei y Enflame entre los actores que están ganando terreno en el mercado doméstico por el vacío dejado por las restricciones a NVIDIA.
Aquí hay que evitar una exageración. Decir que LongCat-2.0 demuestra independencia total de toda la cadena occidental sería ir más allá de lo confirmado. Las cadenas de semiconductores son complejas. Lo verificable es que Meituan afirma haber entrenado el modelo desde cero sobre 50.000 chips domésticos y que lo presenta como una prueba de capacidad para entrenamientos a gran escala en plataformas alternativas.
Eso ya es bastante.
Open source como estrategia de poder
LongCat-2.0 está publicado en Hugging Face bajo licencia MIT, y la ficha del modelo permite uso con frameworks como Transformers, vLLM y SGLang, además de guías para despliegue en GPU y NPU.
La licencia permisiva importa. Un modelo abierto con buen rendimiento en programación no solo reduce costes. También permite que empresas, laboratorios, proveedores cloud y equipos técnicos lo evalúen, lo desplieguen en su propia infraestructura o lo integren en herramientas internas sin quedar sujetos a una única API propietaria.
En sectores sensibles, este punto pesa cada vez más. Bancos, aseguradoras, energía, administración pública, industria, telecomunicaciones o sanidad no solo comparan precisión. Comparan control de datos, jurisdicción, continuidad de servicio, dependencia de proveedor, restricciones de exportación y riesgo geopolítico.
LongCat-2.0 llega justo cuando parte del mercado empieza a preguntarse qué ocurre si un proveedor occidental limita acceso a un modelo por presión regulatoria, decisión comercial o conflicto geopolítico. La respuesta técnica no es abandonar esos modelos, sino construir alternativas. La soberanía en IA no consiste en usar siempre modelos locales o chinos, sino en no depender de una sola cadena de suministro, un solo proveedor y una sola jurisdicción.
La lección para empresas: evitar el monocultivo de IA
Para una organización, la pregunta útil no es si LongCat-2.0 es “mejor” que GPT-5.5, Claude Opus o Gemini en términos absolutos. La pregunta es qué papel puede jugar dentro de una estrategia de IA más resistente.
Un modelo propietario puede seguir siendo la mejor opción para muchas tareas por calidad, soporte, seguridad contractual e integración. Pero un modelo abierto avanzado puede servir para cargas internas, agentes de código, pruebas controladas, automatización de bajo coste, despliegues soberanos o entornos donde no se quiere enviar contexto sensible a una API externa.
La estrategia madura será multimodelo. Modelos cerrados para casos donde aportan más valor. Modelos abiertos para reducir dependencia y coste. Infraestructura propia o cloud privado cuando los datos y la continuidad lo exijan. Proveedores externos cuando la elasticidad y la velocidad de adopción pesen más.
LongCat-2.0 no cierra la brecha con Silicon Valley en todos los frentes. Pero muestra que la brecha ya no es una línea fija. China no solo está publicando modelos competitivos; está empezando a enseñar que puede entrenarlos sobre su propia infraestructura y distribuirlos con licencias abiertas.
Ese es el mensaje que debería preocupar a cualquier empresa que haya convertido su estrategia de IA en un contrato con un único proveedor. La ventaja de hoy puede convertirse en dependencia mañana.
Preguntas frecuentes
¿Qué es LongCat-2.0?
LongCat-2.0 es un modelo de lenguaje Mixture-of-Experts de Meituan, orientado a programación, agentes, contexto largo y tareas con herramientas.
¿Cuántos parámetros tiene?
La documentación de Meituan habla de 1,6 billones de parámetros totales y unos 48.000 millones activos por token.
¿Está entrenado con chips chinos?
Meituan afirma que fue entrenado desde cero en un clúster de 50.000 chips domésticos. Reuters recoge esa afirmación, aunque la compañía no ha identificado públicamente el fabricante de los chips.
¿Supera a GPT-5.5?
En SWE-bench Pro, según la tabla publicada por Meituan, LongCat-2.0 obtiene 59,5 frente a 58,6 de GPT-5.5. En otros benchmarks, algunos modelos propietarios siguen por delante.
¿Es realmente open source?
Los pesos están publicados en Hugging Face bajo licencia MIT, lo que permite evaluación, uso y despliegue con menos restricciones que muchos modelos propietarios.
