Meituan, čínský gigant rozvozu jídla, který posledního půldruhého roku agresivně sype peníze do umělé inteligence, vydal 30. června 2026 model LongCat-2.0. Na první pohled je to další čínský otevřený model do party ke GLM, Kimi a DeepSeeku. Na druhý pohled je tam jedna věta, kvůli které stojí za to zbystřit: celý model se prý natrénoval i provozuje výhradně na domácích čínských čipech, bez jediné Nvidie. Pokud to sedí, přesahuje ta zpráva rovinu jednoho modelu. Znamenala by totiž, že se špičkový trénink dá udělat bez amerického křemíku, a to je geopoliticky mnohem větší sousto než pár bodů na benchmarku.
Řekneme si, co LongCat-2.0 je, proč je hardwarové tvrzení tak zásadní, a hlavně proč mu zatím nemáme věřit. Protože historie čínských modelů má s nadsazováním výsledků i tréninkových postupů bohaté zkušenosti, a první nezávislé hlasy už teď mají konkrétní pochybnosti.
Co LongCat-2.0 je
LongCat-2.0 je jazykový model postavený na architektuře MoE (Mixture-of-Experts, tedy směs expertů). To znamená, že model má obrovský počet parametrů, ale u každého tokenu se aktivuje jen malá část z nich, takže neplatíte výpočtem za celý model při každém slově. Konkrétně má 1,6 bilionu parametrů celkem a aktivuje jich zhruba 48 miliard na token, dynamicky mezi 33 a 56 miliardami podle úlohy.
Model cílí na agentní programování, tedy na scénář, kdy umělá inteligence nedostane jen otázku a nevrátí odpověď, ale samostatně pracuje na úloze: čte codebase (celý zdrojový kód projektu), volá nástroje, spouští příkazy, opravuje si vlastní chyby a iteruje přes mnoho kroků. K tomu se hodí velké kontextové okno, tedy množství textu, které model udrží naráz v hlavě. LongCat-2.0 má nativně milion tokenů, což mu dovolí přečíst si rozsáhlý projekt celý, ne po kouskách.
Meituan k modelu přidal několik architektonických vylepšení. Nejdůležitější je LongCat Sparse Attention (LSA), řídká pozornost, která umožňuje efektivně pracovat s tím milionovým kontextem, aniž by výpočet explodoval. K tomu N-gramové embeddingy (135 miliard parametrů věnovaných zachycení krátkých slovních sekvencí) a vícetokenovou predikci pro rychlejší generování. Trénink stavěl na takzvaném MOPD, kdy se zvlášť trénují tři skupiny expertů: jedni na práci s nástroji, druzí na uvažování a matematiku, třetí na instrukce a bezpečnost. Při běhu pak rozhodovací síť posílá každou úlohu tam, kam patří.
Meituan není v modelech nováček. LongCat-Flash (560 miliard parametrů) vyšel loni v září, multimodální LongCat-Next letos v březnu. LongCat-2.0 tak za necelý rok ztrojnásobil počet parametrů předchůdce. Firma, kterou většina Číňanů zná jako aplikaci na jídlo, dnes patří mezi vážné hráče v otevřené AI.
Owl Alpha: model, který sloužil dřív, než ho někdo znal
Tohle je detail, který LongCat odlišuje od většiny čínských novinek. Model neběží od včerejška. Poslední dva měsíce jel anonymně na platformě OpenRouter pod krycím jménem Owl Alpha, jako neoznačený stealth model. A nebyl tam do počtu. Držel se v první trojce podle počtu volání a v některých agentních žebříčcích vedl.
Proč je to podstatné? Protože reálná uživatelská stopa je něco úplně jiného než tabulka čísel k datu vydání. GLM-5.2 vyšel před pár týdny bez jediného benchmarku a bez historie. LongCat naopak měsíce sloužil vývojářům, kteří ho reálně používali na práci, aniž tušili, že je čínský a že se jmenuje LongCat. To modelu dává důvěryhodnost, kterou papírová čísla nekoupí. Vyzkoušet si ho můžete i dnes, přes OpenRouter jako dřívější Owl Alpha nebo přes vlastní platformu LongCat.
Benchmarky: slušný model druhé řady, zatím jen z vlastní dílny
Teď opatrně, protože všechna čísla pocházejí od Meituanu a nezávislé ověření zatím není. Tady je, co firma uvádí:
| Benchmark | LongCat-2.0 | GPT-5.5 | Co měří |
|---|---|---|---|
| SWE-bench Pro | 59,5 | 58,6 | složité, dlouhé programátorské úlohy |
| Terminal-Bench 2.1 | 70,8 | práce v příkazové řádce | |
| SWE-bench Multilingual | 77,3 | programování v devíti jazycích | |
| FORTE | 73,2 | agentní úlohy | |
| BrowseComp | 79,9 | vyhledávání a práce na webu |
Co z toho vyčteme? SWE-bench Pro 59,5 je slušné číslo. Posadilo by LongCat mezi MiniMax M3 (kolem 59) a pod špičkový Claude Opus 4.8 (69,2), tedy do kategorie dobrých modelů druhé řady. Meituan to sám v podstatě přiznává, když LongCat srovnává s únorovým Gemini 3.1 Pro místo s aktuální špičkou. Ve vlastní tabulce firmy ostatně Opus 4.8 na širších agentních benchmarcích jako FORTE a BrowseComp LongCat překonává.
Zásadní je, že tohle jsou domácí čísla. K 1. červenci neexistuje jediné nezávislé měření na standardních sadách, žádná reprodukce na SWE-bench Verified od třetí strany. A tady se dostáváme k jádru věci.
Hardware: kdyby to byla pravda, padá hlavní argument exportních kontrol
Tady je ta zajímavá část, kvůli které o LongCatu vůbec píšeme. Meituan tvrdí, že celý trénink i provoz běžel výhradně na domácích čínských čipech typu ASIC (aplikačně specifické integrované obvody, tedy křemík navržený na jednu konkrétní úlohu). Přes 50 tisíc těchto čipů, žádná Nvidia A100 nebo H100, žádné AMD. Trénink prý spotřeboval miliony hodin na akcelerátorech, projel přes 35 bilionů tokenů, a to bez jediného rollbacku, tedy bez situace, kdy se trénink zhroutí a musí se vrátit k dřívějšímu bodu.
Proč je to tak velké? Musíme rozlišit dvě věci, protože každá má jinou váhu. Spustit hotový model na domácích čipech (inference) Čína zvládla už dávno. DeepSeek V4 Pro takhle běží. Jenže natrénovat model od nuly (pretraining) je úplně jiná liga: výpočetně mnohem náročnější, citlivější na propustnost paměti, na stabilitu propojení tisíců čipů, na zralost celého softwarového ekosystému kolem. Právě tady se dosud věřilo, že domácí čipy nestačí a že americká kontrola nad špičkovými GPU čínský frontier spolehlivě zpomalí.
Pokud LongCat tuhle hranici opravdu překročil, znamená to tři věci najednou. Za prvé, hlavní páka exportních kontrol slábne: předpoklad, že trénink potřebuje západní křemík, přestává platit. Za druhé, Huawei a spol. dozráli rychleji, než se čekalo, a to nejen v samotných čipech, ale v celém stacku kolem, což je těžší než vyrobit jeden rychlý čip. Za třetí, otevírá se cesta k soběstačné AI i pro další země, které nechtějí viset na americkém hardwaru. Zjednodušeně: kdyby ta čísla seděla, to hlavní by leželo mimo skóre. Rozhodující by byl důkaz, že se špičkový trénink obejde bez Nvidie.
A teď proč tomu zatím nevěřit
Nadechněte se, protože tady přituhne. To, že by hardwarové tvrzení bylo obrovské, kdyby platilo, je přesně důvod, proč si zaslouží mimořádně tvrdé prověření. A to zatím chybí.
Připomeňme precedent. DeepSeek u modelů V3 a R1 zpočátku mlžil o tréninkovém procesu. Slavné tvrzení o tréninku za 5,6 milionu dolarů vyvolalo pochybnosti, protože nezahrnovalo náklady na předchozí výzkum, na neúspěšné běhy ani na celkovou infrastrukturu. Číslo bylo technicky obhajitelné pro jeden konkrétní běh, ale podané tak, aby vypadalo ohromivěji než celková realita. Byla to lež jen stěží, spíš selektivní rámování, které mělo maximalizovat efekt. A přesně tenhle vzorec je důvod, proč je skepse na místě.
Nejhlasitěji ji formuluje Teortaxes, respektovaný komentátor čínské AI scény, a jeho námitky míří na měkká místa. První: když si prý model zkusíte na oficiální platformě, dostanete něco, co působí jako mnohem menší model, horší než původní LongCat-Flash, a selhává i v ruštině. Jinými slovy, co je nasazené, nemusí odpovídat tomu, co je inzerované. To je stejný typ problému jako fallback u Fable 5, jen z jiného důvodu. Druhá námitka: rozměry LongCatu jsou prý podezřele podobné DeepSeeku V4, což vyvolává otázku, jestli je architektura tak originální, jak se prezentuje, nebo jde spíš o rozšíření cizí práce. Meituan sám v dokumentaci přiznává návaznost na výzkum řídké pozornosti od DeepSeeku.
A do třetice hardwarová neprůhlednost. Meituan nejmenuje výrobce ani typ čipů, zmiňuje jen knihovnu od Huaweie. Teortaxes se ptá rovnou: tohle zjevně nejsou Ascend superpody, tak co vlastně použili? Pokud je hardwarové tvrzení jádro celého příběhu, pak mlžení o tom, jaký hardware to konkrétně byl, je přesně to místo, kde má být čtenář nejostražitější.
Jak je to s vahami a cenou
Pár dní po prvním oznámení Meituan uvolnil kompletní váhy modelu i inferenční kód pod licencí MIT, tedy velmi svobodnou licencí, která dovoluje komerční použití, úpravy i zabudování do uzavřeného softwaru bez závazku cokoli zveřejňovat. Váhy jsou k dispozici na Hugging Face, GitHubu i ModelScope. Kdo chce model provozovat u sebe, může, a to jak na GPU (přes projekt SGLang), tak na NPU, tedy na neuronových procesorech, kam spadají i domácí čínské akcelerátory. Právě druhá možnost je konzistentní s tvrzením o domácím hardwaru: Meituan ukazuje, že se model dá provozovat i mimo ekosystém Nvidie.
Model je navíc rovnou napojený na agentní nástroje. Integruje se přímo s Claude Code, OpenClaw a Hermes Agent, tedy s prostředími, kde umělá inteligence samostatně pracuje na kódu. To není náhoda: jako Owl Alpha model na těchto platformách reálně vedl. Podle VentureBeatu se držel na prvním místě v Hermes Agent, druhém v nasazeních Claude Code a třetím v OpenClaw.
Cena je agresivní, jak se u čínských modelů stalo zvykem. Standardní sazba je zhruba 0,75 dolaru za milion vstupních a 2,95 za milion výstupních tokenů. Zaváděcí sleva to stlačuje na 0,30 vstup a 1,20 výstup, a čtení z mezipaměti (cache) je zdarma. Pro srovnání, GPT-5.5 stojí kolem 5 dolarů za vstup a 30 za výstup. Rozdíl je u těžkých agentních běhů obrovský. Cache zdarma je přitom u agentního programování reálná výhoda, protože takový agent čte tentýž kontext pořád dokola. Jeden háček tu ale je: ta výhodná sazba je časově omezená zaváděcí akce, po jejímž konci cena povyroste na standardní úroveň.
Shrnutí
- LongCat-2.0 je otevřený model MoE od Meituanu s 1,6 bilionu parametrů, milionovým kontextem a zaměřením na agentní programování.
- Dva měsíce běžel anonymně jako Owl Alpha na OpenRouteru a držel se v první trojce podle počtu volání, takže má reálnou uživatelskou stopu.
- Vlastní benchmarky (SWE-bench Pro 59,5) ho řadí mezi slušné modely druhé řady, pod špičkový Opus 4.8. Nezávislé měření zatím není.
- Hlavní zpráva je hardwarová: Meituan tvrdí trénink i provoz výhradně na domácích čínských čipech ASIC, bez Nvidie. Kdyby to platilo, oslabuje to hlavní argument amerických exportních kontrol.
- Skepse je na místě. Precedent DeepSeeku (mlžení o tréninku), pochybnosti o shodě nasazené a inzerované verze, podobnost s DeepSeekem V4 a nejmenovaný hardware volají po nezávislém ověření.
- Váhy jsou od začátku července venku na Hugging Face, GitHubu i ModelScope pod svobodnou licencí MIT, s inferenčním kódem pro GPU i NPU. Model se dá provozovat lokálně.
Závěr
LongCat-2.0 staví čtenáře před dvě věty, které musí unést vedle sebe. První: kdyby čínská firma opravdu natrénovala bilionový model výhradně na domácím křemíku, je to jeden z nejdůležitějších technických příběhů roku, protože podkopává předpoklad, na kterém stojí americká politika exportních kontrol. Druhá: čínské laboratoře mají s nadsazováním výsledků i tréninkových postupů takovou historii, že tvrzení téhle váhy si žádá mimořádně tvrdé nezávislé prověření, a to zatím nikdo neudělal.
Napětí mezi těmito dvěma větami je celý příběh. Nechci LongCat shodit ze stolu jako čínskou propagandu, protože kdyby náhodou byla pravda, je to obrovské. A nechci ho ani převzít jako hotovou věc, protože konkrétní pochybnosti už teď leží na stole a hardwarové detaily jsou mlhavé. Váhy sice od začátku července venku jsou, takže model si každý může stáhnout a prohnat vlastními testy, jenže to samo o sobě hardwarové tvrzení neprokáže. Skutečnou odpověď dá až chvíle, kdy nezávislý tým zreprodukuje benchmarky za stejných podmínek a kdy někdo zvenčí ověří, na čem se to vlastně trénovalo. Do té doby platí staré dobré pravidlo: benchmark, který se počítá, běží na vašem vlastním kódu. Ten na cizí tabulce počká.