Два месяца на OpenRouter лидировала анонимная модель под кодовым именем Owl Alpha. Разработчики гадали, кто за ней стоит: OpenAI? Anthropic? Новый стартап из Кремниевой долины? Сегодня стало известно — это LongCat-2.0 от Meituan, китайской компании, которую большинство знает как сервис доставки еды.
Модель не просто вышла из тени — она открыта под MIT-лицензией, обучена полностью на китайских чипах и по бенчмаркам отвечает GPT-5.5. Это не очередная LLM. Это демонстрация, что frontier можно делать без NVIDIA.
О модели
LongCat-2.0 — это 1.6 триллиона параметров в архитектуре Mixture-of-Experts (MoE). Из них активно около 48 миллиардов на каждый токен — остальные спят до востребования. Нативный контекст — 1 миллион токенов. Без RAG, без ухищрений, просто инженерная работа на уровне архитектуры.
Лицензия MIT — можно использовать в коммерческих продуктах, модифицировать, дообучать.
Обучение проводилось полностью на китайских процессорах. Это первый случай, когда модель такого масштаба не использовала NVIDIA для тренировки.
Уникальная архитектура MOPD
Главная инновация LongCat-2.0 — Multi-Teacher On-Policy Distillation (MOPD). Внутри модели живут три группы экспертов:
- Agent — кодинг, работа с инструментами, терминал
- Reasoning — логика, математика, сложные рассуждения
- Interaction — общение, понимание контекста, диалог
Gate-маршрутизация (встроенный роутер) определяет, какая группа нужна для конкретной задачи. Если пользователь пишет код — активируются Agent-эксперты. Если задаёт вопрос на логику — Reasoning. Разговор — Interaction.
Дополнительно:
- LongCat Sparse Attention — механизм внимания с линейной сложностью, который делает 1M контекста возможным без квадратичного роста затрат
- Zero-Compute Experts — динамическая активация: простые токены обрабатываются 33B параметров, сложные — до 56B. Пустые вычисления отключены
- 135B N-gram Embedding — расширение эмбеддингов через комбинации токенов
Что говорят тесты
LongCat-2.0 обходит GPT-5.5 на SWE-bench Pro (59.5 против 58.6) и лидирует на нескольких агентных бенчмарках:
| Бенчмарк | LongCat-2.0 | Конкуренты | |----------|-------------|------------| | Terminal-Bench 2.1 | 70.8 | — | | SWE-bench Pro | 59.5 | GPT-5.5: 58.6 | | SWE-bench Multilingual | 77.3 | — | | FORTE | 73.2 | — | | RWSearch | 78.8 | — | | BrowseComp | 79.9 | — |
Особенно силён в агентных сценариях: поиск в интернете (RWSearch 78.8), работа с браузером (BrowseComp 79.9) и программная инженерия.
Где попробовать
LongCat-2.0 доступен на нескольких площадках:
- OpenRouter — та самая Owl Alpha, которая теперь официально переименована
- longcat.ai — официальный чат от Meituan
- Hugging Face — веса модели (MIT-лицензия)
- GitHub — исходный код
Цены (актуальны на 30 июня 2026):
| Режим | Input ($/1M токенов) | Output ($/1M токенов) | |-------|---------------------|----------------------| | Промо-акция | $0.30 | $1.20 | | Стандарт | $0.75 | $2.95 | | Cache hit | $0 | $0 |
По промо-цене ($1.50 за миллион токенов полного цикла) модель дешевле DeepSeek-V4-Pro и сравнима с MiniMax-M3. Для экспериментов — более чем доступно.
3 сценария применения
Agentic coding с полным контекстом. 1M токенов — это средний репозиторий целиком. LongCat-2.0 может прочитать весь код, понять архитектуру и писать новые модули без потери контекста. Не надо дробить задачу на части.
Code review больших PR. Pull request на 50+ файлов с изменениями — модель видит всю картину, а не отдельные диффы. Может найти проблемы, которые человек упустит при пролистывании.
Рефакторинг legacy-кода. Старый проект, 200 тысяч строк, документация сгорела. Задача: переписать модуль платежей. LongCat-2.0 с 1M контекстом влезает в код целиком и может предложить архитектуру миграции, не упуская краевых случаев.
---
LongCat-2.0 — не просто ещё одна модель. Это доказательство, что:
- frontier можно делать не только на NVIDIA
- open-source может отвечать проприетарным моделям
- 1.6 триллиона параметров — это не шутка, а рабочий инструмент
MIT-лицензия и агрессивная цена делают её доступной для стартапов и соло-разработчиков.
