Die chinesische Food-Delivery-Plattform Meituan hat mit LongCat 2.0 ein Open-Source-Modell veröffentlicht, das in ersten Tests auf dem Niveau von Claude Opus 4.8 und GPT-5.5 landet. Die Gewichte und der Inference-Code stehen unter MIT-Lizenz, also ohne jede Einschränkung. 1,6 Billionen Parameter insgesamt, davon rund 48 Milliarden aktiv, mit einem Kontextfenster von einer Million Tokens.
Zwei Monate undercover auf OpenRouter
Die eigentlich interessante Geschichte hinter LongCat 2.0 ist nicht die Architektur, sondern die Markteinführung. Meituan hat das Modell zwei Monate lang anonym als "Owl Alpha" über OpenRouter laufen lassen, bevor am 30. Juni die Identität enthüllt wurde. In dieser Zeit kletterte es auf Platz 1 der Hermes-Agent-Charts, Platz 2 bei Claude Code und Platz 3 bei OpenClaw, jeweils gemessen am monatlichen Aufrufvolumen. Ein Blindtest im großen Stil.
Trainiert auf chinesischen Chips
Ein Detail, das leicht übersehen wird: LongCat 2.0 wurde vollständig auf chinesischen KI-Beschleunigern trainiert, nicht auf NVIDIA-Hardware. Meituan spricht von "AI ASIC superpods" und einem Training über "millions of accelerator-days" auf mehr als 35 Billionen Tokens. Das Unternehmen betont, dass es dabei zu keinen Rollbacks oder irreversiblen Loss-Spikes kam. Ein starkes Signal, dass Frontier-Scale-Training auch ohne westliche GPU-Infrastruktur funktioniert.
Community-Tests: Auf Augenhöhe mit Opus 4.8
Die ersten unabhängigen Tests bestätigen die Benchmarks weitgehend. atomic.chat ließ vier Modelle dieselben Physik-Aufgaben lösen: eine Kanone, die eine Mauer zerstört, eine Bowlingkugel und einen Tornado. LongCat lieferte mit 18.015 Tokens für null Dollar ein Ergebnis, das in der Physik-Simulation Opus 4.8 und GLM 5.2 schlug. GPT 5.5 kostete für dieselbe Aufgabe 98 Cent.
stevibe testete fünf HTML-Canvas-Animationen und sieht LongCat auf SWE-bench nahe an GPT-5.5.
Was unter der Haube steckt
Technisch bringt LongCat 2.0 zwei Neuerungen mit. LongCat Sparse Attention (LSA) löst ein Problem der bisherigen Dynamic Sparse Attention von DeepSeek: Statt fragmentierter Speicherzugriffe setzt LSA auf streamingfähige Indizierung, schichtübergreifende Wiederverwendung und hierarchisches Scoring. Das Ergebnis sind vorhersagbare, sequenzielle Speicherzugriffe und höhere Bandbreite.
Dazu kommt N-gram Embedding, das 135 Milliarden zusätzliche Parameter in einer sparsamen Dimension orthogonal zum MoE-System unterbringt. Meituans These: Die Sparsity von MoE hat ihren "Sweet Spot" überschritten, N-gram Embedding holt aus denselben Ressourcen mehr Performance heraus.
Das Modell lässt sich auf GPU (empfohlen: 16x H20) und NPU-Plattformen deployen, die SGLang-Integration ist bereits als Pull Request eingereicht.
Mehr als nur ein Sprachmodell
LongCat 2.0 ist nicht das erste Produkt aus Meituans KI-Labor. Im Mai veröffentlichte das Unternehmen LongCat-Avatar, ein Open-Source-Tool zur Erzeugung sprechender Avatare aus Foto und Audio. Und mit LongCat-Video gibt es ein 13,6-Milliarden-Parameter-Modell, das minutenlange 720p-Videos generiert. Meituan baut also ein komplettes KI-Ökosystem auf, nicht nur ein einzelnes Coding-Modell.
🎯 Was das für die Praxis bedeutet
1. Kostenlos und uneingeschränkt: LongCat 2.0 steht unter MIT-Lizenz. Wer eigene Infrastruktur hat, kann das Modell ohne API-Kosten und ohne Nutzungsbeschränkungen betreiben. Gewichte gibt es auf GitHub und ModelScope.
2. Agent-ready: Das Modell integriert sich direkt mit Claude Code, OpenClaw und Hermes Agent. Wer einen dieser Agenten nutzt, kann LongCat 2.0 als Backend einsetzen.
3. Ein Signal für die gesamte Branche: Ein Modell auf Opus-4.8-Niveau, trainiert auf chinesischen Chips, Open Source, von einer Food-Delivery-Plattform. Die Eintrittsbarriere für Frontier-Modelle sinkt weiter, und die Abhängigkeit von NVIDIA-Hardware ist offenbar nicht mehr zwingend.
