Meituan publicó el 30 de junio de 2026 LongCat-2.0, un modelo MoE open source con 1,6 billones de parámetros totales. Según el blog técnico de la compañía, activa aproximadamente 48 mil millones de parámetros por token. No corresponde afirmar que fue entrenado exclusivamente en chips locales sin respaldo de la fuente, ni extrapolar rendimiento o costos no publicados.
✦ El modelo combina gran tamaño total con activación parcial por token.
Qué publicó Meituan
El 30 de junio de 2026, Meituan publicó LongCat-2.0 en su blog técnico. La compañía lo presenta como un modelo open source basado en arquitectura MoE, es decir, mezcla de expertos, una familia de diseños que permite activar solo una parte del modelo en cada token.
La cifra principal es de 1,6 billones de parámetros totales. La fuente también indica que el modelo activa aproximadamente 48 mil millones de parámetros por token. Esa segunda cifra es clave para interpretar el costo operacional y no confundir tamaño total con uso efectivo en cada inferencia.
La información verificada no permite afirmar que LongCat-2.0 fue entrenado exclusivamente en chips locales. En un contexto de alta sensibilidad geopolítica sobre semiconductores, cualquier afirmación sobre hardware de entrenamiento requiere respaldo explícito de la fuente correspondiente.
La condición open source también debe interpretarse con precisión. Permite hablar de disponibilidad abierta según la publicación, pero no reemplaza la revisión de licencias, pesos, documentación, requisitos de despliegue o limitaciones de uso. En modelos de esta escala, acceso y operación son problemas distintos, especialmente para equipos con infraestructura restringida.
Por qué importa MoE
Los modelos MoE distribuyen capacidad entre expertos internos y seleccionan algunos de ellos según el token o contexto procesado. Esto permite combinar una gran cantidad de parámetros totales con una activación parcial, lo que puede modificar el equilibrio entre capacidad, costo y rendimiento.
Para organizaciones latinoamericanas, entender esta diferencia evita evaluaciones superficiales. Un modelo de 1,6 billones de parámetros totales no necesariamente implica que cada consulta tenga el costo de activar esa cifra completa. La arquitectura determina cómo se consumen recursos en la práctica.
Al mismo tiempo, MoE no elimina la complejidad de despliegue. Servir modelos de gran escala puede requerir infraestructura especializada, optimización de inferencia, memoria suficiente, monitoreo y experiencia técnica. Que un modelo sea open source no significa que sea trivial de operar en producción.
La evaluación técnica debería separar varias preguntas: calidad de respuestas, costo por inferencia, estabilidad, facilidad de integración, seguridad, comportamiento en español y pertinencia para tareas locales. Ninguna de esas dimensiones se resuelve solo con el número total de parámetros. Las cifras publicadas son punto de partida, no conclusión operacional.
Escala abierta y eficiencia por token
LongCat-2.0 se suma a la competencia por modelos grandes con arquitectura de mezcla de expertos. Para equipos técnicos de la región, el dato relevante no es solo el tamaño total, sino cuántos parámetros se activan durante la inferencia, qué infraestructura exige su uso y qué validaciones independientes serían necesarias antes de adoptarlo.
- Los equipos de IA deben evaluar modelos MoE considerando parámetros activos por token, no solo el tamaño total anunciado, porque esa diferencia afecta inferencia, infraestructura, costos y comparaciones técnicas entre modelos de familias distintas.
- La condición open source puede facilitar investigación y pruebas, pero no elimina barreras de infraestructura ni necesidades de validación local, especialmente cuando el modelo tiene escala muy alta y podría requerir despliegues especializados.
- La cobertura técnica debe evitar inferencias geopolíticas sobre chips o entrenamiento cuando la fuente no las confirma explícitamente, y también debe separar cifras publicadas de rendimiento real, costos operativos o idoneidad para aplicaciones sensibles.
✦ La arquitectura influye en costo y operación.
Uso responsable del anuncio
La publicación open source puede abrir oportunidades de investigación, evaluación y adaptación, pero cada equipo debe revisar licencias, requisitos técnicos y comportamiento del modelo antes de considerarlo para aplicaciones sensibles. El blog técnico de Meituan entrega datos iniciales, no una garantía universal de idoneidad.
En Chile y América Latina, el interés por modelos abiertos suele relacionarse con soberanía tecnológica, costos, privacidad y adaptación local. LongCat-2.0 puede entrar en esa conversación, aunque su tamaño sugiere que muchas organizaciones lo evaluarán indirectamente o mediante proveedores especializados.
La cobertura de este tipo de anuncios debe separar datos publicados de inferencias. Parámetros totales, activación por token y condición open source son hechos de la fuente. Rendimiento comparado, costos reales, huella energética o independencia de hardware requieren evidencia adicional antes de convertirse en titulares.
Para equipos ejecutivos, la recomendación práctica es no confundir relevancia técnica con adopción inmediata. Un modelo grande puede ser útil para investigación, benchmarking o análisis estratégico, pero su integración en productos exige pruebas controladas, evaluación de riesgos y estimación realista de infraestructura. Esa disciplina evita decisiones basadas solo en tamaño o novedad.
✦ No todo dato puede inferirse desde el tamaño del modelo.
Preguntas Frecuentes
✦ ¿Qué es LongCat-2.0?
Es un modelo de inteligencia artificial publicado por Meituan como open source, basado en arquitectura MoE y con 1,6 billones de parámetros totales. La fuente corresponde al Meituan Tech Blog.
✦ ¿Cuántos parámetros activa por token?
Según Meituan Tech Blog, activa aproximadamente 48 mil millones de parámetros por token. Esa cifra debe distinguirse del total de 1,6 billones de parámetros, porque describe el uso activo durante la inferencia.
✦ ¿Fue entrenado exclusivamente en chips locales?
No corresponde afirmarlo. La fuente entregada no confirma que el entrenamiento haya ocurrido exclusivamente en chips locales, por lo que esa lectura debe tratarse como no verificada y no como hecho.
La publicación de LongCat-2.0 confirma otro movimiento relevante en modelos abiertos de gran escala. Su arquitectura MoE y sus cifras publicadas deben evaluarse con rigor técnico, evitando agregar afirmaciones sobre hardware, entrenamiento o rendimiento que no estén respaldadas por la fuente ni por pruebas independientes disponibles para cada caso de uso.
Fuente original: Meituan Tech Blog
