Há poucas horas, a chinesa Meituan, gigante de delivery, revelou oficialmente o LongCat-2.0 no GitHub, no Hugging Face e em sua plataforma nativa, desmascarando o modelo como motor computacional por trás do “Owl Alpha”, o modelo stealth anônimo que dominou os rankings globais de desenvolvedores no OpenRouter nos últimos dois meses.
Criado para abalar de forma estrutural o domínio das soluções fechadas corporativas em engenharia de software autônoma, o sistema de Mixture-of-Experts (MoE) com 1,6 trilhão de parâmetros traz ao domínio público uma janela de contexto nativa de 1 milhão de tokens, sob licença MIT, altamente permissiva e viável comercialmente em nível corporativo.
O acesso comercial à arquitetura traz um esquema de preços bastante agressivo: todo acerto de cache de contexto é processado sem nenhum custo, junto a um modelo promocional por tempo limitado de “Pacotes de Token”. Também existe uma API tradicional de pagamento por uso para acertos fora do cache, com preço padrão de US$ 0,75/US$ 2,95 por milhão de tokens (entrada/saída).
Um desconto promocional por tempo limitado, porém, derruba esses custos operacionais para US$ 0,30 por milhão de tokens de entrada sem cache e US$ 1,20 por milhão de tokens de saída, valores entre os mais baixos do mercado global entre os modelos de melhor desempenho.
O que torna esse lançamento um ponto de inflexão para a infraestrutura tecnológica global é sua independência operacional: o modelo, de porte massivo, foi treinado inteiramente em um cluster com mais de 50 mil ASICs (circuitos integrados de aplicação específica) chineses, provando que é possível escalar modelos de IA quase de fronteira sem depender das GPUs da Nvidia, dos Estados Unidos, que até hoje sustentam boa parte do treinamento dos modelos de fronteira globais.
Esse avanço bem-sucedido em silício alternativo sinaliza uma mudança estrutural profunda. Se conglomerados chineses conseguirem iterar de forma consistente arquiteturas de trilhões de parâmetros usando ASICs desenvolvidos internamente, em vez de GPUs de uso geral, isso ameaça diretamente o domínio da Nvidia nesse setor.
O timing é importante: essa virada tecnológica acontece justamente quando Washington pressiona os principais laboratórios americanos a restringir o acesso a seus modelos mais recentes. Após uma solicitação do governo dos EUA, a OpenAI foi obrigada a limitar o acesso aos novos modelos GPT-5.6, enquanto a Anthropic também recebeu ordem do governo americano para restringir o acesso aos modelos mais recentes Claude Fable 5 / Mythos 5, que acabou retirando totalmente do ar em resposta. Ao mesmo tempo, um número crescente de tecnólogos, ativistas e especialistas do setor alertam que essas manobras regulatórias defensivas acabaram tendo efeito contrário. Ao restringir modelos ocidentais de código fechado e elevar o custo das APIs, o governo dos EUA abriu uma janela operacional ampla para desenvolvedores em todo o mundo que buscam alternativas acessíveis e de alto desempenho, como as encontradas em modelos chineses de código aberto, caso do Meituan LongCat-2.0.
Os números operacionais reforçam o entusiasmo dos desenvolvedores: durante sua passagem sem marca pelo OpenRouter, o Owl Alpha processou aproximadamente 10,1 trilhões de tokens por mês, média de 559 bilhões de tokens por dia, um salto de 242% no volume mês a mês que o levou ao top três global da plataforma.
Quando a Meituan finalmente assumiu publicamente a autoria da arquitetura, o modelo já havia conquistado o primeiro lugar no ambiente Hermes Agent, o segundo lugar nas implantações do Claude Code e o terceiro lugar nos ambientes internacionais OpenClaw.
Tecnologia: a engenharia por trás do contexto esparso de 1M de tokens
No núcleo do LongCat-2.0 está uma otimização agressiva da esparsidade em Mixture-of-Experts (MoE), que escala o total de parâmetros para 1,6 trilhão enquanto limita a computação ativa a uma média de 48 bilhões de parâmetros por token.
Dependendo da complexidade estrutural de uma consulta, a ativação dinâmica do modelo varia entre 33 bilhões e 56 bilhões de parâmetros. O design implementa um framework de “Zero-Compute Experts”, garantindo que elementos de execução rotineiros passem por sub-redes mais leves, eliminando por completo o overhead computacional ocioso que costuma penalizar modelos ultradensos.
Para sustentar uma janela de contexto funcional de 1 milhão de tokens sem gerar gargalos catastróficos de hardware, a Meituan introduziu o LongCat Sparse Attention (LSA). Concebido como uma evolução do DeepSeek Sparse Attention, o LSA resolve os custos quadráticos de pontuação e a fragmentação de memória que costumam prejudicar mecanismos esparsos de granularidade fina, através de três vetores ortogonais:
Indexação ciente de streaming (SI): reestrutura o pipeline de seleção de tokens combinando leituras contíguas de dados alinhadas ao hardware com seleção aleatória dinâmica. Ao converter o acesso fragmentado de memória em blocos sequenciais altamente previsíveis, o sistema alcança uso coalescido de memória de alta largura de banda (HBM) e maior largura de banda efetiva.
Indexação entre camadas (CLI): aproveitando o fato empírico de que a saliência de atenção permanece bastante estável entre camadas ocultas adjacentes, o CLI amortiza os custos de cálculo. Uma única passagem de indexação guia múltiplas camadas consecutivas durante a inferência, capacidade reforçada por destilação entre camadas ao longo do treinamento.
Indexação hierárquica (HI): aplica uma estrutura de pontuação em dois estágios, do mais grosseiro ao mais fino. O indexador realiza primeiro uma recuperação aproximada em nível de bloco para filtrar candidatos, antes de executar a seleção fina de tokens apenas na população restante.
Além disso, a Meituan integrou um módulo de N-gram Embedding herdado de suas linhas de modelos mais leves. Ao expandir a alocação de parâmetros em dimensões esparsas totalmente ortogonais ao layout de especialistas do MoE, a arquitetura acrescenta 135 bilhões de parâmetros a um framework de combinação de tokens de 5-gramas.
Isso expande o espaço de embedding em cerca de 100 vezes, permitindo que o modelo capture relações densas entre tokens locais e acelere operações de inferência em lotes grandes, reduzindo gargalos de entrada e saída (I/O) de memória.
Produto: pós-treinamento, framework MOPD e desempenho em benchmarks
Enquanto modelos generalistas de linguagem priorizam interfaces conversacionais fluidas, o LongCat-2.0 foca explicitamente em tarefas de engenharia de múltiplas etapas, integração de ferramentas e manipulação automatizada de repositórios, ou seja, tarefas agentic.
Em avaliações padronizadas, o LongCat-2.0 registra 59,5 no SWE-bench Pro, superando a marca de 58,6 do GPT-5.5. O modelo reforça sua especialização agentic com 70,8 no Terminal-Bench 2.1, 77,3 no SWE-bench Multilingual e 73,2 no simulador de fluxo de trabalho corporativo FORTE.
Esse comportamento operacional preciso é alcançado por meio de uma camada estrutural de pós-treinamento chamada Multi-Teacher Optimization via Mixture of Specialized Experts (MOPD). Em vez de misturar feedback humano bruto em uma única função de recompensa, a arquitetura MOPD segrega a otimização de pós-treinamento em três clusters de especialistas independentes e altamente focados.
Os Agent Experts são ajustados estritamente para execução estrutural, especializando-se em invocação precisa de ferramentas, análise de parâmetros de API em múltiplos turnos e mecanismos de autocorreção para evitar travamentos na execução.
Os Reasoning Experts são otimizados isoladamente para avançar em lógica de múltiplos saltos, engenharia complexa de cadeia de pensamento, matemática e resolução de problemas avançados de STEM.
Os Interaction Experts concentram-se totalmente no alinhamento humano, nas nuances de seguimento de instruções, no embasamento factual para suprimir alucinações e na manutenção de barreiras de segurança rígidas sem reduzir a utilidade geral do modelo.
Ao segregar esses vetores durante o pós-treinamento, o LongCat-2.0 evita degradação funcional. Um mecanismo dinâmico de roteamento por portões então funde de forma integrada esses comportamentos especializados em tempo de execução, permitindo que o modelo final coordene raciocínio profundo, execução estável de ferramentas e interação segura com o usuário, tudo ao mesmo tempo.
Embora o LongCat-2.0 geralmente fique atrás de sistemas premium de fronteira, como o Claude Opus 4.8, em benchmarks amplos de agentes gerais como o FORTE e o BrowseComp, ele se destaca de forma explícita em engenharia de software.
O que torna essa arquitetura de pesos abertos especial é seu foco intenso em desenvolvimento autônomo: ela supera por uma margem estreita o modelo proprietário GPT-5.5 da OpenAI no rigoroso benchmark de engenharia de software SWE-bench Pro (59,5 contra 58,6), provando ser altamente capaz e fortemente competitivo em tarefas complexas de codificação, mesmo com uma pegada computacional mais enxuta.
Modelo comercial: pagamento por uso versus pacotes de token em promoção relâmpago
A estratégia de implantação da Meituan apresenta um modelo comercial específico, que divide o acesso à rede entre a cobrança tradicional por API em tempo real e os “Pacotes de Token” estruturados.
Para integração corporativa tradicional, há contas com recarga padrão disponíveis, que deduzem capital operacional em tempo real, com base direta nas métricas de tokens de entrada e geração.
Para acomodar os picos de consumo imprevisíveis característicos dos agentes de desenvolvimento autônomo, no entanto, a Meituan lançou um framework estruturado de Pacotes de Token. Vendidos como alocações volumétricas fixas e únicas, válidas por uma janela rígida de 30 dias, esses pacotes se somam diretamente ao saldo já existente na conta de API base da organização.
Para administrar a carga de rede em seus clusters de ASICs, a Meituan disponibiliza esses pacotes de alto volume por meio de vendas relâmpago limitadas, quatro vezes ao dia, exatamente às 10h, 16h, 21h e 23h no horário de Pequim, por ordem de chegada. O destaque econômico desse framework é o processamento sem custo dos acertos de cache de contexto.
Em ambientes agentic de larga escala, nos quais um assistente de codificação precisa ler, referenciar e modificar repeticamente o mesmo repositório de código com milhões de tokens ao longo de uma sessão extensa, as arquiteturas tradicionais penalizam os desenvolvedores cobrando o preço cheio por contexto de entrada repetido.
Na infraestrutura da Meituan, apenas entradas com falha de cache e a geração final de tokens consomem a cota do pacote. Essa arquitetura muda por completo a economia de custos operacionais do desenvolvimento de software agentic em larga escala, permitindo exploração iterativa profunda de contexto sem acumular custos.
Licenciamento: liberdade estrutural de código aberto
Ao registrar o repositório do LongCat-2.0 sob a licença open source MIT, a Meituan posiciona a arquitetura com o máximo de flexibilidade jurídica para integração corporativa.
Em contraste com paradigmas copyleft como a GNU General Public License (GPL), que obriga legalmente os desenvolvedores a abrir o código de qualquer framework derivado ou software interno vinculado ao código original, a licença MIT permite uma liberdade quase irrestrita.
Para equipes de engenharia corporativa, esse padrão legal garante que o LongCat-2.0 possa ser profundamente modificado, compilado e incorporado diretamente a aplicações comerciais de código fechado, ferramentas proprietárias de desenvolvimento e backends internos de automação.
Empresas podem fazer fork do repositório, otimizar os mecanismos internos do LSA para bancos de dados privados e vender o software resultante a usuários finais, sem qualquer obrigação de divulgar sua propriedade intelectual ou os aprimoramentos estruturais realizados.
A evolução da Meituan: de super app de delivery a potência em IA
Fundada em março de 2010 pelo empreendedor serial Wang Xing, a Meituan começou como um site de ofertas diárias no estilo Groupon, antes de evoluir rapidamente para um dos “super apps” dominantes da China.
Após uma fusão de peso com a Dianping em 2015, a gigante de tecnologia sediada em Pequim consolidou uma fatia dominante dos corredores urbanos de delivery do país, conectando avaliações de consumidores locais, varejo instantâneo, reservas de hotéis e entrega de comida. Negociada publicamente na Bolsa de Hong Kong, a Meituan afirma ter mais de 770 milhões de usuários transacionais anuais e atender uma rede de mais de 14,5 milhões de comerciantes.
No entanto, diante de uma concorrência doméstica intensa, forte compressão de margens e queda na lucratividade, a empresa fez um giro estratégico agressivo para além da logística. A Meituan se comprometeu publicamente a investir “bilhões” em inteligência artificial e em capacidade de chips nacionais para revitalizar suas ofertas tecnológicas.
Essa guinada estratégica rumo à corrida global por IA começou a se materializar no fim de 2025, com o lançamento do LongCat-Flash, um modelo de fundação Mixture-of-Experts com 560 bilhões de parâmetros, seguido rapidamente pelo modelo de raciocínio avançado LongCat-Flash-Thinking. Ao abrir o código desses modelos de fronteira sob licenças amigáveis ao uso corporativo, a Meituan sinalizou sua ambição de se tornar um player fundamental na infraestrutura global de IA, deixando de ser apenas uma gigante regional de e-commerce e delivery.
Implicações para empresas: fluxos de trabalho operacionais autônomos
Para empresas modernas, o lançamento do LongCat-2.0 destrava estratégias operacionais claras em engenharia de software, operações de sistemas e interpretação de dados de longo formato.
A combinação de um modelo de pesos abertos, licenciado sob MIT, com uma janela de contexto ampla de 1 milhão de tokens, significa que organizações podem evitar as preocupações com privacidade de dados e os custos recorrentes associados à hospedagem de APIs proprietárias de terceiros. Em ambientes corporativos de desenvolvimento em larga escala, as equipes podem usar os Agent Experts especializados do modelo para orquestrar migrações autônomas de bases de código.
Em vez de dedicar centenas de horas de desenvolvedores reescrevendo manualmente frameworks de aplicações legadas, engenheiros podem passar um repositório corporativo inteiro, junto com a documentação de SDKs modernos, diretamente para a janela de contexto de 1 milhão de tokens. O LongCat-2.0 consegue mapear as dependências, executar as atualizações estruturais em nível de repositório, compilar a nova base de código e identificar bugs de compilação e execução de forma autônoma em ambientes sandbox locais, antes de gerar um pull request final.
A separação arquitetural proporcionada pelo mecanismo de roteamento por portões do MOPD traz vantagens significativas para a conformidade corporativa rigorosa. Ao direcionar consultas operacionais específicas por clusters de especialistas isolados, uma instituição financeira ou uma empresa da área da saúde pode aplicar passagens de lógica profunda e raciocínio matemático sem correr o risco de alucinação factual ou de violar limites rígidos de segurança.
Os Interaction Experts funcionam como uma camada implícita de proteção, suprimindo erros e reforçando os protocolos de seguimento de instruções sem reduzir o poder de processamento bruto dos Reasoning Experts internos. Combinado ao modelo de cache sem custo, empresas conseguem manter redes de software autônomas altamente focadas, capazes de inspecionar repetidamente seus bancos de dados corporativos, mantendo e otimizando continuamente a infraestrutura interna a uma fração dos custos operacionais tradicionais.
