← Zurück zum Blog
Aica. 7 Min. Lesezeit

Meituan hat ein Modell mit 1,6 Billionen Parametern auf heimischen Chips trainiert. Das Clevere daran ist, wofür es gebaut wurde.

Veröffentlicht 7. Nov. 2026
Meituan hat ein Modell mit 1,6 Billionen Parametern auf heimischen Chips trainiert. Das Clevere daran ist, wofür es gebaut wurde.

Am 2. November veröffentlichte Meituan LongCat-2.5, ein nativ multimodales Modell mit 1,6 Billionen Gesamtparametern und rund 48 Milliarden pro Token aktivierten Parametern.

Zwei Details der Veröffentlichung werden außerhalb Chinas zu wenig berichtet. Erstens lief das Training vollständig auf inländischer chinesischer Rechenleistung, und Meituan bezeichnet es als die größte auf dieser Hardware abgeschlossene Trainingsaufgabe. Zweitens hat Meituans CEO öffentlich erklärt, das Unternehmen werde keine Token-Fabrik.

Nimmt man beides zusammen, wirkt LongCat-2.5 weniger wie ein Vorstoß an die Frontier und mehr wie ein sehr großes industrielles Werkzeug, das für das Geschäft eines einzelnen Unternehmens gebaut wurde.

Die Architektur, kurz gefasst

Die visuelle Seite ist die interessante Ingenieursleistung. LongCat-2.5 repräsentiert visuelle Signale als mehrstufige diskrete Tokens, statt kontinuierliche Embeddings an das Sprach-Backbone zu übergeben. Nach der in LongCat-Next verwendeten Methode durchlaufen native Auflösungsmerkmale eines semantisch ausgerichteten Encoders eine Restvektorquantisierung, die ein Bild in etwas verwandelt, das der Transformer als Tokens verarbeiten kann – so wie er Wörter verarbeitet.

Das Ergebnis ist ein einziger Token-Raum statt eines nachträglich angebauten Vision-Encoders, weshalb Meituan native Multimodalität beanspruchen und auf Aufgaben wie interaktive Webseiten, 3D-Darstellungsseiten und kreatives Design verweisen kann als Dinge, die das Modell bewältigt, statt solcher, an die es angepasst wurde.

Auch der Trainingsumfang ist dokumentiert. Im Mid-Training wurden Sequenzen von bis zu 1 Million Tokens verwendet, bei einem kumulativen Training von Billionen Tokens. Bei Multi-Card-Long-Context-Arbeit werden Speicherkapazität und Kommunikation zwischen den Karten zum Engpass; daher optimierte Meituan die Aufgabenpartitionierung rund um Superknoten und hielt den Großteil des Parameter- und Datenverkehrs auf dem schnellen Interconnect innerhalb eines Knotens, statt ihn zwischen ihnen zu übertragen.

Die Effizienzzahlen sind konkret. Beim Long-Context-Supervised-Fine-Tuning verbesserte sich der Trainingsdurchsatz einer einzelnen Karte um 86 % gegenüber einer Distributed-Data-Parallel-Baseline, was Meituan so darstellt, dass eine Karte die Arbeit von etwa 1,86 Karten erledigt. Für die Inferenz nutzt das Modell W4A4-Quantisierung, die sowohl Expertengewichte als auch Aktivierungen auf vier Bit bringt und auf die Eigenschaften inländischer Beschleuniger abgestimmt ist. Gegenüber einer W8A8-INT8-Baseline stieg der Durchsatz bei der Eingabeverarbeitung und der Generierung pro Token um etwa 40 %, die Latenz bis zum ersten Token sank um rund 16 % und die Generierungszeit pro Token um etwa 20 %, während die Leistung bei Downstream-Aufgaben weitgehend konstant blieb.

Die letzte Zahlenreihe ist die eigentliche Leistung. Ein Billionen-Parameter-Modell auf Hardware zu trainieren und bereitzustellen, die nicht vom Marktführer stammt, ist ein Ingenieursproblem rund um Speicherbandbreite und Kommunikation, und Meituans Veröffentlichung von LongCat-2.0 im Juni 2026 – das erste vollständig auf inländischer Rechenleistung trainierte und bereitgestellte Billionen-Parameter-Modell – war das Aufwärmen.

Benchmarks – mit dem üblichen Vorbehalt

Meituan berichtet, dass LongCat-2.5 bei einer Reihe gängiger Benchmarks zwischen Claude Opus 4.8 und Claude Opus 5 liegt und Opus 5 bei einigen übertrifft.

Dies sind vom Anbieter berichtete Vergleiche mit den Modellen eines Wettbewerbers auf einer vom Anbieter getroffenen Benchmark-Auswahl. Betrachten Sie sie als Beleg dafür, dass das Modell wettbewerbsfähig ist, nicht als Rangliste. Das nützlichere Signal ist, dass ein chinesisches Unternehmen für lokale Dienstleistungen jetzt ein Modell ausliefert, das in derselben Diskussion wie Anthropics Frontier-Reihe steht, und dazu die Arbeiten zur Trainingseffizienz veröffentlicht.

Wofür es gebaut wurde

Das erklärte Designziel sind Long-Horizon-Agentenaufgaben. Meituans Beschreibung umfasst das Hinzufügen von Long-Horizon-Trajektoriendaten zum Long-Sequence-Training, das Ausführen von großskaligem Long-Horizon-Reinforcement-Learning und die Umwandlung realer Fehlertrajektorien von Agenten in reproduzierbare, verifizierbare Trainingsaufgaben. Diese letzte Praxis sollten mehr Labore übernehmen: Die Fehler des eigenen Agenten in einen Datensatz zu verwandeln, ist billiger, als noch mehr das Internet zu scrapen.

Dann die kommerzielle Logik. Meituan betreibt Essenslieferung, Vor-Ort-Dienstleistungen und Reisen in Tausenden chinesischer Städte. Seine Händler sind kleine Betreiber mit dünnen Margen. Aus dieser Position steht ein besserer Chatbot deutlich unter Software, die die Kanaldaten eines Händlers liest, ihm sagt, wo er Geld verliert, und dann etwas dagegen unternimmt.

Das von Meituan veröffentlichte Beispiel ist es wert, ausführlich zitiert zu werden. In einer Multi-Channel-Betriebsanalyse einer Marke erstellte das Modell die Gewinn-und-Verlust-Rechnung des Kanals selbst und stellte dann fest, dass der bezahlte GMV um 23,2 % gestiegen war, während der Kanalgewinn um 1,7 % gesunken war. Es verknüpfte dies mit Abverkaufsökonomie, Wiederkaufverhalten und Bestandsrisiko und schlug eine differenzierte Ressourcenallokation vor.

Das ist eine echte Analyse-Kette. Bemerkenswert ist, dass das Modell die Margenquote zusammen mit der Wachstumszahl berechnete – genau das, was ein erfahrener Betreiber tut und ein Dashboard nicht.

Meituan hat dies in ein Produkt namens Miaoshou verpackt, eine KI-Betriebsworkbench für Händler. Es versteht Branchenkennzahlen und Markenregeln und ruft im Rahmen der Händlerautorisierung Tools und Systeme auf, um Aufgaben zu erledigen. Meituan sagt, dass es bereits Ketten wie Guming, Xushengji und Yihetang betreut, in den Bereichen Markenanalyse, Filialmanagement und Kundenakquise.

Das strategische Argument

Wang Xings Aussage aus der Bilanztelefonkonferenz im August ist die klarste Erklärung, die ein chinesischer Plattform-CEO zur Modellstrategie abgegeben hat. Der langfristige Wert von KI, sagte er, bemesse sich daran, ob sie wirklich in reale Workflows eindringt, echte Probleme löst und zu stabiler Infrastruktur wird. Meituan werde keine Token-Fabrik werden. Seine Modelle und Produkte existierten, um das Kerngeschäft zu unterstützen.

Vergleicht man das mit dem Verhalten der Frontier-Labore im vergangenen Jahr, ist der Unterschied frappierend. OpenAI, Anthropic und Google bauen Modelle, um Tokens und Abonnements zu verkaufen. Meituan baut ein Modell, um die Marge einer Milchtee-Kette zu verbessern.

Beides ist legitim. Sie bringen sehr unterschiedliche Organisationen hervor. Eine Token-Fabrik optimiert auf Benchmark-Führerschaft und API-Preis. Ein unternehmenseigenes Modell optimiert auf die spezifische Argumentation, die ein Betreiber braucht, und auf die Kosten, es im Maßstab des eigenen Transaktionsvolumens zu betreiben – weshalb die W4A4-Arbeit hier mehr zählt als ein Arena-Score.

Die Bereitstellungskosten sind die stille Schlagzeile

Die Vier-Bit-Quantisierung verdient eine eigene Anmerkung, weil sie die Einschränkung adressiert, die den Einsatz außerhalb eines Labors tatsächlich begrenzt.

Extreme Makroaufnahme einer Silizium-Die-Oberfläche mit feinen goldenen Verbindungsleiterbahnen und sich wiederholenden Zellen.

Ein Modell mit 1,6 Billionen Parametern und 48 Milliarden pro Token aktiven Parametern benötigt für ein einzelnes Token nicht das gesamte Modell im schnellen Speicher, aber die aktiven Experten müssen schnell erreichbar sein; bei vier Bit belegen die Gewichte nur einen Bruchteil des Speicherplatzes, den sie bei sechzehn Bit bräuchten. Meituan berichtet von etwa 40 % höherem Durchsatz sowohl bei der Eingabeverarbeitung als auch bei der Generierung pro Token gegenüber einer INT8-Baseline, bei einer um etwa 16 % niedrigeren Latenz bis zum ersten Token und einer um etwa 20 % niedrigeren Zeit pro Token, während die Downstream-Qualität gehalten wird.

Für ein Unternehmen, das sein eigenes Transaktionsvolumen bedient, ist das der Unterschied zwischen einer KI-Funktion, die mehr kostet als die Marge, die sie schützt, und einer, bei der das nicht der Fall ist. Es ist außerdem die Art von Arbeit, die keinen Leaderboard-Eintrag erzeugt, weshalb selten darüber berichtet wird.

Die offenen Fragen

Meituan hat keine Gewichte für LongCat-2.5 veröffentlicht, daher lässt sich die Behauptung zur inländischen Rechenleistung nicht unabhängig prüfen, und das Modell ist über longcat.ai und eine API statt als offene Veröffentlichung verfügbar. Die Effizienzgewinne werden gegen von Meituan definierte Baselines gemessen.

Hinzu kommt die übliche Spannung bei unternehmenseigenen Modellen: Je besser es in Meituans Geschäft wird, desto weniger nützlich kann es außerhalb davon sein. Ein Modell, das auf Gewinn-und-Verlust-Rechnungen lokaler Dienstleistungen abgestimmt ist, mag bei der Unit Economics von Restaurants exzellent und beim juristischen Textentwurf unspektakulär sein.

Für alle außerhalb Chinas ist die Erkenntnis die Verschiebung der Einschränkung durch inländische Chips von einem Compliance-Problem zu einem Engineering-Programm mit veröffentlichten Durchsatzzahlen. Sobald ein Unternehmen 1,6 Billionen Parameter trainieren und sie mit Vier-Bit-Präzision auf Hardware bereitstellen kann, die es tatsächlich kaufen kann, schrumpft die praktische Lücke zwischen Frontier und Nachfolgern auf die Dinge, die Geld nicht beheben kann: Daten, Geschmack und Distribution.

Verwandte Artikel