← Volver al blog
Aiaprox. 8 min de lectura

Meituan entrenó un modelo de 1,6 billones de parámetros sobre silicio nacional. La parte inteligente es para qué lo construyó.

Publicado 7 nov 2026
Meituan entrenó un modelo de 1,6 billones de parámetros sobre silicio nacional. La parte inteligente es para qué lo construyó.

El 2 de noviembre, Meituan lanzó LongCat-2.5, un modelo nativamente multimodal con 1,6 billones de parámetros totales y unos 48 mil millones activados por token.

Dos detalles del lanzamiento están siendo poco reportados fuera de China. El primero es que el entrenamiento se ejecutó íntegramente en cómputo nacional chino, y Meituan lo califica como la mayor tarea de entrenamiento completada en ese hardware. El segundo es que el director ejecutivo de Meituan ha dicho públicamente que la empresa no se convertirá en una fábrica de tokens.

Si se juntan ambos, LongCat-2.5 se interpreta menos como una apuesta por la frontera y más como una herramienta industrial muy grande construida para el negocio de una sola empresa.

La arquitectura, en breve

El lado visual es la ingeniería interesante. LongCat-2.5 representa las señales visuales como tokens discretos multinivel en lugar de pasar embeddings continuos al backbone lingüístico. Siguiendo el método usado en LongCat-Next, las características de resolución nativa de un codificador semántico y alineado pasan por cuantización vectorial residual, que convierte una imagen en algo que el transformer puede procesar como tokens, del mismo modo que procesa palabras.

El resultado es un único espacio de tokens en lugar de un codificador de visión añadido, y por eso Meituan puede afirmar multimodalidad nativa y señalar tareas como páginas web interactivas, páginas de visualización 3D y diseño creativo como cosas que el modelo maneja, en lugar de cosas a las que se adaptó para manejar.

La escala de entrenamiento también está documentada. El entrenamiento intermedio usó secuencias de hasta 1 millón de tokens, con billones de tokens de entrenamiento acumulado. El trabajo de contexto largo con múltiples tarjetas es donde la capacidad de memoria y la comunicación entre tarjetas se convierten en el cuello de botella, así que Meituan optimizó el particionado de tareas en torno a supernodos, manteniendo la mayor parte del tráfico de parámetros y datos en la interconexión rápida dentro de un nodo en lugar de cruzando entre ellos.

Las cifras de eficiencia son concretas. En el ajuste fino supervisado de contexto largo, el rendimiento de entrenamiento con una sola tarjeta mejoró un 86% frente a una línea base de paralelismo de datos distribuido, lo que Meituan describe como una tarjeta haciendo el trabajo de aproximadamente 1,86. Para inferencia, el modelo usa cuantización W4A4, llevando tanto los pesos de expertos como las activaciones a cuatro bits, ajustada a las características de los aceleradores nacionales. Frente a una línea base W8A8 INT8, el rendimiento en el procesamiento de entrada y en la generación por token aumentó alrededor de un 40%, la latencia del primer token cayó aproximadamente un 16% y el tiempo de generación por token cayó cerca de un 20%, mientras que el rendimiento en tareas posteriores se mantuvo aproximadamente igual.

Ese último conjunto de cifras es el logro real. Conseguir que un modelo de un billón de parámetros se entrene y se sirva en hardware que no es el líder del mercado es un problema de ingeniería de ancho de banda de memoria y comunicación, y el lanzamiento de LongCat-2.0 por parte de Meituan en junio de 2026, el primer modelo de un billón de parámetros totalmente entrenado y servido con cómputo nacional, fue el calentamiento.

Benchmarks, con la advertencia habitual

Meituan informa que LongCat-2.5 se sitúa entre Claude Opus 4.8 y Claude Opus 5 en una serie de benchmarks convencionales, y supera a Opus 5 en algunos.

Son comparaciones reportadas por el proveedor frente a los modelos de un competidor, sobre una selección de benchmarks hecha por el proveedor. Tómalas como evidencia de que el modelo es competitivo, no como una clasificación. La señal más útil es que una empresa china de servicios locales ahora está lanzando un modelo que se menciona en la misma conversación que la línea de frontera de Anthropic, y publicando el trabajo de eficiencia de entrenamiento junto con él.

Para qué se construyó

El objetivo de diseño declarado son las tareas de agente de horizonte largo. La descripción de Meituan abarca añadir datos de trayectorias de horizonte largo al entrenamiento con secuencias largas, ejecutar aprendizaje por refuerzo de horizonte largo a gran escala y convertir trayectorias reales de fallos de agentes en tareas de entrenamiento reproducibles y verificables. Esa última práctica es la que más laboratorios deberían copiar: convertir los fallos de tu propio agente en un conjunto de datos es más barato que extraer más datos de internet.

Luego está la lógica comercial. Meituan opera reparto de comida, servicios presenciales y viajes en miles de ciudades chinas. Sus comercios son pequeños operadores con márgenes ajustados. Desde esa posición, un chatbot mejor queda muy por debajo de un software que lee los datos de canales de un comercio, le dice dónde está perdiendo dinero y luego hace algo al respecto.

El ejemplo que publicó Meituan merece citarse en detalle. En un análisis operativo de una marca multicanal, el modelo construyó por sí mismo la cuenta de pérdidas y ganancias por canal, luego identificó que el GMV de pago había crecido un 23,2% mientras que el beneficio del canal había caído un 1,7%. Lo conectó con la economía de las liquidaciones, el comportamiento de recompra y el riesgo de inventario, y propuso una asignación de recursos diferenciada.

Esa es una cadena analítica real. Lo que destaca es que el modelo eligió calcular el ratio de margen junto con la cifra de crecimiento, que es lo que hace un operador experimentado y un panel de control no.

Meituan ha encapsulado esto en un producto llamado Miaoshou, un banco de trabajo operativo con IA para comercios. Entiende métricas del sector y reglas de marca y, con la autorización del comercio, invoca herramientas y sistemas para completar tareas. Meituan dice que ya presta servicio a cadenas como Guming, Xushengji y Yihetang, en análisis de marca, gestión de tiendas y captación de clientes.

El argumento estratégico

La frase de Wang Xing en la llamada de resultados de agosto es la declaración más clara que haya hecho ningún director ejecutivo de una plataforma china sobre estrategia de modelos. El valor a largo plazo de la IA, dijo, está en si entra de verdad en flujos de trabajo reales, resuelve problemas reales y se convierte en infraestructura estable. Meituan no será una fábrica de tokens. Sus modelos y productos existen para apoyar el negocio principal.

Si se compara con el comportamiento del último año de los laboratorios de frontera, la diferencia es marcada. OpenAI, Anthropic y Google construyen modelos para vender tokens y suscripciones. Meituan construye un modelo para mejorar el margen de una cadena de té con leche.

Ambas son legítimas. Producen organizaciones muy diferentes. Una fábrica de tokens optimiza para el liderazgo en benchmarks y el precio de API. Un modelo cautivo optimiza para el razonamiento específico que necesita un operador y para el coste de ejecutarlo a la escala de tu propio volumen de transacciones, y por eso el trabajo W4A4 importa más aquí de lo que importaría una puntuación de arena.

El coste de servicio es el titular silencioso

La cuantización de cuatro bits merece una nota aparte porque aborda la restricción que realmente limita el despliegue fuera de un laboratorio.

Macro extremo de la superficie de una matriz de silicio con finas pistas de interconexión doradas y celdas repetidas.

Un modelo de 1,6 billones de parámetros con 48 mil millones de parámetros activos por token no necesita el modelo completo en memoria rápida para ningún token individual, pero sí necesita que los expertos activos sean accesibles rápidamente, y a cuatro bits los pesos ocupan una fracción del espacio que ocuparían a dieciséis bits. Meituan informa un rendimiento aproximadamente un 40% mayor tanto en el procesamiento de entrada como en la generación por token frente a una línea base INT8, con la latencia del primer token reducida alrededor de un 16% y el tiempo por token reducido cerca de un 20%, y la calidad en tareas posteriores mantenida.

Para una empresa que atiende su propio volumen de transacciones, esa es la diferencia entre una función de IA que cuesta más que el margen que protege y otra que no. También es el tipo de trabajo que no produce una entrada en una clasificación, y por eso rara vez se reporta.

Las preguntas abiertas

Meituan no publicó los pesos de LongCat-2.5, así que la afirmación sobre cómputo nacional no puede examinarse de forma independiente, y el modelo está disponible a través de longcat.ai y una API en lugar de como un lanzamiento abierto. Las ganancias de eficiencia se miden frente a líneas base definidas por Meituan.

También está la tensión habitual en los modelos cautivos: cuanto mejor se vuelve para el negocio de Meituan, menos útil puede ser fuera de él. Un modelo ajustado con pérdidas y ganancias de servicios locales puede ser excelente en economía unitaria de restaurantes y poco destacable en redacción jurídica.

Para todos fuera de China, la conclusión es el cambio de la restricción del silicio nacional, de un problema de cumplimiento a un programa de ingeniería con cifras de rendimiento publicadas. Una vez que una empresa puede entrenar 1,6 billones de parámetros y servirlos con precisión de cuatro bits en hardware que realmente puede comprar, la brecha práctica entre la frontera y los seguidores se reduce a las cosas que el dinero no puede arreglar: datos, criterio y distribución.

Artículos relacionados