← Torna al blog
Aicirca 7 min di lettura

Meituan ha addestrato un modello da 1,6 trilioni di parametri su silicio nazionale. La parte intelligente è per cosa lo ha costruito.

Pubblicato 7 nov 2026
Meituan ha addestrato un modello da 1,6 trilioni di parametri su silicio nazionale. La parte intelligente è per cosa lo ha costruito.

Il 2 novembre, Meituan ha rilasciato LongCat-2.5, un modello nativamente multimodale con 1,6 trilioni di parametri totali e circa 48 miliardi attivati per token.

Due dettagli del rilascio sono poco riportati fuori dalla Cina. Il primo è che l'addestramento è stato eseguito interamente su calcolo cinese nazionale, e Meituan lo definisce il più grande task di addestramento completato su quell'hardware. Il secondo è che il CEO di Meituan ha dichiarato pubblicamente che l'azienda non diventerà una fabbrica di token.

Mettendo insieme questi elementi, LongCat-2.5 appare meno come un tentativo di competere sulla frontiera e più come uno strumento industriale molto grande costruito per il business di una singola azienda.

L'architettura, in breve

Il lato visivo è l'ingegneria interessante. LongCat-2.5 rappresenta i segnali visivi come token discreti multilivello invece di passare embedding continui al backbone linguistico. Seguendo il metodo usato in LongCat-Next, le caratteristiche a risoluzione nativa di un encoder semantico e allineato passano attraverso la quantizzazione vettoriale residua, che trasforma un'immagine in qualcosa che il transformer può elaborare come token, allo stesso modo in cui elabora le parole.

Il risultato è un unico spazio di token invece di un encoder visivo aggiunto a posteriori, ed è per questo che Meituan può rivendicare la multimodalità nativa e indicare compiti come pagine web interattive, pagine di visualizzazione 3D e design creativo come cose che il modello gestisce, non cose per cui è stato adattato.

Anche la scala dell'addestramento è documentata. L'addestramento intermedio ha usato sequenze fino a 1 milione di token, con trilioni di token di addestramento cumulativo. Il lavoro su contesti lunghi multi-scheda è dove capacità di memoria e comunicazione tra schede diventano il collo di bottiglia, quindi Meituan ha ottimizzato il partizionamento dei task attorno ai supernodi, mantenendo la maggior parte del traffico di parametri e dati sull'interconnessione veloce all'interno di un nodo invece di attraversare tra nodi.

I numeri di efficienza sono concreti. Sul fine-tuning supervisionato a contesto lungo, il throughput di addestramento su singola scheda è migliorato dell'86% rispetto a una baseline di data parallel distribuito, che Meituan inquadra come una scheda che fa il lavoro di circa 1,86. Per l'inferenza, il modello usa la quantizzazione W4A4, spingendo sia i pesi degli esperti sia le attivazioni a quattro bit, ottimizzata per le caratteristiche degli acceleratori nazionali. Rispetto a una baseline W8A8 INT8, il throughput sull'elaborazione degli input e sulla generazione per token è aumentato di circa il 40%, la latenza del primo token è scesa di circa il 16% e il tempo di generazione per token è calato di circa il 20%, con le prestazioni sui task downstream mantenute all'incirca allo stesso livello.

Quest'ultimo insieme di numeri è il vero risultato. Far addestrare e servire un modello da un trilione di parametri su hardware che non è il leader di mercato è un problema di ingegneria legato alla larghezza di banda della memoria e alla comunicazione, e il rilascio di LongCat-2.0 da parte di Meituan a giugno 2026, il primo modello da un trilione di parametri interamente addestrato e servito su calcolo nazionale, è stato il riscaldamento.

Benchmark, con la solita avvertenza

Meituan riferisce che LongCat-2.5 si colloca tra Claude Opus 4.8 e Claude Opus 5 su una serie di benchmark mainstream, e supera Opus 5 su alcuni.

Sono confronti riportati dal fornitore rispetto ai modelli di un concorrente, su una selezione di benchmark fatta dal fornitore. Vanno trattati come prova che il modello è competitivo, non come una classifica. Il segnale più utile è che un'azienda cinese di servizi locali ora distribuisce un modello nella stessa conversazione della linea di frontiera di Anthropic, e pubblica insieme il lavoro sull'efficienza dell'addestramento.

Per cosa è stato costruito

L'obiettivo di progettazione dichiarato sono i task degli agenti a lungo orizzonte. La descrizione di Meituan comprende l'aggiunta di dati di traiettoria a lungo orizzonte all'addestramento su sequenze lunghe, l'esecuzione di reinforcement learning a lungo orizzonte su larga scala e la conversione di traiettorie reali di fallimento degli agenti in task di addestramento riproducibili e verificabili. Quest'ultima pratica è quella che più laboratori dovrebbero copiare: trasformare i fallimenti del proprio agente in un dataset costa meno che raschiare ancora più Internet.

Poi la logica commerciale. Meituan gestisce consegne di cibo, servizi in negozio e viaggi in migliaia di città cinesi. I suoi commercianti sono piccoli operatori con margini sottili. Da quella posizione, un chatbot migliore è molto meno importante di un software che legge i dati dei canali di un commerciante, gli dice dove sta perdendo soldi e poi fa qualcosa al riguardo.

L'esempio pubblicato da Meituan merita di essere citato in dettaglio. In un'analisi operativa multi-canale di un brand, il modello ha costruito da solo il conto economico del canale, poi ha identificato che il GMV a pagamento era cresciuto del 23,2% mentre il profitto del canale era calato dell'1,7%. Ha collegato questo all'economia delle liquidazioni, al comportamento di riacquisto e al rischio di inventario, e ha proposto un'allocazione differenziata delle risorse.

È una vera catena analitica. Ciò che colpisce è che il modello abbia scelto di calcolare il rapporto di margine insieme al dato di crescita, cosa che fa un operatore esperto e che una dashboard non fa.

Meituan ha racchiuso tutto questo in un prodotto chiamato Miaoshou, un banco di lavoro operativo AI per i commercianti. Comprende metriche di settore e regole di brand e, nell'ambito dell'autorizzazione del commerciante, chiama strumenti e sistemi per completare i task. Meituan afferma che sta già servendo catene tra cui Guming, Xushengji e Yihetang, in analisi del brand, gestione dei punti vendita e acquisizione di clienti.

L'argomento strategico

La frase di Wang Xing della call sugli utili di agosto è la dichiarazione più chiara che qualsiasi CEO di una piattaforma cinese abbia fatto sulla strategia dei modelli. Il valore a lungo termine dell'AI, ha detto, sta nel fatto che entri davvero nei flussi di lavoro reali, risolva problemi reali e diventi infrastruttura stabile. Meituan non sarà una fabbrica di token. I suoi modelli e prodotti esistono per supportare il business principale.

Se lo si confronta con l'ultimo anno di comportamento dei laboratori di frontiera, la differenza è netta. OpenAI, Anthropic e Google costruiscono modelli per vendere token e abbonamenti. Meituan costruisce un modello per migliorare il margine di una catena di tè al latte.

Entrambe sono legittime. Producono organizzazioni molto diverse. Una fabbrica di token ottimizza per la leadership nei benchmark e il prezzo delle API. Un modello captive ottimizza per il ragionamento specifico di cui ha bisogno un operatore e per il costo di eseguirlo alla scala del proprio volume di transazioni, ed è per questo che il lavoro su W4A4 qui conta più di un punteggio in arena.

Il costo di serving è il titolo che passa in sordina

La quantizzazione a quattro bit merita una nota separata perché affronta il vincolo che limita davvero il deployment fuori da un laboratorio.

Macro estrema della superficie di un die in silicio con sottili tracce di interconnessione dorate e celle ripetute.

Un modello da 1,6 trilioni di parametri con 48 miliardi di parametri attivi per token non ha bisogno dell'intero modello in memoria veloce per ogni singolo token, ma ha bisogno che gli esperti attivi siano raggiungibili rapidamente, e a quattro bit i pesi occupano una frazione dello spazio che occuperebbero a sedici. Meituan riferisce un throughput superiore di circa il 40% sia sull'elaborazione degli input sia sulla generazione per token rispetto a una baseline INT8, con la latenza del primo token in calo di circa il 16% e il tempo per token in calo di circa il 20%, e la qualità downstream che si mantiene.

Per un'azienda che serve il proprio volume di transazioni, è la differenza tra una funzionalità AI che costa più del margine che protegge e una che non lo fa. È anche il tipo di lavoro che non produce una voce in classifica, ed è per questo che raramente viene riportato.

Le domande aperte

Meituan non ha pubblicato i pesi di LongCat-2.5, quindi l'affermazione sul calcolo nazionale non può essere esaminata in modo indipendente, e il modello è disponibile tramite longcat.ai e un'API anziché come rilascio aperto. I guadagni di efficienza sono misurati rispetto a baseline definite da Meituan.

C'è anche la solita tensione nei modelli captive: più diventano bravi nel business di Meituan, meno possono essere utili al di fuori. Un modello ottimizzato sul conto economico dei servizi locali può essere eccellente nell'economia unitaria dei ristoranti e mediocre nella redazione legale.

Per tutti fuori dalla Cina, il messaggio è il cambiamento del vincolo del silicio nazionale da problema di conformità a programma di ingegneria con numeri di throughput pubblicati. Una volta che un'azienda può addestrare 1,6 trilioni di parametri e servirli a precisione di quattro bit su hardware che può effettivamente acquistare, il divario pratico tra frontiera e inseguitore si restringe a ciò che i soldi non possono sistemare: dati, gusto e distribuzione.

Articoli correlati