LongCat 2.0 : Le Modèle IA Chinois Entraîné Sans Un Seul GPU Nvidia

Meituan. Si ce nom ne vous dit rien, c'est normal : c'est le champion chinois de la livraison de bouffe, une sorte de mélange entre Uber Eats et DoorDash. Sauf que cette semaine, leur laboratoire IA a publié LongCat 2.0, un modèle open source de 1600 milliards de paramètres entraîné sur plus de 50 000 accélérateurs IA chinois — sans un seul GPU Nvidia. Dans le contexte de la guerre technologique entre la Chine et les États-Unis, ça n'a rien d'un détail.

Meituan, le livreur qui s'attaque à Nvidia

Quand on pense à la course à l'intelligence artificielle en Chine, on pense direct à DeepSeek, à Alibaba avec Qwen, ou encore à Moonshot avec Kimi et à Zhipu avec GLM. Mais LongCat 2.0 ne vient d'aucun de ces acteurs. Il vient de Meituan — un gigantesque groupe chinois spécialisé dans la livraison de nourriture et les services locaux, imaginez un mélange entre Uber Eats, DoorDash et une dizaine d'autres services regroupés dans une seule appli. Sauf qu'ils ont aussi, discrètement, un laboratoire d'intelligence artificielle : LongCat AI. Et ce labo vient de faire quelque chose d'assez impressionnant.

Pourquoi remplacer Nvidia est un tel défi

Avant d'aller plus loin, il faut comprendre pourquoi c'est aussi difficile de se passer de Nvidia. Depuis plusieurs années, les États-Unis limitent l'accès de la Chine aux puces les plus avancées utilisées pour entraîner les modèles d'IA. Le problème, ce n'est pas qu'une question de puissance brute des puces. Nvidia possède un avantage énorme qui s'appelle CUDA : tout l'écosystème logiciel construit autour de ses GPU depuis presque 20 ans — bibliothèques, outils, optimisations. Pratiquement toute l'industrie de l'IA moderne a été bâtie autour de cet environnement.

Remplacer un GPU Nvidia par une puce chinoise, ce n'est donc pas comme changer de carte graphique dans un PC : il faut parfois réécrire une énorme partie de l'infrastructure logicielle. Certains rapports estiment que migrer de gros workloads vers des accélérateurs comme les Huawei Ascend peut ajouter un temps et un coût de développement considérables.

50 000 puces chinoises, zéro carte Nvidia

Et c'est justement pour ça que LongCat 2.0 fait autant parler de lui. Meituan ne parle pas ici d'une petite expérience réalisée sur quelques centaines de puces. Pour entraîner le modèle, ils ont utilisé une infrastructure de plus de 50 000 accélérateurs IA domestiques, avec plus de 35 000 milliards de tokens utilisés pendant le pré-entraînement — et ça, sans un seul GPU Nvidia.

Faire fonctionner une puce chinoise pour lancer un modèle, c'est une chose. Faire travailler des dizaines de milliers de puces ensemble pendant un entraînement de cette taille, c'est une tout autre histoire.

À cette échelle, tout peut casser

À cette échelle, les problèmes changent de nature. Une puce peut tomber en panne, une autre peut se mettre à produire des résultats incorrects. Il y a aussi les problèmes de communication entre les machines, de mémoire, de synchronisation — et plus le cluster grossit, plus la probabilité qu'un problème surgisse quelque part augmente.

Meituan affirme avoir terminé l'entraînement sans problème majeur, notamment grâce à des systèmes de détection de ce qu'on appelle la silent data corruption : une puce peut se mettre à produire des calculs incorrects sans jamais l'annoncer clairement. Si personne ne s'en rend compte, ces erreurs peuvent progressivement contaminer tout l'entraînement. Leur infrastructure serait capable de détecter et d'isoler ce genre de problème avant qu'il ne fasse trop de dégâts.

Un modèle taillé sur mesure pour son propre hardware

Mais Meituan n'a pas seulement adapté son infrastructure : ils ont aussi adapté le modèle lui-même, plutôt que d'essayer de reproduire exactement ce qui fonctionne sur GPU Nvidia. LongCat 2.0 possède 1600 milliards de paramètres — évidemment, les activer tous à chaque token généré serait absurde en coût. Le modèle utilise donc l'architecture Mixture of Experts (MoE) : imaginez énormément de petits spécialistes, et selon ce qu'il doit traiter, le modèle n'en réveille qu'une petite partie. Résultat : sur les 1600 milliards de paramètres, seulement environ 48 milliards sont actifs en moyenne pour traiter un token.

Ils sont même allés plus loin : le modèle peut décider que certains tokens très simples — un espace, de la ponctuation, une structure de code ultra prévisible — ne méritent presque aucun calcul, contrairement à un problème mathématique complexe. Même logique côté attention : LongCat 2.0 accepte jusqu'à 1 million de tokens de contexte, mais comparer en permanence chaque token à l'intégralité de ce million ferait exploser le coût. D'où le Long Cat Sparse Attention : le modèle détermine quelles portions du contexte sont réellement importantes, et cette recherche est conçue pour correspondre à la façon dont le matériel accède à la mémoire — en travaillant avec des blocs regroupés plutôt qu'en allant chercher des miettes dispersées partout. Un détail qui peut paraître technique, mais l'idée de fond est simple : construire un modèle qui tourne bien sur sa propre infrastructure, plutôt que de copier ce qui marche sur Nvidia.

Est-ce que LongCat 2.0 est vraiment bon ?

Tout ça serait quand même beaucoup moins intéressant si le modèle était complètement nul. Les résultats sont plutôt prometteurs : LongCat 2.0 est particulièrement orienté coding et agents IA. Sur SWE-bench Pro, il obtient 59,5 %, et sur SWE-bench multilingual, il grimpe à 77,3 %. On n'est pas devant le meilleur modèle du monde, mais on est loin d'une simple démonstration technique destinée à prouver que des puces chinoises peuvent faire tourner quelque chose : c'est un modèle réellement compétitif. Et détail qui compte : LongCat 2.0 est open source, publié sous licence MIT — les poids peuvent être récupérés, modifiés et utilisés librement.

Les sanctions américaines ont-elles échoué ?

Ça pose forcément la question : est-ce que les sanctions américaines ont raté leur coup ? C'est probablement ce qui rend cette sortie plus importante qu'elle en a l'air. Depuis plusieurs années, une bonne partie de la stratégie américaine consiste à ralentir le développement de l'IA chinoise en limitant son accès aux meilleures puces — et soyons honnête, ces restrictions ont vraiment créé des difficultés. L'écosystème Nvidia reste extrêmement mature, CUDA reste un avantage gigantesque, et les accélérateurs chinois ne sont pas soudainement devenus meilleurs que les meilleures puces Nvidia.

Mais il y a un effet secondaire intéressant : plus l'accès aux technologies américaines devient difficile, plus les entreprises chinoises ont intérêt à investir massivement dans leur propre alternative — le hardware, les bibliothèques, les systèmes distribués, mais aussi les architectures des modèles eux-mêmes. Et LongCat 2.0 montre qu'on est peut-être en train d'atteindre une nouvelle étape. La vraie question devient : à quelle vitesse cet écosystème alternatif va-t-il rattraper vingt ans de construction autour de Nvidia ?

Mon avis

Soyons honnête : LongCat 2.0 n'est pas le meilleur modèle du monde, et Nvidia + CUDA restent une forteresse. Mais ce qui me frappe, c'est que ce n'est même pas un labo IA connu qui sort ce résultat — c'est une entreprise de livraison de bouffe. Si Meituan est capable d'entraîner un modèle de 1600 milliards de paramètres, compétitif sur du coding, entièrement sans Nvidia, ça veut dire que la recette est en train de devenir reproductible en Chine, pas juste réservée à une poignée de géants comme Alibaba.

Et c'est là le vrai sujet, au-delà des benchmarks : si d'autres laboratoires chinois reproduisent ce genre d'entraînement à grande échelle, les restrictions américaines pourraient avoir réussi à ralentir la Chine sur le court terme… tout en accélérant, paradoxalement, la construction d'un écosystème chinois totalement indépendant sur le long terme. Et ça, ça pourrait avoir des conséquences bien plus importantes que LongCat 2.0 lui-même. À surveiller de très très près.

🎬 Tu préfères la version vidéo ?

Cet article est tiré de ma vidéo YouTube — clique pour la voir.

Regarder sur YouTube →

Alan Sharif — créateur de Nerdy Kings

Je teste les outils IA et je décrypte les nouveaux modèles pour ma communauté de 20 000+ curieux francophones sur YouTube. Sans bullshit, sans hype, sans jargon.

👤 Mon profil🎬 YouTube👍 Facebook📧 Me contacter