Por dois meses, um modelo anônimo ficou no topo dos rankings do OpenRouter. Os devs chamavam de Owl Alpha. Sem blog post, sem PR, sem tweet da empresa. Só volume de chamadas crescendo semana após semana.
Primeiro lugar no Hermes Agent. Segundo no ranking de uso do Claude Code. Terceiro no OpenClaw. Tudo medido em chamadas reais de produção, de devs que escolheram o modelo repetidamente sem saber quem era.
Em 30 de junho de 2026, a Meituan tirou a máscara: Owl Alpha era o LongCat-2.0. E com o reveal veio a licença MIT.
O que é o LongCat-2.0?
É um modelo de codificação agêntica com 1,6 trilhão de parâmetros totais, desenvolvido pela Meituan, empresa chinesa mais conhecida por apps de delivery e mobilidade. Janela de contexto nativa de 1 milhão de tokens. Licença MIT, sem restrição comercial, sem royalty, sem cláusula de uso.
A arquitetura é Mixture-of-Experts (MoE). Isso significa que o modelo não ativa todos os 1,6T parâmetros para cada token. Na prática, ativa entre 33B e 56B parâmetros por token, com média de aproximadamente 48B. Consultas mais complexas ativam mais especialistas; consultas simples ativam menos.
A atenção é esparsa via LongCat Sparse Attention (LSA), que reduz a complexidade quadrática padrão de 1M de tokens para linear. É por isso que o modelo consegue janela de 1M sem custo de inferência proibitivo.
LongCat-2.0 é competitivo no que importa pra dev?
A resposta curta é sim, e os números da página oficial de benchmarks mostram o porquê:
| Modelo | SWE-bench Pro | Terminal-Bench 2.1 | SWE-bench Multilingual |
|---|---|---|---|
| LongCat-2.0 | 59,5 | 70,8 | 77,3 |
| GPT-5.5 | 58,6 | n/d | n/d |
| Claude Opus 4.6 | 57,3 | n/d | n/d |
| Gemini 3.1 Pro | 54,2 | n/d | n/d |
SWE-bench Pro testa resolução de issues reais do GitHub. É o benchmark mais próximo de "o modelo funciona em código real" que existe hoje. LongCat-2.0 com 59,5 fica acima do GPT-5.5 (58,6) e Claude Opus 4.6 (57,3). Fica abaixo do Claude Opus 4.7 e 4.8, que continuam liderando no frontier fechado.
Ressalva necessária: esses números são auto-reportados pela Meituan. Reprodução independente ainda não existe. Dito isso, dois meses no topo do OpenRouter com volume real de uso dão sustentação indireta que poucos modelos conseguem mostrar antes da release oficial.
Outros números que chamam atenção:
- FORTE: 73,2 — raciocínio formal sobre código
- BrowseComp: 79,9 — agente navegando a web pra resolver tarefas
- RWSearch: 78,8 — busca em repositórios reais de código
Por que a história do Owl Alpha muda como você deveria ler benchmarks?
A maioria dos lançamentos de modelo segue o mesmo script: post no blog, tweet do CEO, benchmark cherry-picked, e depois a comunidade passa semanas testando se os números são reais.
A Meituan fez diferente. Colocou o modelo em produção real, com nome falso, deixou devs usarem sem saber o que estavam usando. Dois meses completos. Sem marketing.
O resultado: o modelo subiu ao topo dos rankings por volume de uso real. Devs estavam pedindo Owl Alpha de volta depois de tentar outros modelos. Não é benchmark de laboratório. É preferência revelada em ambiente de produção.
Isso importa porque valida performance de uma forma que nenhum número em tabela consegue: se você usa um modelo anônimo repetidamente e prefere ele, a preferência é genuína.
Por que o LongCat-2.0 foi treinado sem NVIDIA?
LongCat-2.0 é o primeiro modelo de 1 trilhão de parâmetros treinado e servido inteiramente em chips de fabricação doméstica chinesa. A Meituan usou mais de 50 mil aceleradores nacionais para o pré-treino em 35 trilhões de tokens.
Para comparação: o DeepSeek V4-Pro usou chips Huawei apenas na fase de inferência. O LongCat-2.0 foi de pré-treino até produção em hardware doméstico, sem um chip NVIDIA envolvido.
Para o dev BR, isso pode parecer geopolítica distante. O efeito prático é outro: se o modelo roda em infraestrutura independente de exportação americana de chips, a continuidade do serviço depende menos de decisões regulatórias dos EUA. Num mercado onde modelos sumiram ou ficaram inacessíveis por restrições externas nos últimos 6 meses, esse dado é relevante para quem precisa de estabilidade na stack.
MIT na prática: o que você pode fazer com o LongCat-2.0?
MIT é a licença mais permissiva do open source. Sem restrição comercial, sem royalty, sem cláusula de uso restrito. Com o LongCat-2.0 você pode:
- Rodar em produção sem pagar licença
- Fine-tunar para domínio específico (saúde, jurídico, código proprietário)
- Redistribuir o modelo modificado
- Usar como base para produtos comerciais
- Hospedar em qualquer infraestrutura sem restrição geográfica
Na prática, modelos MIT com performance próxima do frontier chegam rapidamente a serviços de inferência em GPU dedicada. O padrão que está se consolidando: agentes de programação com tokens ilimitados rodando os melhores modelos open source, sem a margem das APIs fechadas. O Verboo Code segue exatamente essa direção, com 11 modelos rodando em GPU dedicada, incluindo mimo-v2.5, deepseek-v4-flash e qwen3.6-27b.
O que o LongCat-2.0 diz sobre o estado dos coding agents em 2026?
No começo do ano, a narrativa dominante era "open source atrasa 6 a 12 meses atrás do frontier". O LongCat-2.0 continua quebrando esse padrão, junto com outros lançamentos dos últimos meses.
Não é o melhor modelo de coding do mercado. Claude Opus 4.7 e 4.8 ficam na frente no SWE-bench Pro. Mas é MIT, compete diretamente com GPT-5.5 e Opus 4.6, tem 1M de contexto nativo, e prova que é possível treinar um modelo dessa escala sem depender de infraestrutura americana.
A velocidade de convergência entre open e closed está aumentando. Para cada dev que paga por token em API fechada, lançamentos como esse são um argumento concreto para revisar onde está gastando.
LongCat-2.0: 59,5 no SWE-bench Pro, MIT, 1M de contexto, sem NVIDIA. Dois meses no topo do OpenRouter como Owl Alpha antes de ser revelado. Disponível agora via release oficial da Meituan para qualquer serviço de inferência.
Quer testar esses modelos sem pagar por token? Verboo Code roda os principais open source com tokens ilimitados em GPU dedicada.
