美團, 엔비디아 없이 1.6조 파라미터 AI 모델 'LongCat-2.0' 오픈소스로 공개

2026년 6월 30일, 중국의 배달·생활 서비스 기업 미퇀(Meituan)이 LongCat-2.0을 오픈소스로 공개했습니다. 이 모델은 총 1.6조 개의 파라미터를 가진 MoE(Mixture-of-Experts) 대형 언어 모델로, 엔비디아 하드웨어를 전혀 사용하지 않고 자국산 칩 5만 대로 구성된 클러스터에서 처음부터 끝까지(프리트레이닝, 미세 조정, 추론, 배포) 학습된 최초의 조 단위 모델이라고 회사 측은 밝혔습니다 .

왜 이번 발표가 중요한가

LongCat-2.0의 등장은 단순한 대형 모델 출시 그 이상의 의미를 갖습니다. 미국의 수출 규제로 첨단 GPU 확보가 어려워진 상황에서 , 중국 AI 개발이 자국산 실리콘만으로도 최전선에 근접한 성능을 낼 수 있다는 신호로 읽힙니다. 이 모델은 프리트레이닝부터 추론까지 전 과정을 자국산 칩으로 구축할 수 있음을 증명했습니다.

주요 기술 사양

• 아키텍처: MoE(Mixture-of-Experts), 총 1.6조 파라미터, 토큰당 약 480억 개 파라미터 활성화(희소성 약 97%) .
• 컨텍스트 윈도우: 100만 토큰, DeepSeek의 희소 어텐션(Sparse Attention) 구조를 발전시킨 'LongCat Sparse Attention (LSA)' 메커니즘 채택 .
• 활성 파라미터 범위: 동적 'Zero-Compute Expert' 라우팅을 통해 토큰당 330억~560억 개 .
• N-gram 임베딩: 임베딩 레이어에 약 1,350억 개의 추가 파라미터를 투입, 2~5개 문자 단위의 n-gram을 사용해 MoE 레이어를 단순히 쌓지 않고도 로컬 컨텍스트 표현력을 향상시킴 .
• 특화 분야: 에이전트 코딩(Agentic Coding) — 코드 이해, 생성 및 실제 도구 사용 시나리오에서의 실행 .
• 학습 인프라: 5만~6만 개의 중국산 AI ASIC(엔비디아 GPU 아님)으로 처음부터 학습, 35조 개 이상의 토큰 소모 (중국어, 영어, 다국어 텍스트 및 소스 코드 포함) .
• 라이선스: MIT 오픈소스 라이선스 .
• 접근성: 가중치와 코드가 GitHub, Hugging Face, 공식 LongCat 웹사이트에 공개됨. API 및 온라인 데모도 제공 .

성능 및 벤치마크

미퇀은 LongCat-2.0이 구글의 Gemini 3.1 Pro에 버금가는 성능을 낸다고 주장합니다 . 공식 공개 전, 이 모델은 OpenRouter에서 'Owl Alpha' 라는 익명의 모델로 활동하며 개발자 코딩 벤치마크 순위 1위를 차지했습니다 .

LongCat 팀이 X(트위터)에 공개한 주요 벤치마크 점수는 다음과 같습니다: Terminal-Bench 2.1: 70.8, SWE-bench Pro: 59.5 (비교: GPT-5.5는 58.6), SWE-bench Multilingual: 77.3, FORTE: 73.2 .

전략적 중요성

LongCat-2.0은 단순한 벤치마크 점수를 넘어 여러 중요한 시사점을 던집니다:

• 프리트레이닝부터 추론, 배포까지 전 과정을 국산 칩으로 완료한 최초의 조 단위 파라미터 모델입니다. 이는 DeepSeek-V4-pro조차 추론에만 국산 하드웨어를 사용한 것과 대비됩니다 .
• 미국 수출 규제 대상인 엔비디아의 첨단 GPU 없이도 최전선 AI 성능에 근접할 수 있음을 입증했습니다 .
• 중국 AI 개발의 미국 하드웨어 공급망 탈피 가능성을 시사하며, 글로벌 AI 칩 시장과 지정학적 기술 경쟁에 영향을 미칠 전망입니다 .
• 미퇀에게는 배달·생활 서비스 기업이 오픈소스 AI 파운데이션 모델의 주요 기여자로 발돋움하는 계기로, 알리바바(Qwen), 바이트댄스 등과 유사한 움직임입니다 .

주요 아키텍처 혁신

LongCat-2.0은 이전 모델 LongCat-Flash 대비 두 가지 주요 아키텍처 개선을 도입했습니다:

1. LongCat Sparse Attention (LSA): DeepSeek의 희소 어텐션(DSA) 메커니즘을 발전시킨 것으로, 인덱서의 지연 병목 현상을 해결하기 위해 흐름 인식 인덱싱(flow-aware indexing), 교차 레이어 인덱싱(cross-layer indexing), 계층적 인덱싱(hierarchical indexing) 등 세 가지 독립적인 효율성 최적화를 적용했습니다. 모델 품질 저하 없이 긴 컨텍스트 처리를 가속화하도록 설계되었습니다 .

2. MOPD (Multi-Objective Process Decoding): 모델의 전문가(Experts)를 Agent, Reasoning, Interaction의 세 가지 특화 그룹으로 구성하고, 게이트 라우터가 작업 유형에 따라 각 토큰을 적절한 그룹으로 전달합니다 .

접근성 및 사용

개발자와 연구자는 비교적 자유로운 MIT 라이선스 하에 LongCat-2.0에 접근할 수 있습니다. 모델 가중치, 추론 코드, 문서가 GitHub, Hugging Face, 공식 LongCat 웹사이트에 공개되어 있으며, API 엔드포인트와 인터랙티브 온라인 데모도 제공됩니다 .