LongCat-2.0: โมเดล AI 1.6 ล้านล้านพารามิเตอร์จาก Meituan เทรนด้วยชิปจีน 50,000 ตัว แบบไม่มี Nvidia เกี่ยวข้อง

เมื่อวันที่ 30 มิถุนายน 2026 Meituan ตัดสินใจเปิดซอร์ส LongCat-2.0 โมเดลภาษา Mixture-of-Experts (MoE) ขนาด 1.6 ล้านล้านพารามิเตอร์ โดยบริษัทอ้างว่าเป็นโมเดลแรกในขนาดนี้ที่เทรน ปรับแต่งละเอียด และปรับใช้บนคลัสเตอร์ชิปจีน 50,000 ตัว โดยไม่มีฮาร์ดแวร์ Nvidia เกี่ยวข้องเลย

ความสำคัญของการเปิดตัวครั้งนี้

LongCat-2.0 ไม่ใช่แค่โมเดลใหญ่ตัวใหม่ แต่มันเป็นสัญญาณว่าการพัฒนา AI ของจีนสามารถไปถึงระดับเกือบ前沿ได้ โดยไม่ต้องพึ่งพา GPU ระดับสูงจากสหรัฐฯ ที่ถูกจำกัดการส่งออกมากขึ้นเรื่อย ๆ โมเดลนี้แสดงให้เห็นว่าระบบขนาด 1.6 ล้านล้านพารามิเตอร์สามารถสร้างขึ้นได้ด้วยชิปจีนล้วน ตั้งแต่ Pre-training ไปจนถึง Inference

สเปกทางเทคนิค

• สถาปัตยกรรม: Mixture-of-Experts (MoE) ความจุรวม 1.6 ล้านล้านพารามิเตอร์ แต่เปิดใช้งานเพียง ~4.8 หมื่นล้านพารามิเตอร์ต่อ Token (สปาร์ซิตี ~97%)
• Context Window: 1 ล้าน Token ขับเคลื่อนด้วยกลไก LongCat Sparse Attention (LSA) ที่พัฒนาต่อยอดจาก Sparse Attention ของ DeepSeek
• ช่วงพารามิเตอร์ที่เปิดใช้งาน: 33B–56B ต่อ Token ผ่านกลไกจัดเส้นทาง 'Zero-Compute Expert' เพื่อให้แน่ใจว่าไม่มีการคำนวณที่สูญเปล่า
• N-gram Embedding: เพิ่มประมาณ 1.35 แสนล้านพารามิเตอร์ในชั้น Embedding โดยใช้ N-gram 2 ถึง 5 ตัวอักษร เพื่อปรับปรุงการแสดงบริบทเฉพาะที่โดยไม่ต้องเพิ่มเลเยอร์ MoE มากขึ้น
• วัตถุประสงค์: ออกแบบมาเพื่อเขียนโค้ดแบบ Agentic โดยเฉพาะ — การทำความเข้าใจ สร้าง และรันโค้ดในสถานการณ์จริงที่ต้องใช้เครื่องมือ
• โครงสร้างพื้นฐานเทรนนิ่ง: เทรนจากศูนย์บน คลัสเตอร์ ASIC AI 50,000–60,000 ตัวที่ผลิตในจีน (ไม่ใช่ GPU Nvidia) โดยใช้ข้อมูลมากกว่า 35 ล้านล้าน Token ทั้งภาษาจีน อังกฤษ ภาษาอื่น ๆ และซอร์สโค้ด
• ไลเซนส์: เปิดตัวภายใต้ ไลเซนส์ MIT
• ช่องทางเข้าถึง: น้ำหนักโมเดลและโค้ดเผยแพร่บน GitHub, Hugging Face และเว็บไซต์ LongCat อย่างเป็นทางการ รวมถึงเข้าถึงผ่าน API และเดโมออนไลน์

ประสิทธิภาพและ Benchmark

Meituan อ้างว่า LongCat-2.0 มีประสิทธิภาพ เทียบเท่าได้กับ Gemini 3.1 Pro ของ Google ก่อนเปิดตัวอย่างเป็นทางการ โมเดลนี้ทำงานโดยไม่ระบุชื่อในชื่อ 'Owl Alpha' บน OpenRouter ซึ่งรายงานว่าครองอันดับสูงสุดในการจัดอันดับ Benchmark การเขียนโค้ดของนักพัฒนา

คะแนน Benchmark หลักที่ทีม LongCat เผยแพร่บน X ได้แก่: Terminal-Bench 2.1: 70.8, SWE-bench Pro: 59.5 (เทียบกับ GPT-5.5 ที่ 58.6), SWE-bench Multilingual: 77.3 และ FORTE: 73.2

ความสำคัญเชิงกลยุทธ์

LongCat-2.0 มีนัยยะสำคัญที่มากกว่าคะแนน Benchmark:

• โมเดลระดับล้านล้านพารามิเตอร์รุ่นแรกที่ถูกเทรนตั้งแต่ต้นจนจบบนชิปจีน ตั้งแต่ Pre-training ไปจนถึง Inference และปรับใช้ — ซึ่งเป็นความสำเร็จที่ DeepSeek-V4-pro ยังทำไม่ได้ เพราะใช้ฮาร์ดแวร์ในประเทศเฉพาะสำหรับ Inference เท่านั้น
• แสดงให้เห็นว่าจีนสามารถพัฒนา AI ระดับเกือบ前沿ได้โดยไม่ต้องพึ่งพา GPU ระดับสูงของ Nvidia ที่ถูกจำกัดการส่งออกจากสหรัฐฯ
• ส่งสัญญาณถึงการแยกห่วงโซ่อุปทาน ของการพัฒนา AI จีนออกจากฮาร์ดแวร์สหรัฐฯ ซึ่งส่งผลกระทบต่อตลาดชิป AI ทั่วโลกและการแข่งขันเทคโนโลยีเชิงภูมิรัฐศาสตร์
• สำหรับ Meituan โดยเฉพาะ มันวางตำแหน่งยักษ์ใหญ่ด้านเดลิเวอรีอาหารและบริการท้องถิ่นให้เป็นผู้มีส่วนร่วมสำคัญในโมเดลรากฐาน AI แบบโอเพนซอร์ส คล้ายกับการเคลื่อนไหวของ Alibaba (Qwen) และ ByteDance

นวัตกรรมทางสถาปัตยกรรมที่สำคัญ

LongCat-2.0 แนะนำการปรับปรุงสถาปัตยกรรมที่โดดเด่นสองประการเมื่อเทียบกับรุ่นก่อน LongCat-Flash:

1. LongCat Sparse Attention (LSA): เป็นวิวัฒนาการของกลไก Sparse Attention (DSA) ของ DeepSeek LSA แก้ปัญหาคอขวดด้านเวลาแฝงในตัวจัดทำดัชนีผ่านการปรับประสิทธิภาพสามแบบที่เป็นอิสระต่อกัน ได้แก่ Flow-aware Indexing, Cross-layer Indexing และ Hierarchical Indexing — ออกแบบมาเพื่อเร่งการประมวลผลบริบทยาว โดยไม่ลดทอนคุณภาพโมเดล

2. MOPD (Multi-Objective Process Decoding): โมเดลจัดกลุ่มผู้เชี่ยวชาญออกเป็นสามกลุ่มเฉพาะ — Agent, Reasoning และ Interaction — โดยมีเกตเราท์เตอร์ที่ส่งแต่ละ Token ไปยังกลุ่มที่เหมาะสมตามประเภทงาน

การเข้าถึงและการใช้งาน

นักพัฒนาและนักวิจัยสามารถเข้าถึง LongCat-2.0 ได้ภายใต้ไลเซนส์ MIT ที่ผ่อนปรน น้ำหนักโมเดล โค้ด Inference และเอกสารประกอบพร้อมให้ใช้งานบน GitHub, Hugging Face และเว็บไซต์ LongCat อย่างเป็นทางการ นอกจากนี้ยังมี API และเดโมออนไลน์แบบโต้ตอบให้บริการอีกด้วย