- 롱캣 2.0은 총 1.6T 파라미터 오픈 MoE 모델로, 토큰당 약 48B 파라미터를 활성화하는 구조로 분석됩니다.
- 네이티브 1M 토큰 컨텍스트를 지원하며, 자체 개발한 롱캣 스파스 어텐션이 핵심 컴포넌트로 사용됩니다.
- 학습과 서빙이 중국산 AI ASIC 수퍼팟 기반으로 종단간 실행되어, GPU 의존을 줄이려는 전략이 드러납니다.
단순 신모델이 아니라 오픈 MoE, 1M 네이티브 컨텍스트, 중국산 ASIC 스택이 한 묶음으로 결합된 첫 번째 사례에 가깝다는 점에서 업계 시그널이 큽니다.
2026년 7월, MarkTechPost 보도에 따르면 메이퇀이 롱캣 2.0을 공개했습니다. 1.6T 파라미터의 오픈 MoE 모델로, 토큰당 약 48B를 활성화하면서 네이티브 1M 컨텍스트 길이를 제공한다는 점이 핵심입니다. 이번 출시는 단순한 모델 버전업이 아니라 오픈소스 LLM 경쟁과 중국 내 인프라 흐름이 교차하는 지점에 놓여 있어 분량이 아니라 구조의 변화를 읽을 필요가 있습니다.
롱캣 2.0, 무엇이 달라졌나
롱캣 2.0은 메이퇀이 공개한 오픈 MoE 모델입니다. 기존의 LLM과 비교했을 때 가장 눈에 띄는 차이는 세 가지, 즉 파라미터 규모, 활성화 방식, 그리고 컨텍스트 길이입니다. 아래 표는 공개된 주요 사양을 정리한 것입니다.
| 항목 | 수치 또는 구성 |
|---|---|
| 모델명 | LongCat-2.0 |
| 총 파라미터 | 1.6T (1.6조) |
| 활성화 파라미터 | 토큰당 약 48B |
| 네이티브 컨텍스트 | 1,000,000 토큰 (1M) |
| 어텐션 메커니즘 | LongCat Sparse Attention |
| 모델 유형 | Mixture-of-Experts (MoE) |
| 배포 주체 | Meituan |
| 학습·서빙 인프라 | 중국산 AI ASIC 수퍼팟 (domestic AI ASIC superpods) |
1.6T 파라미터와 토큰당 48B 활성화의 의미
총 1.6T라는 수치는 단일 GPU로 다루기 어려운 규모입니다. 그러나 MoE 구조에서는 추론 시 전체 파라미터가 아닌 일부 전문가 네트워크만 활성화되는데, 롱캣 2.0은 토큰당 약 48B만 사용하도록 설계된 것으로 분석됩니다. 이는 거대 모델의 표현력과 dense 모델에 가까운 추론 비용을 양립하려는 시도로 읽힙니다. 결과적으로 학습 단계에서는 모델 용량을 극단적으로 키우되, 실제 응답 생성에서는 상수 수준 자원으로 제어하겠다는 전략이 엿보입니다.
1M 네이티브 컨텍스트를 가능하게 한 롱캣 스파스 어텐션
1M 컨텍스트는 RAG 같은 우회 없이도 대규모 코드베이스, 장문 보고서, 다회차 에이전트 로그를 한 번에 입력에 담을 수 있다는 점에서 의미가 큽니다. 이를 위해 롱캣 2.0은 자체 개발한 롱캣 스파스 어텐션을 핵심 컴포넌트로 채택했습니다. 모든 토큰 쌍에 대해 어텐션을 계산하는 표준 방식과 달리, 스파스 어텐션은 일부 구간 또는 일부 헤드만 선택적으로 연산해 비용을 통제합니다. 1M 컨텍스트를 GPU 한정 자원에서 합리적인 비용으로 처리하기 위한 핵심 선택으로 보입니다.
학습과 서빙을 종단간 지탱한 인프라
모델 자체만큼이나 눈에 띄는 부분은 학습과 서빙 스택입니다. 보도에 따르면 롱캣 2.0은 중국산 AI ASIC 수퍼팟 기반으로 종단간 실행되었습니다. 즉, 데이터 전처리부터 학습, 추론 서빙까지 한 종류의 칩 위에서 일관되게 흐르도록 구성된 것으로 분석됩니다.
중국산 AI ASIC 수퍼팟을 선택한 배경
글로벌 LLM 개발에서는 여전히 NVIDIA GPU가 사실상 표준 스택입니다. 그러나 메이퇀이 ASIC 수퍼팟을 선택한 것은 두 가지 요인으로 해석됩니다. 첫째, 공급망 안정성입니다. 고성능 GPU 확보 경쟁이 심화될수록 일정이 모델 성능만큼 중요한 변수가 됩니다. 둘째, 단가와 전력 효율입니다. 1.6T 모델을 학습하고 운영하려면 칩 단가와 데이터센터 운영비가 직접적인 영향을 주기 때문에, 자체 ASIC 최적화가 매력적인 선택지가 됩니다.
GPU 의존을 줄이려는 중국 LLM 업계 흐름
롱캣 2.0의 사례는 개별 기업의 선택을 넘어 업계 전체 방향성을 보여줍니다. 중국 LLM 생태계는 이미 학습과 추론에서 GPU 비중을 점진적으로 낮추고, 자국산 NPU나 ASIC 비중을 확대해 왔습니다. 롱캣 2.0은 그 흐름 안에서 오픈 모델의 형태로도 동일한 전략을 공개 시연한 점에서 상징적입니다.
공개 접근성과 성능 평가
롱캣 2.0은 오픈 MoE 모델로 분류됩니다. 이는 가중치와 추론 코드가 공개되어 외부에서도 재현과 검증이 가능하다는 의미입니다. 동시에 오픈 모델일수록 공급사 자체 벤치마크와 제3자 검증 사이의 격차가 쟁점이 됩니다.
오픈 MoE로 풀린 API와 가중치 경로
오픈 MoE라는 공개 형태는 두 가지 경로를 동시에 제공합니다. 첫째, 메이퇀이 운영하는 API 또는 데모를 통한 즉시 사용 경로입니다. 둘째, 가중치를 받아 자체 인프라에서 직접 배포하는 경로입니다. 후자의 경우 중국산 ASIC에 최적화된 구성이 표준이 될 가능성이 있어, 모델-하드웨어 결합이 사실상 표준 레퍼런스가 될 여지가 있습니다.
공급사 벤치마크와 제3자 검증 사이의 격차
기사에서 인용되는 성능 수치는 공급사 발표 기준입니다. 1M 컨텍스트 유지율, 장문 요약 정확도, 에이전트 작업 성공률 같은 지표는 독립 평가가 축적되기 전까지는 신중하게 해석할 필요가 있습니다. 업계에서는 오픈 가중치 출시 후 수주 내외로 커뮤니티 평가가 공개되는 경우가 많으므로, 초기 수치는 참고용으로 보고 추세 변화를 추적하는 편이 안전합니다.
업계에 던지는 시그널
롱캣 2.0은 모델 자체보다 결합된 전략의 시그널이 더 크게 읽힙니다. 오픈 MoE, 1M 네이티브 컨텍스트, 중국산 ASIC 종단간 스택이라는 세 축이 한 번에 등장한 것은 이번이 거의 처음에 가깝습니다.
오픈소스 LLM 경쟁에서의 포지셔닝
오픈소스 LLM 시장은 이미 한국과 미국, 유럽의 모델이 두터운 생태계를 형성하고 있습니다. 롱캣 2.0은 그 경쟁 안에 중국 플랫폼 기업이 직접 진입하면서, 오픈 라이선스와 자국 인프라 최적화를 동시에 내세우는 새로운 포지션을 보여줍니다. 이는 글로벌 오픈 모델 선택지를 넓히지만, 동시에 하드웨어 종속성이라는 새로운 기준을 함께 가져옵니다.
장문 컨텍스트와 에이전트 워크로드에 대한 함의
1M 네이티브 컨텍스트가 안정적으로 동작하면 가장 큰 수혜 영역은 에이전트 워크로드입니다. 도구 호출 기록, 코드베이스, 다단계 프롬프트 로그를 한 컨텍스트 안에서 유지하기 쉬워지기 때문입니다. RAG와 프롬프트 엔지니어링 중심이었던 기존 파이프라인이 모델 한 번의 호출로 단순화될 가능성이 생깁니다. 다만 실제 효용은 비용, 지연 시간, 환각 감소폭과 함께 평가되어야 하므로, 도입 판단은 파일럿 단계에서 검증하는 것이 합리적으로 보입니다.
정리하면
- 롱캣 2.0은 1.6T 총 파라미터와 토큰당 48B 활성화로 구성된 오픈 MoE 모델입니다.
- 네이티브 1M 컨텍스트와 롱캣 스파스 어텐션의 결합이 장문 처리 비용을 통제하는 핵심입니다.
- 중국산 AI ASIC 수퍼팟 종단간 스택은 GPU 의존을 줄이려는 업계 흐름의 상징적 사례로 분석됩니다.
- 공급사 발표 성능과 제3자 검증 사이의 격차를 감안해, 도입 전 파일럿 검증이 권장됩니다.