Tuesday, November 17, 2026
AI 인프라 · 뉴스 & 분석
홈 › 반도체·하드웨어 › 리포트
반도체·하드웨어 · 리포트

Meituan가 LongCat-2.5의 가중치를 공개했다. 이 1.6조 파라미터 규모의 에이전트 모델은 전적으로 중국산 하드웨어에서 학습되었으며, Nvidia GPU는 전혀 사용되지 않았다.

트릴리언 파라미터급 모델이 엔비디아 실리콘 없이 학습되었다는 사실은 국산 가속기 스택이 대규모 학습 작업을 지원할 수 있음을 보여주며, 이는 수출 통제 및 중국 컴퓨팅 수요 전망과 관련해 중요한 의미를 갖는다.
업계 전문지Slicast · 2026년 11월 15일 10:06 UTC · 글로벌 · 출처: The Decoder
중요도 68

Meituan가 LongCat-2.5의 가중치를 공개했습니다. 이 모델은 AI 에이전트를 위해 만들어진 1.6조 파라미터 규모의 모델로, 공식 발표 일주일 만에 공개되었습니다. 중국 음식 배달 기업 Meituan의 LongCat 팀은 이 모델을 긴 다단계 작업을 자율적으로 수행하는 에이전트, 특히 코딩 작업을 위해 설계했습니다. Meituan에 따르면 여러 벤치마크에서 최상위 서구 모델들에 근접한 성능을 보입니다.

LongCat-2.5는 전문가 혼합(mixture-of-experts) 모델입니다. 즉, 처리하는 토큰마다 특화된 하위 네트워크 중 일부만 활성화합니다. 총 1.6조 개의 파라미터 중 토큰당 약 480억 개가 활성화됩니다. API를 통해 이 모델은 한 번에 최대 100만 개의 토큰을 처리하고 최대 12만 8천 개의 토큰으로 응답을 생성합니다. 텍스트, 이미지, 비디오를 이해하며, 응답은 텍스트로 제공하고, 사용자가 추론 기능을 켜고 끌 수 있습니다.

## LongCat-2.5는 이미지를 토큰으로 변환합니다

LongCat-2.5는 전작인 LongCat-2.0을 기반으로 이미지 이해 기능을 추가했습니다. 많은 멀티모달 모델은 사후에 별도의 이미지 인코더를 붙입니다. 반면 LongCat-2.5는 오늘날 LLM의 표준적 방식에 따라 이미지를 텍스트와 함께 처리되는 토큰으로 변환합니다. 이 접근법은 연구용 모델 LongCat-Next에서 착안한 것으로, 시각적 코딩, 디자인, 3D 작업의 성능 향상을 목표로 합니다.

*LongCat-2.5는 이미지를 원래 해상도에서 분해하여 텍스트와 함께 처리되는 이산 토큰으로 만듭니다.*

강화학습에는 GitHub 풀 리퀘스트에서 가져온 실제 소프트웨어 작업과 재현된 에이전트 실패 사례가 사용되었습니다. 모델이 학습 중 실제로 작업을 해결하도록 보장하기 위해, 개발자들은 학습 환경의 인터넷 접속을 차단하고, Git 이력과 캐시 파일을 제거했으며, 언어 모델을 활용해 해결책에 편법이 있는지 검사했습니다. 팀은 또한 에이전트 작업, 추론, 대화를 위한 여러 특화된 교사 모델의 역량을 LongCat-2.5에 증류(distill)했습니다.

*Meituan은 실제 GitHub 저장소에서 학습 작업을 생성하고, 샌드박스에서 웹 검색이나 Git 이력 같은 편법을 차단합니다.*

## 샘플 배포는 화웨이 칩 194개에서 실행됩니다

Meituan은 전문가 가중치와 활성값을 4비트 정밀도로 양자화했는데, 이는 중국산 칩이 기본적으로 처리할 수 있는 형식입니다. Meituan의 부하 테스트에서 8비트 버전과 비교했을 때 프롬프트 처리 처리량은 43.3퍼센트, 응답 생성 처리량은 42.77퍼센트 증가했습니다. Meituan은 정확도가 압축되지 않은 모델과 동등한 수준을 유지한다고 밝혔습니다.

이 버전은 별도의 저장소에서 제공됩니다. 자체 호스팅 가이드는 Atlas A2 시리즈의 화웨이 Ascend 가속기 194개로 구성된 클러스터를 설명합니다. 이 중 2개는 이미지 처리를, 64개는 프롬프트 입력을, 128개는 응답 생성을 담당합니다. 이 가이드에는 Nvidia GPU에 대한 설명이 없습니다.

## LongCat-2.5는 터미널 작업에서 Opus 5에 약간 뒤처집니다

LongCat 팀은 명령줄 작업에서 에이전트가 얼마나 잘 해결하는지 측정하는 벤치마크인 Terminal Bench v2.1에서 88.4점을 기록했다고 보고했습니다. Meituan의 표에서 Claude Opus 5는 89.1점, GPT-5.6 Sol은 88.8점이며, DeepSeek-V4.1-Flash가 90.6점으로 선두입니다.

DeepSWE는 모델이 실제 코드 저장소에서 버그를 얼마나 잘 수정하는지 평가합니다. 여기서 LongCat-2.5는 9.7점에서 64.6점으로 크게 뛰어올랐으며, 표에서 Claude Opus 4.8을 제외한 다른 모든 모델보다 뒤처집니다. DeepSeek-V4.1-Flash가 74.2점으로 선두이고, GPT-5.6 Sol이 72.7점으로 뒤를 잇습니다. 더 최신 모델인 Claude Opus 5.5와 GPT-6.1 Sol은 표에 포함되지 않았습니다.

*Meituan의 자체 평가에서 LongCat-2.5는 전작 대비 크게 향상되었으며, 여러 에이전트 벤치마크에서 Claude Opus 5 및 GPT-5.6 Sol에 근접합니다.*

더 어려운 변형인 Terminal Bench v4.0에서 LongCat-2.5는 38.5점을 기록해 GPT-5.6 Sol의 37.3점보다 약간 높지만, Opus 5의 53.9점에는 크게 못 미칩니다. 이 모델은 웹 검색 벤치마크인 BrowseComp에서 91.9점을 받아 표에서 가장 높은 점수를 기록했습니다. 다만 Meituan이 자체 환경에서 이 테스트를 실행했다는 점을 유의해야 합니다.

가중치는 상업적 이용, 수정, 재배포를 허용하는 MIT 라이선스로 제공됩니다. 사용자는 https://longcat.ai/ 의 채팅 인터페이스에서도 LongCat-2.5를 써 볼 수 있습니다. API는 OpenAI와 Anthropic 형식을 모두 지원하며, Claude Code, Codex, Hermes 같은 에이전트 하네스와 호환됩니다. 출시 기념으로 Meituan은 한정 기간 프로모션 가격으로 백만 입력 토큰당 약 0.27유로, 백만 출력 토큰당 약 1.07유로를 책정했습니다.

Meituan은 전작인 LongCat-2.0을 6월 말에 전적으로 50,000개 이상의 중국산 AI 칩 클러스터에서 학습시켰다고 밝혔습니다. 공식 공개 전, 이 모델은 OpenRouter에서 "Owl Alpha"라는 익명 이름으로 운영되었습니다. Kimi K3.1, GLM-5.3 같은 중국의 오픈 가중치 모델들은 일반 벤치마크에서 미국 최상위 모델들을 대부분 따라잡았습니다.

Meituan은 멀티모달 에이전트 모델 외에도 이미지 생성기를 개발하고 있습니다. 이 회사는 이전에 텍스트-이미지 오픈소스 모델 LongCat-Image를 공개했는데, 이 모델은 60억 개의 파라미터만 사용하며 모델 규모보다 효율성을 우선시합니다.

원문 보기
Meituan가 LongCat-2.5의 가중치를 공개했다. 이 1.6조 파라미터… · Slicast