LongCat-2.0 완전 오픈소스 공개, GPT 및 Claude에 도전장

중국의 거대 기술 기업인 Meituan은 MIT License 하에 LongCat-2.0을 완전히 오픈소스로 공개한다고 발표했습니다. 이 라이선스는 누구나 거의 제한 없이 사용, 수정 및 확장할 수 있도록 허용합니다. 이는 모델 가중치 (Model Weights)를 공개할 뿐만 아니라, GPU 및 NPU 모두에서 모델을 실행하기 위한 추론 코드 (Inference Code)까지 공개했다는 점에서 오픈소스 AI 업계의 또 다른 중요한 진전으로 평가받습니다.

LongCat-2.0은 총 1.6조 개의 파라미터 (1.6T Parameters) 규모를 가진 전문가 혼합 (Mixture of Experts, MoE) 모델입니다. 하지만 각 토큰 (Token) 생성 시 약 480억 개의 파라미터만을 선택적으로 사용하여, 대규모 모델의 성능을 유지하면서도 모든 파라미터를 동시에 사용해야 하는 밀집 (Dense) 모델에 비해 연산 비용을 크게 절감했습니다.

또 다른 흥미로운 특징은 100만 토큰 (1M Tokens) 크기의 컨텍스트 윈도우 (Context Window)를 지원한다는 점입니다. 이를 통해 모델은 대규모 코드, 문서 또는 프로젝트를 한 번에 읽고 이해할 수 있어, 파일 양이 많은 기업용 소프트웨어 개발 작업에 적합합니다. LongCat은 방대한 컨텍스트 처리를 효율적으로 확장할 수 있도록 설계된 LongCat Sparse Attention 기술을 사용합니다. 선형 스케일링 (Linear Scaling) 방식의 희소 주의 집중 (Sparse Attention) 기법을 통해, 일반적인 모델들과 달리 데이터의 길이를 늘리면서도 속도를 희생하지 않아도 됩니다.

LongCat-2.0은 또한 처음부터 AI 에이전트 (AI Agent)와 협업할 준비가 된 에이전트 네이티브 (Agent-native) 개념으로 설계되었습니다. Claude Code, OpenClaw, Hermes Agent와 같은 인기 도구들과 직접 연결될 수 있어, AI가 단순히 질문에 답하는 것을 넘어 도구를 사용하고, 계획을 세우며, 다단계 작업을 수행하고, 자신의 답변을 체계적으로 검증할 수 있도록 돕습니다.

모델 내부에는 MOPD (Multi-Objective Progressive Decoding)라고 불리는 아키텍처가 포함되어 있습니다. 이 아키텍처는 도구 사용 (Tool Use), 논리적 추론 (Reasoning), 상호작용 (Interaction), 자기 수정 (Self-correction) 또는 STEM 문제 해결 등 각 작업 유형에 적합한 전문가 그룹 (Experts)을 선택하는 역할을 합니다. 그 결과, 모델은 작업의 특성에 맞춰 사고 방식을 최적화할 수 있어, 전체 작업 과정 동안 단일 구조를 사용하는 모델보다 더 뛰어난 성능을 발휘합니다.

성능 측면에서 LongCat-2.0은 여러 프로그래밍 벤치마크 (Benchmark)에서 뛰어난 성과를 보여주었습니다. 특히 실제 코드를 통한 문제 해결 능력을 테스트하는 SWE-bench Pro에서 59.5점을 기록하며, Gemini 3.1 Pro, GPT-5.5, Claude Opus 4.6과 같은 여러 선도적인 모델들을 능가했습니다. 또한, 커맨드 라인 (Command Line) 사용 능력을 측정하는 Terminal-Bench 2.1에서 70.8점을, 다국어 코드 작업 능력을 평가하는 SWE-bench Multilingual에서 77.3점을 기록했습니다.

이러한 능력의 배경에는 35조 개 이상의 토큰 (35T+ Tokens) 데이터를 사용하여 모델을 처음부터 사전 학습 (Pretrained from Scratch) 시킨 과정이 있습니다. 이는 LongCat가 단순히 기존 모델을 미세 조정 (Fine-tuning)한 것이 아니라, 방대한 데이터를 바탕으로 완전히 새로운 모델을 구축했음을 의미합니다.

아키텍처 측면에서 LongCat는 Zero-compute Experts와 결합된 ScMoE (Sparse Computation Mixture of Experts) 기술을 사용합니다. 이를 통해 각 토큰 (Token) 마다 활성화되는 파라미터 (Parameter) 수를 작업의 복잡도에 따라 약 33B~56B 파라미터 사이에서 동적으로 조절할 수 있으며, 이는 효율성과 자원 사용의 경제성을 모두 높여줍니다.

또 다른 흥미로운 점은 GPU와 NPU 모두 설치를 지원한다는 것입니다. 대규모 컴퓨팅 클러스터에서 테스트를 마친 LongCat-2.0은 기존의 데이터 센터뿐만 아니라 중국에서 인기를 끌고 있는 차세대 AI 하드웨어에서도 활용될 수 있습니다.

이번 오픈소스 공개는 AI 시장의 경쟁이 폐쇄형 모델 구축에서 더 개방적인 생태계 구축으로 전환되고 있다는 중요한 신호입니다. 개발자, 연구자 및 기업들은 모델, 모델 가중치 (Weights), 그리고 실행 코드를 즉시 다운로드할 수 있으며, MIT License에 따라 자유롭게 추가 개발하거나 상업적으로 이용할 수 있습니다.

따라서 LongCat-2.0은 단순한 거대 AI 모델을 넘어, AI 에이전트 (AI Agent), 백만 토큰 수준의 컨텍스트 (Context), 그리고 기업용 오픈소스라는 업계의 새로운 트렌드를 반영하고 있습니다. 이는 향후 AI 모델 경쟁을 더욱 치열하고 개방적으로 만드는 핵심 요인 중 하나가 될 것입니다.

출처(Source): https://t.co/kvqhbOzMRs
블로그(Blog): https://t.co/pjykF7D4ZR
추론 코드(Inference Code)
GPU: https://t.co/zjent5Vavh
NPU: https://t.co/tJBDc9DNoe
HuggingFace: https://t.co/iO2HhPcRvv
GitHub: https://t.co/LKJKNgOYTL
ModelScope: https://t.co/Z2JMw3dfEO
참고(Reference): https://t.co/msjznKtaOP
[image: https://pbs.twimg.com/media/HMeyDEcawAAB8Gi.jpg