메이퇀, 중국산 칩으로 학습한 1.6조 파라미터 LongCat-2.0 오픈소스 공개

메이퇀의 LongCat-2.0은 엔비디아 GPU 없이 중국 자체 ASIC 5만 개만으로 프런티어 AI를 학습할 수 있음을 입증했다.

메이퇀의 LongCat-2.0은 중국 자체 ASIC만으로 전 과정을 학습한 1.6조 파라미터 오픈소스 모델로, 엔비디아 GPU가 더 이상 프런티어 규모 학습에 필수적이지 않다는 점을 입증함으로써 글로벌 AI 하드웨어 공급망을 재편할 잠재력을 지니고 있다.

"LongCat-2.0은 첨단 서양 GPU에 접근할 수 없어도 프런티어에 준하는 AI 성능을 달성할 수 있음을 보여줍니다,"라고 메이퇀의 창립자 겸 최고경영자 왕싱은 성명을 통해 밝혔다.

이 모델은 토큰당 평균 480억 개의 파라미터를 활성화하며(쿼리 복잡도에 따라 330억~560억 개 범위), 100만 토큰의 컨텍스트 윈도우를 지원한다. SWE-bench Pro에서는 59.5점을 기록해 OpenAI의 GPT-5.5(58.6점)를 앞질렀으나, 더 광범위한 에이전트 벤치마크에서는 Anthropic의 Claude Opus 4.8에 뒤처진다. 표준 API 가격은 입력 토큰 100만 개당 0.75달러, 출력 토큰 100만 개당 2.95달러로 책정됐으며, 한시 프로모션을 통해 각각 0.30달러와 1.20달러로 인하했다. 이는 GPT-5.5의 100만 토큰당 5달러(입력) 및 30달러(출력)보다 크게 낮은 수준이다.

이번 출시는 워싱턴이 최고급 미국 모델에 대한 접근을 제한하면서 OpenAI가 GPT-5.6 접근을 제한하고 Anthropic이 Claude Fable 5를 오프라인으로 전환하라는 명령을 받은 상황에서 이뤄졌다. 폐쇄된 서양 연구소들로 인해 상승하는 API 비용에 직면한 글로벌 개발자들에게 LongCat-2.0은 더 저렴하고 개방적인 라이선스 대안을 제공한다. 또한 엔비디아 입장에서는 중국의 연간 100억 달러 이상 GPU 조달 파이프라인이 자국산 실리콘과 구조적 경쟁에 직면할 수 있음을 시사한다.

메이퇀이 자국산 실리콘으로 1조 파라미터 모델을 구축한 방법

학습 클러스터는 5만 개 이상의 국내 생산 ASIC으로 구성됐으며, 슈퍼포드로 조직돼 화웨이의 Collective Communication Library를 사용해 칩 간 조정을 관리했다. 이는 엔비디아의 NCCL 소프트웨어 스택을 직접 대체한 것이다. 메이퇀은 35조 개 이상의 토큰에 걸친 사전 학습 과정이 "롤백이나 복구 불가능한 손실 스파이크 없이" 완료됐다고 밝혔는데, 이는 검증되지 않은 하드웨어에서 대규모 학습이 중간에 실패하는 경우가 빈번하다는 점에서 중요한 안정성 기록이다. 비교하자면, DeepSeek의 V4-Pro는 사전 학습은 엔비디아 하드웨어에서 실행하고 추론에만 화웨이 칩을 사용했는데, 이는 LongCat-2.0이 학습과 추론 모두를 중국 자체 가속기로 완료한 최초의 1조 파라미터 모델임을 의미한다.

아키텍처는 Mixture-of-Experts 설계에 LongCat Sparse Attention을 적용했다. 이는 DeepSeek의 희소 어텐션 메커니즘을 발전시킨 것으로, 세 가지 기법을 통해 2차 점수 계산 비용을 해결한다: 통합 메모리 접근을 위한 스트리밍 인식 인덱싱, 인접 레이어 간 계산 비용을 분할하는 교차 레이어 인덱싱, 그리고 조대-세밀 2단계 점수 배치를 적용하는 계층적 인덱싱이다. N-gram 임베딩 모듈은 5-그램 토큰 조합 프레임워크에 1,350억 개의 파라미터를 추가해 코어 임베딩 공간을 약 100배 확장하며, 메모리 입출력 병목 현상을 줄이면서 모델이 조밀한 로컬 토큰 관계를 포착할 수 있게 한다.

학습 후, 메이퇀은 전문가 혼합을 통한 다중 교사 최적화 프레임워크를 적용해 사후 학습을 세 개의 독립적 클러스터로 분할했다: 도구 호출 및 자가 수정 루프를 담당하는 에이전트 전문가, 다중 홉 논리 및 수학을 담당하는 추론 전문가, 인간 정렬 및 안전 가드레일을 담당하는 상호작용 전문가. 동적 게이트 라우팅 메커니즘이 런타임에 이러한 특화된 행동들을 융합해, 모델이 심층 추론, 안정적인 도구 실행, 안전한 상호작용을 동시에 조정할 수 있게 한다.

서양 경쟁사보다 낮은 가격 책정

메이퇀의 상업적 전략은 서양 연구소들이 가격 인상을 통해 포기한 비용 민감형 개발자 시장을 겨냥한다. 컨텍스트 캐시 적중 시에는 무료로 처리되는데, 이는 모델이 동일한 수백만 토큰 규모의 코드 저장소를 반복적으로 읽는 에이전트 코딩 워크플로우의 경제성을 변화시키는 기능이다. 캐시 미적중의 경우, 한시 프로모션 가격인 입력 토큰 100만 개당 0.30달러, 출력 토큰 100만 개당 1.20달러는 DeepSeek V4-Pro의 영구 가격(0.435달러, 0.87달러)과 샤오미 MiMo-V2.5 Flash의 가격(0.10달러, 0.30달러)에 근접한다. 표준 가격인 0.75달러와 2.95달러도 20만 토큰 미만 컨텍스트 윈도우 기준 구글 Gemini 3.1 Pro Preview의 2달러와 12달러보다 여전히 낮다.

이 모델은 Owl Alpha라는 가명으로 두 달간 OpenRouter에서 익명으로 운영됐으며, 월간 약 10.1조 개의 토큰을 처리해 전월 대비 242% 급증하며 플랫폼 글로벌 3위에 올랐다. 메이퇀이 정체를 밝힐 당시, 이 모델은 Hermes Agent 워크스페이스에서 1위, Claude Code 배포에서 2위, OpenClaw 환경 전반에서 3위를 차지했다. Terminal-Bench 2.1에서는 70.8점, SWE-bench Multilingual에서는 77.3점을 기록했으며, 일반 기업 워크플로우 시뮬레이터 FORTE에서는 73.2점으로 Claude Opus 4.6과 동률을 이뤘지만 GPT-5.5의 77.8점에는 뒤처졌다.

투자 관점

투자자들에게 이번 사태는 양방향으로 시사하는 바가 있다. 엔비디아 주식은 CUDA 소프트웨어 및 하드웨어 리더십이 무적이라는 가정 하에 높은 배수로 거래되고 있지만, 이제 경쟁력 있는 성능을 더 낮은 비용으로 제공하는 중국 ASIC 클러스터의 신뢰할 만한 도전에 직면했다. 한편 메이퇀은 7억 7,000만 명의 연간 거래 사용자를 보유한 음식 배달 슈퍼앱에서 기초 AI 인프라 제공업체로 변모했으며, 이는 핵심 물류 사업을 넘어 새로운 수익원을 창출할 수 있는 전환점이 될 수 있다. 회사는 학습 클러스터의 총 비용을 공개하지 않았지만, 5만 대의 자국산 가속기를 대규모로 성공적으로 배치한 것은 중국의 AI 칩 부문이 소수의 서양 분석가들만이 예상했던 성숙도에 도달했음을 시사한다. 애널리스트 위천 진이 X에서 지적했듯이, 이러한 발전은 엔비디아 최고경영자 젠슨 황이 GPU 수출 통제가 "중국을 막지 못할 것——중국 칩에서 작동하는 AI 개발을 가속화할 뿐"이라고 말한 것과 일맥상통한다.

본 기사는 정보 제공 목적으로만 작성되었으며 투자 조언을 구성하지 않습니다.