메이투안 LongCat-2.0 공개: 국산 칩 5만 장으로 학습한 1.6조 코딩 모델

중국 메이투안은 2026년 6월 30일 오픈소스 코딩 모델 LongCat-2.0을 공개했다. LongCat-2.0은 1.6조 파라미터 규모의 전문가혼합(MoE) 모델로, 미국산 가속기 없이 국산 칩 5만 장 클러스터에서 밑바닥부터 학습됐다. 에이전트 코딩에 특화됐고 100만 토큰 맥락창을 지원하며, 허깅페이스 meituan-longcat 조직 계정에 공개됐다. ASAP은 크립토브리핑과 로이터 1차 보도를 바탕으로 직답형으로 정리한다.

하드웨어 자립이라는 진짜 헤드라인

메이투안은 LongCat-2.0을 국산 칩 5만 장 규모 클러스터에서 밑바닥부터 학습했다고 2026년 6월 30일 밝혔다. 크립토브리핑에 따르면 학습에는 엔비디아 A100·H100이나 AMD MI300X 같은 미국 수출제한 가속기가 전혀 쓰이지 않았다.

이 뉴스의 무게중심은 모델 성능이 아니라 학습 인프라에 있다. 그동안 중국 대형 모델도 추론이나 미세조정 단계는 국산 칩으로 돌렸지만, 밑바닥 학습까지 국산 하드웨어만으로 마쳤다고 공개적으로 못 박은 사례는 드물었다. 수출통제가 조여드는 국면에서 이 선언 자체가 협상 카드에 가깝다.

1.6조 파라미터를 어떻게 읽어야 하나

LongCat-2.0은 1.6조 파라미터 전문가혼합 구조로, 토큰마다 330억~560억 파라미터를 동적으로 활성화한다. 최대 100만 토큰 입력을 받아 초장문 문서와 대형 코드베이스를 다룰 수 있다.

항목	값
공개일	2026년 6월 30일
전체 파라미터	1.6조 (MoE)
토큰당 활성	330억~560억
맥락창	100만 토큰

숫자를 오해하지 않는 것이 중요하다. 1.6조는 저장된 지식의 총량이고, 실제 한 번의 추론에 도는 것은 그 3% 안팎인 330억~560억뿐이다. 즉 몸집은 거대하지만 실행 비용은 중형 모델급으로 눌러 놓은 구조다. 국산 칩의 개당 성능이 최상위 GPU에 못 미쳐도 규모로 밀어붙일 수 있었던 배경도 여기에 있다.

벤치마크 성적과 신뢰 구간

메이투안은 LongCat-2.0이 코딩 벤치마크 SWE-bench Pro에서 59.5점, Terminal-Bench에서 70.8점을 기록했다고 발표했다. 메이투안은 일부 코딩·에이전트 벤치마크에서 구글 제미나이, 오픈AI GPT-5.5, 앤트로픽 클로드 오퍼스 같은 선도 상용 모델과 대등하거나 이를 웃돌았다고 주장했다. 벤치마크 수치는 메이투안 발표 기준이며, 독립 검증 결과는 공개 직후 시점에서 아직 정리되지 않았다.

여기서 한 발 물러서 읽어야 한다. 자체 발표 점수는 벤치마크 선택과 측정 조건에 좌우되기 쉽고, 상용 모델과의 비교도 어떤 버전과 붙였는지가 빠져 있다. 오픈소스라는 점이 오히려 검증에 유리하다. 가중치가 공개된 만큼 커뮤니티가 곧 같은 벤치마크를 재현할 것이고, 그 재현치가 나오기 전까지 59.5와 70.8은 참고선으로만 두는 편이 안전하다.

한국 개발자·기업에는 무엇을 의미하나

메이투안은 LongCat-2.0을 허깅페이스 meituan-longcat 조직 계정에서 오픈소스로 내려받을 수 있게 공개했다. 앞서 딥시크 등도 수출통제 국면에서 오픈소스 공개로 개발자 저변을 넓히는 전략을 취해 왔다.

한국 실무자 입장에서 실익은 명확하다. 가중치를 직접 받아 사내 서버에 올릴 수 있으니 코드가 외부 API로 나가지 않고, 100만 토큰 맥락창은 대형 레거시 코드베이스 분석에 바로 쓸모가 있다. 다만 라이선스 조건과 국산 칩 최적화 커널에 대한 종속성은 도입 전 반드시 확인할 부분이다. 딥시크에 이어 이번 공개는 오픈 웨이트 코딩 모델의 선택지를 한 층 더 넓혔다는 점에서, 상용 API 단일 의존을 재검토할 근거가 된다.

---

출처: Crypto Briefing · AOL/Reuters · Hugging Face (2026년 6월 30일 보도)