메이퇀, 1.6조 매개변수 멀티모달 모델 '롱캣-2.5' 공개

메이퇀(Meituan)이라고 하면 보통 음식 배달이나 O2O 플랫폼을 먼저 떠올리지만, 이들이 개발한 최신 AI 모델은 이미 세계적인 수준에 근접해 있습니다.

메이퇀은 장기 자율 에이전트 작업에 특화된 차세대 네이티브 멀티모달 모델 'LongCat-2.5'를 공식 발표했습니다. 총 매개변수는 무려 1.6조 개에 달하며, MoE(Mixture-of-Experts) 구조를 채택해 추론 시 토큰당 약 480억 개 파라미터만 활성화합니다. 가장 주목할 점은 이 거대한 모델의 전체 학습이 전적으로 중국산 자체 가속기 인프라 위에서 완료되었다는 사실입니다.

현재 longcat.ai 공식 웹사이트에서 즉시 챗봇 형태로 체험해볼 수 있으며, API도 함께 개방되었습니다. 깃허브와 허깅페이스 페이지는 준비 중으로 표기되어 있어 이전 버전들과 마찬가지로 추후 오픈소스로 공개될 가능성이 큽니다.

이미지 한 장으로 물리 시뮬레이션 웹 제작

기존 멀티모달 모델들이 텍스트 모델에 비전 인코더를 덧붙이던 방식과 달리, LongCat-2.5는 시각 정보를 여러 단계의 이산 토큰으로 변환해 텍스트와 완전히 동일한 차원에서 처리합니다.

이러한 네이티브 구조는 비주얼 코딩(Visual Coding)에서 강력한 위력을 발휘합니다. 디자인 시안이나 이미지를 입력하면 사실적인 유체 역학 시뮬레이션과 물리 충돌 효과가 포함된 인터랙티브 웹페이지를 즉시 코드로 작성해 내며, 3D 전시 인터페이스도 손쉽게 구현합니다.

소프트웨어 엔지니어링 에이전트 능력도 대폭 강화되었습니다. 학습 과정에서 최대 100만 토큰에 이르는 장기 시퀀스를 투입해 대규모 코드베이스를 다루도록 훈련했습니다. 강화학습 환경에서는 모델이 얕은수를 쓰지 못하도록 네트워크 연결을 끊고 히스토리를 초기화했으며, 불필요한 반복 사고나 과도한 길이 확장을 억제하는 페널티를 적용했습니다.

메이퇀이 공개한 벤치마크 결과에 따르면, 이 모델은 Claude-Opus-4.8과 Claude-Opus-5 사이에 위치하는 성능을 보여주며 일부 에이전트 평가에서는 Claude-Opus-5를 넘어서기도 했습니다.

80GB 미만 칩셋으로 일궈낸 인프라 최적화

단일 가속기 메모리가 80GB에도 미치지 못하는 하드웨어 환경에서 1.6조 파라미터 규모의 MoE를 훈련하고 구동하는 것은 상당한 공학적 도전입니다.

메이퇀은 슈퍼노드 내부의 초고속 인터커넥트 대역폭을 최대한 활용하도록 분산 병렬 전략을 짰습니다. 또한 이미지 토큰을 사전에 오프라인으로 분할 계산해 학습 중 비전 연산 부하를 덜어냈습니다. 공식 기술 블로그에 따르면 장기 시퀀스 지도미세조정(SFT)에서 단일 카드 처리량이 기존 DDP 대비 86%나 향상되었습니다.

추론 단계에는 가중치와 활성화 함수를 모두 4비트로 줄인 W4A4 양자화 기법을 도입했습니다. 기존 W8A8 대비 처리 처리량은 약 40% 늘었고, 첫 토큰 응답 시간은 16%, 토큰당 생성 지연 시간은 20% 단축되었습니다.

이는 "단순한 토큰 공장이 되지 않겠다"는 왕싱(Wang Xing) CEO의 기조와도 직결됩니다. 모델은 메이퇀의 가맹점 관리 솔루션인 '묘수(妙手)'에 도입되어, 결제 GMV는 23.2% 증가했지만 이익은 1.7% 감소한 매장의 데이터를 진단하고 재고 재배치 전략을 제시하는 등 실제 비즈니스 의사결정을 돕고 있습니다.

왜 중요한가

개발자 관점에서 LongCat-2.5는 최첨단 외산 칩셋이 없더라도 정교한 시스템 엔지니어링과 아키텍처 최적화가 뒷받침된다면 최고 수준의 코딩 에이전트를 만들어낼 수 있음을 증명한 사례입니다.

복잡한 웹 인터페이스를 시각 자료로부터 바로 코딩해 내거나 장기 프로젝트 단위로 코드를 수정해야 하는 개발자라면, 현재 공개된 웹 버전이나 API를 통해 모델의 반응성과 코드 완성도를 직접 검증해 볼 가치가 충분합니다.

업계 전반으로 보면 메이퇀의 실용주의적 접근이 돋보입니다. 막연한 범용 대화형 모델 경쟁에 매몰되지 않고, 장기 소프트웨어 개발과 소상공인 경영 진단이라는 명확한 실수요에 자원을 집중했습니다. 컴퓨팅 제약 속에서 하드웨어 효율을 극한으로 끌어올리고 이를 실질적인 수익 창출 파이프라인과 결합한 전략은 향후 엔터프라이즈 AI가 나아가야 할 방향을 잘 보여줍니다.