Репортаж от Wedoany，Китайская компания Meituan 6 июля официально открыла исходный код всех весов модели LongCat-2.0, механизма вывода и ключевой технической документации. В тот же день китайские производители чипов, такие как Huawei Ascend, Moore Threads и Muxi, синхронно завершили адаптацию вывода, способствуя развертыванию и проверке модели с триллионами параметров на отечественных вычислительных платформах.
Ключевая особенность LongCat-2.0 заключается в объединении «отечественной большой модели» и «отечественных вычислительных мощностей» в единую цепочку обучения и вывода. Согласно ранее опубликованной информации Meituan, общее количество параметров модели составляет 1,6 трлн, среднее количество активируемых параметров — около 48 млрд, модель изначально поддерживает сверхдлинный контекст в 1 млн токенов и предназначена для реальных задач Agentic Coding. Весь процесс обучения и вывода модели выполняется на кластере из 50 000 отечественных вычислительных карт, с системной оптимизацией для понимания кода, генерации кода, выполнения задач и обработки длинных документов. В отличие от простого открытия весов модели, одновременное открытие механизма вывода и ключевой технической документации означает, что разработчики и производители чипов могут не только вызывать модель, но и продолжать инженерную оптимизацию в отношении эффективности развертывания, использования видеопамяти, планирования связи и пропускной способности вывода.
Синхронная адаптация отечественных производителей чипов является наиболее примечательной частью этого открытия исходного кода. Компания Moore Threads уже завершила адаптацию LongCat-2.0 на основе универсальной вычислительной карты GPU для обучения и вывода ИИ MTT S5000 и программного стека MUSA, охватывающую такие этапы, как загрузка модели, запуск механизма вывода, оптимизация ключевых операторов, проверка развертывания и верификация точности. После завершения адаптации на платформах Huawei Ascend и Muxi LongCat-2.0 перестает быть просто демонстрацией возможностей модели и вступает в этап реального развертывания в экосистеме отечественных чипов ИИ.
За последние три года команда LongCat компании Meituan постоянно решала проблемы адаптации операторов, оптимизации связи, распределенной стабильности и другие вопросы, которые определяют, сможет ли модель с триллионами параметров стабильно работать на отечественных вычислительных кластерах. Обучение большой модели — это не просто «достаточное количество карт», оно также включает межкластерное соединение, эффективность связи, восстановление после сбоев, сохранение точности, управление видеопамятью, адаптацию механизма вывода и координацию программного стека. Если LongCat-2.0 сможет успешно работать на большем количестве платформ с отечественными чипами, это поможет активировать существующие отечественные вычислительные ресурсы и переведет сотрудничество «отечественный чип + отечественная модель» от проверки отдельных проектов к более масштабной экосистеме разработчиков. Последующая реальная проверка будет заключаться в том, смогут ли предприятия использовать эти отечественные чипы для развертывания LongCat-2.0 для выполнения генерации кода, задач агентов, автоматизации предприятий и обработки длинных текстов, а не только для лабораторной адаптации.
Для цепочки ИИ-индустрии это открытие исходного кода передаст возможности на множество этапов. Производителям чипов необходимо продолжать оптимизировать библиотеки операторов, компиляторы, коммуникационные фреймворки и бэкенды вывода; производителям серверов необходимо проводить адаптацию целых машин, охлаждение, питание и управление кластерами на основе отечественных ИИ-карт; облачные провайдеры и корпоративные пользователи будут обращать внимание на стоимость развертывания модели, скорость вывода, способность обработки контекста и фактический уровень успешности задач. Само по себе открытие исходного кода LongCat-2.0 не решит напрямую все проблемы экосистемы отечественных вычислительных мощностей, но оно предоставляет общедоступный тестовый объект на уровне модели с триллионами параметров, позволяя командам моделей, производителям чипов, разработчикам фреймворков и корпоративным пользователям проводить адаптацию, оптимизацию и проверку на основе одной и той же модели.
