LongCat

대표 숫자는 LongCat-2.0의 100만 토큰 문맥 창이다. 왜 중요할까. 코드 저장소 전체나 책 한 권 분량의 문서를 한 번의 요청에 담을 수 있기 때문이다. 조각을 이어 붙이는 대신 입력 전체를 가로지르는 질문을 던질 수 있다. Meituan은 입력이 커져도 계산 비용을 선형으로 유지하려고 희소 어텐션 구조(LSA)를 만들었다. 이 점이 긴 창을 이론이 아니라 실용으로 만든다.

LongCat-Flash 모델은 전문가 혼합 설계를 쓴다. 특정 토큰에는 파라미터의 일부만 발화한다. 1.6조 파라미터의 2.0 모델은 토큰당 평균 약 480억 개 파라미터를 활성화한다. 입력이 얼마나 어려운지에 따라 약 330억에서 560억 사이를 오간다. 단순한 질문은 계산을 덜 쓴다. 복잡한 질문은 더 받는다. 실질적 결과는 빠른 응답과, 같은 크기의 밀집 모델이 요구할 법한 것보다 낮은 청구서다.

새 SDK를 배울 필요가 없다. LongCat은 두 가지 엔드포인트 형식을 내놓는다. 하나는 OpenAI의 chat completions를 따르고, 다른 하나는 Anthropic을 흉내 낸다. 두 공급자 중 하나에 맞춰 돌아가는 코드가 이미 있다면, 전환은 보통 베이스 URL과 모델 이름을 바꾸는 것으로 끝난다. 시험 비용을 낮춘다. 또 LongCat을 그 생태계를 기반으로 만든 도구의 현실적인 대체물로 만든다.

LongCat 군의 대부분은 오픈 라이선스로 나오고, 웨이트는 Hugging Face와 GitHub에 있다. 데이터를 API로 보내고 싶지 않다면 직접 내려받아 돌릴 수 있다. 그 범위는 채팅, 사고, omni, 이미지, 비디오 모델을 아우른다. 조 단위 파라미터 모델을 직접 호스팅하는 건 대부분에게 현실적이지 않다. 작은 변형은 로컬에서 시험해 보고 싶다면 적당한 워크스테이션의 사정권에 있다.

Meituan은 LongCat-2.0을 단순 채팅이 아니라 코딩 에이전트와 도구 사용에 맞춰 조정했다. 여러 파일에 걸친 문제를 다루고 짧은 도구 호출 연쇄를 계획한다. 작업이 여러 단계로 길어져도 버틴다. Meituan은 GPT-5.5와 Claude Opus 4.6을 살짝 앞서는 SWE-bench Pro 점수를 보고한다. 에이전트형 코딩 모델로서 Claude Code와 OpenClaw 같은 프레임워크에 최소한의 수고로 들어간다.

텍스트 너머로, 이 라인업에는 실시간 오디오와 비디오 상호작용용 LongCat-Flash-Omni, 이미지 생성용 LongCat-Image, 텍스트 투 비디오와 비디오 이어 만들기용 LongCat-Video가 있다. 같은 군 안에서 채팅 모델과 나란히 있으니, 텍스트와 미디어를 얻으려고 서로 다른 다섯 공급자를 저글링할 필요가 없다.