엔비디아 없이 프런티어급 모델을 학습한 중국: 메이투안 LongCat-2.0의 내막

음식 배달 기업이 수출 통제 논쟁을 흔들다

지난 한 주 가장 파장이 큰 모델 공개는 OpenAI도, 구글도, Anthropic도 아니었습니다. 중국의 음식 배달·생활 서비스 공룡 메이투안(Meituan)에서 나왔습니다. 메이투안은 6월 30일 1.6조 파라미터 규모의 언어 모델 LongCat-2.0을 오픈소스로 공개했습니다. 헤드라인을 장식한 숫자는 파라미터 수가 아닙니다 — 조 단위 파라미터 선을 넘은 연구소는 이미 많습니다 — 정작 눈길을 끄는 건 그 아래에 깔린 하드웨어입니다. 메이투안은 LongCat-2.0을 5만 개가 넘는 국산 AI ASIC 클러스터에서, 엔비디아(Nvidia) 실리콘을 단 하나도 거치지 않고 사전학습하고 서빙했다고 밝혔습니다.

이 주장이 사실로 확인된다면, 미국 수출 통제의 핵심 베팅 — 중국에 최신 엔비디아 스택을 차단하면 대규모로 프런티어에 근접한 시스템을 학습하지 못하리라는 가정 — 이 워싱턴이 상정한 것보다 훨씬 취약하다는 가장 명확한 증거가 됩니다. 레스토랑 물류로 더 유명한 회사에서 나온 모델이 이번 주 GPT-5.5, Claude Opus와 나란히 거론되는 이유가 바로 여기에 있습니다.

실제로 공개된 것

SCMP에 따르면 LongCat-2.0은 100만 토큰 컨텍스트 윈도우를 갖춘 1.6조 파라미터 모델이며, 관대한 라이선스(여러 매체가 MIT로 보도) 아래 오픈소스로 공개됐습니다. 희소(sparse) Mixture-of-Experts 설계로, 1.6조 파라미터 중 극히 일부만 — 2차 보도는 토큰당 활성 파라미터를 수백억 개 수준으로 추정합니다 — 실제 요청마다 발화(fire)한다는 뜻입니다. 덕분에 추론 비용은 헤드라인 규모가 시사하는 수준보다 훨씬 낮게 유지됩니다. The Decoder는 이 모델이 35조 토큰 이상으로 학습됐다고 덧붙입니다.

메이투안이 힘주어 강조하는 지점은 학습이 어디서 이뤄졌느냐입니다. DeepSeek의 V4-pro를 포함한 중국의 이전 대표 성과들은 주로 추론(inference) — 질의에 답하는, 상대적으로 가벼운 작업 — 에서 국산 칩에 기댔고, 훨씬 까다로운 사전학습(pre-training) 단계는 여전히 엔비디아 하드웨어에 의존했습니다. 메이투안의 주장은 LongCat-2.0이 사전학습을 포함한 전체 파이프라인을 국산 ASIC에서 돌렸다는 것입니다. 이것이 핵심이자, 독립적으로 확인하기 가장 어려운 부분입니다.

벤치마크 그림: 코드에선 강하지만, 프런티어에선 여전히 뒤처진다

메이투안이 공개한 수치대로라면, LongCat-2.0은 에이전트형 코딩에서 진정으로 경쟁력이 있고 어려운 추론에서는 눈에 띄게 뒤처집니다. The Decoder는 SWE-bench Pro 59.5점과 SWE-bench Multilingual 77.3점을 보도하는데, 이 지표들에서 모델은 Gemini 3.1 Pro와 GPT-5.5를 근소하게 앞섭니다. "프런티어 근접"이라는 프레이밍을 이끄는 것이 바로 이 결과들입니다.

하지만 같은 보도는 그 상한선에 대해서도 신중합니다. 추론과 지시 이행 비중이 높은 테스트 — IFEval(90.0), IMO-AnswerBench(81.8), GPQA-diamond(88.9) — 에서 LongCat-2.0은 선두 서구 시스템에 뒤처지며, 정작 강점을 보이는 코딩 벤치마크에서조차 Claude Opus 4.7과 4.8에는 미치지 못합니다. 솔직하게 읽자면, 특정하고 상업적으로 가치 있는 작업 영역(코드 작성과 수정)에서는 탁월하지만 그 밖에서는 그저 무난한 모델입니다. 이 프로파일은 우연이 아닙니다. 코딩은 오픈웨이트 중국 모델들이 집중해온 영역인데, 측정 가능하고, 수요가 있으며, 폐쇄형 연구소들이 막대한 비용을 들여 튜닝하는 정교한 지시 이행에 덜 의존하기 때문입니다.

이 모든 것에 대한 중요한 단서 하나: The Decoder는 집필 시점에 모델이 아직 Hugging Face에 올라오지 않아 "독립적 검증이 어렵다"고 지적합니다. 벤치마크 수치는 현재로서는 메이투안 자체 발표입니다. 몇몇 집계 매체는 이 모델이 정체가 공개되기 전 "Owl Alpha"라는 코드명으로 OpenRouter 사용량 1위에 조용히 올랐었다고도 보도했는데 — 인상적인 디테일이긴 하나 1차 보도에서 확인할 수 없었으므로 미확인으로 다루시기 바랍니다.

하드웨어 주장이야말로 진짜 이야기인 이유

칩은 회의론이 집중돼야 할 지점이자, 동시에 의미가 자리한 지점입니다. SCMP는 학습이 "수만 개의 AI ASIC 슈퍼팟으로 이뤄진 대규모 클러스터" — 범용 GPU가 아니라 좁은 워크로드에 맞춰 제작된 주문형 칩 — 에서 돌아갔다고 설명합니다. 결정적으로, SCMP도 The Decoder도 칩 공급사를 밝히지 않았습니다. The Decoder는 "메이투안이 특정 칩 제조사를 밝히지 않았다"고 명시적으로 서술합니다. 2차 보도는 화웨이(Huawei)의 가속기 라인과 그 HCCL 통신 라이브러리(수천 개의 칩을 조율하는 엔비디아 NCCL의 국산 대응물)를 지목하지만, 그 귀속은 1차 소스에서 확인되지 않았습니다.

메이투안은 왜 모호하게 남겨둘까요? 공급사를 지목하는 순간 — 수율, 실제 클러스터 활용률, 그리고 엔비디아로 학습된 툴링과 데이터가 결과를 얼마나 조용히 빚었는지에 대한 — 정밀 검증을 자초하게 됩니다. 1.6조 모델을 5만 개의 비(非)엔비디아 가속기 위에서 처음부터 끝까지 학습하는 것은 모델링 위업인 만큼이나 분산 시스템과 네트워킹의 위업이기도 합니다. 인터커넥트와 통신 라이브러리야말로 국산 스택이 역사적으로 고전해온 바로 그 지점입니다. 메이투안이 이 규모에서 그 문제를 정말로 풀었다면, 그 모호함은 회피가 아니라 전략일 수 있습니다.

과장 대 확인된 사실

핵심만 추리면 세 가지는 근거가 탄탄합니다. 모델이 존재하고 오픈웨이트라는 것, 자체 보고한 코딩 벤치마크가 강력하다는 것, 그리고 메이투안이 약 5만 개 칩 규모의 완전 국산 학습 파이프라인을 주장한다는 것입니다. 세 가지는 아직 확인되지 않았습니다. 벤치마크의 독립적 재현, 칩의 정체와 실제 성능, 그리고 그 클러스터가 엔비디아 베이스라인 대비 실제로 얼마나 효율적으로 돌아갔는가입니다.

"엔비디아 없이 학습했다"와 "엔비디아만큼 효율적으로 학습했다" 사이의 간극이 바로 정책적 이해관계가 걸린 지점입니다. 수출 통제는 애초에 중국의 프런티어 학습을 불가능하게 만들려던 것이 아니라, 느리고 비싸고 비효율적으로 만들려던 것이었습니다. LongCat-2.0은 그 논리를 반박하지 않습니다. 어떤 모델은 진짜 성취이면서도 서구 등가물보다 훨씬 많은 연산 시간이 들었을 수 있습니다. 다만 이 공개가 꿰뚫는 것은 더 강한, 하중을 떠받치던 가정 — 최신 엔비디아 스택을 차단하면 단단한 상한선이 생긴다는 가정 — 입니다. 이번 공개가 시사하는 바, 그 상한선은 광고된 것보다 높습니다. 오르는 길이 더 험할지언정 말입니다.

정리

LongCat-2.0이 이번 주 가장 중요한 모델 이야기인 이유는 프런티어를 이겨서가 — 깔끔하게 이기지는 못합니다 — 아니라, 누가 무엇 위에서 만들었느냐 때문입니다. 물류 회사가 국산 ASIC에서 처음부터 끝까지 사전학습했다고 주장하는 1.6조 파라미터, MIT에 준하는 오픈 모델을 내놓았다는 것은 워싱턴의 칩 전략이 반드시 셈에 넣어야 할 데이터 포인트입니다. 올바른 자세는 신중함입니다. 벤치마크는 자체 보고이며 재현되지 않았고, 칩은 이름이 밝혀지지 않았으며, 효율성 주장은 검증되지 않았습니다. 하지만 방향만큼은 분명합니다. 이런 공개가 하나씩 나올 때마다 수출 통제가 벌어주는 유의미한 시간의 창은 좁아지고, 질문은 중국이 자국 실리콘으로 프런티어급 모델을 학습할 수 있느냐에서 얼마나 효율적으로, 그리고 그 답이 누군가를 더는 민망하게 만들지 않게 되는 순간이 얼마나 임박했느냐로 옮겨갑니다. Hugging Face 가중치와 독립적 벤치마크를 주시하시기 바랍니다. 과장이 사실로 굳어질지, 조용히 꺼질지가 갈리는 순간은 바로 그때입니다.