이번 출시가 중요한 이유
중국의 온디맨드 서비스 대기업 메이퇀이 대규모 매개변수와 효율성을 우선한 설계를 결합한 시스템 LongCat Flash Chat을 공개하며 오픈소스 대규모 언어 모델 흐름에 합류했다. 2025년 9월 초 발표된 이 모델은 개발자용으로 GitHub와 Hugging Face에 공개됐으며, 현재 최상위권 시스템들과 어깨를 나란히 한다는 기술 보고서도 함께 나왔다. 메이퇀은 자체 벤치마크 결과 LongCat Flash Chat의 성능이 DeepSeek V3.1, 알리바바 클라우드의 Qwen3 제품군, 문샷 AI의 Kimi K2와 대등하며 앤스로픽의 Claude Sonnet 및 구글의 Gemini 2.5 Flash와 비교해도 경쟁력이 있다고 밝혔다. 폭넓은 이용과 수정이 가능한 라이선스로 공개돼 메이퇀 AI 스택을 중심으로 활발한 개발자 생태계를 구축하려는 의지를 보여준다.
목차
LongCat Flash Chat은 추론 중심 시스템이 아니라 빠르고 실제 서비스에 바로 투입할 수 있는 기반 모델로 소개됐다. 이는 분명한 절충을 반영한다. 느리고 복잡한 논리 전개보다 즉각적으로 반응하는 에이전트 동작, 도구 사용, 지시 수행에 무게를 둔다. 이번 출시는 메이퇀이 2023년 AI 스타트업 라이트이어를 2억8,100만 달러에 인수한 데 이은 것으로, 내부 업무용 AI, 최종 사용자 제품의 AI 기능, 핵심 모델 구축을 아우르는 사내 전략에도 부합한다.
메이퇀이 공개한 내용
회사 문서에 따르면 LongCat Flash Chat은 총 5,600억 개의 매개변수를 갖춘 전문가 혼합(Mixture of Experts) 모델이다. 다만 각 토큰 처리 때 실제로 활성화되는 매개변수는 일부에 불과하며, 보통 186억~313억 개, 평균 약 270억 개다. 필요한 매개변수만 선택적으로 활성화하는 방식은 모델의 속도와 비용 특성을 좌우한다. 최대 128k 토큰의 긴 컨텍스트 창을 지원해 대화나 문서, 여러 단계로 이뤄진 작업을 잦은 초기화 없이 처리할 수 있다.
메이퇀의 표현을 빌리면 이 모델은 비추론 기반 파운데이션 모델이다. 차이신 글로벌은 고급 추론 기능은 포함하지 않았지만 여러 지시 수행 및 에이전트 작업에서 우수한 결과를 낸다고 보도했다. 저장소에는 일반 벤치마크, 지시 수행, 수학, 코딩, 도구 사용, 안전성 평가에서 경쟁력 있는 점수가 제시돼 있다. 개발자는 Hugging Face의 이 페이지에서 모델 가중치와 문서를 확인하고, 공식 사이트 longcat.ai에서 제품 세부 정보를 살펴볼 수 있다. 코드와 가중치는 MIT 라이선스로 공개됐다.
LongCat 아키텍처의 내부
전문가 혼합 모델은 거대한 네트워크를 전문가라고 부르는 여러 전문 구성 요소로 나눈다. 라우터는 각 토큰을 처리할 때 어떤 전문가를 불러올지 결정한다. 토큰마다 소수의 전문가만 활성화하면 전체 용량은 크게 유지하면서도 각 단계의 연산량을 억제할 수 있다. 추론 비용을 급격히 늘리지 않고 모델 규모를 키우는 일반적인 방법으로 자리 잡았다.
쉽게 설명하는 전문가 혼합
시스템을 거대한 팀이라고 생각해보자. 메시지마다 몇몇 전문가만 호출된다. 라우터는 내용에 따라 전문가를 골라 불필요한 작업을 줄인다. 메이퇀의 설계에는 몇 가지 특징이 더해졌다. 보고서는 라우터가 부하를 분산하거나 단순한 토큰의 연산량을 줄여야 할 때 선택할 수 있는 자리표시자 역할의 Zero Computation Experts를 설명한다. 또한 백그라운드에서 작동하는 PID 제어기가 전문가별 편향을 조정해 활성 매개변수의 평균 개수를 일정하게 유지한다. PID는 비례·적분·미분을 뜻한다. 시스템이 진동하지 않도록 목표 수준에 점진적으로 맞추는 일반적인 제어 방식이다.
처리량을 높이기 위해 LongCat Flash Chat은 통신과 연산이 겹치는 구간을 늘리는 쇼트컷 연결 MoE 구조를 사용한다. 다중 GPU 환경에서는 통신 시간이 성능의 병목이 될 수 있다. 쇼트컷 연결은 기기 사이에서 데이터가 이동하는 동안 네트워크 일부가 더 빠르게 처리될 수 있는 경로를 만든다. 기술 문서는 H800급 하드웨어에서 단일 사용자의 추론 속도가 초당 100토큰 이상이라고 밝혔다.
속도 및 비용 주장
오픈소스 관련 요약과 중국 언론 보도에 따르면 메이퇀은 대규모 병렬 구성으로 약 30일 만에 학습을 마쳤으며, H800 가속기에서 초당 100토큰을 생성할 수 있다. 회사는 특정 조건에서 출력 비용이 토큰 100만 개당 약 5위안이라고 제시했다. 실제 비용은 하드웨어, 배치 크기, 배포 프레임워크에 따라 달라지지만 핵심 주장은 분명하다. 메이퇀은 요청당 연산량을 줄이면서도 경쟁력 있는 품질을 내는 고속 모델로 LongCat Flash Chat을 내세우고 있다.
학습 방식과 안정성
저장소에는 학습 안정성을 높이는 여러 방법이 소개돼 있다. 규모가 다른 모델에 적절한 설정을 재사용하는 하이퍼파라미터 전이, 작은 모델에서 시작해 더 큰 모델을 초기화하는 모델 성장 초기화, MoE 라우터를 안정적으로 유지하기 위해 z 손실을 적용하는 라우터 그래디언트 균형 조정 기법 등이다. 연구팀은 재현 가능한 실행을 위해 결정론적 연산을 강조한다. 데이터 측면에서 메이퇀은 2단계 사전학습 융합 전략과 에이전트 동작에 필요한 복잡한 작업 경로를 만드는 다중 에이전트 합성 프레임워크를 설명한다. 요컨대 이 학습 파이프라인은 깊은 다단계 추론보다 신뢰성과 에이전트 성능에 맞춰져 있다.
경쟁 모델과 비교하면
메이퇀의 벤치마크에서 LongCat Flash Chat은 중국 주요 범용 모델과 대등한 성능을 보인다. 비교 대상으로는 DeepSeek V3.1, 알리바바 클라우드의 Qwen3 제품군, 문샷 AI의 Kimi K2가 제시됐다. 보고서는 Claude Sonnet과 Gemini 2.5 Flash 등 미국의 주요 모델과 비교해도 우수한 성능을 보인다고 언급한다. 일부 보도는 특정 비추론 작업에서 GPT 4.1과 비교한 결과도 소개했다. 정확한 순위는 벤치마크 구성과 프롬프트 설정에 따라 달라진다. 기업 자체 테스트는 출발점이며, 제3자 평가를 거쳐야 더 폭넓게 성능을 파악할 수 있다.
‘비추론’이라는 분류는 중요한 단서를 제공한다. 추론 중심 시스템은 여러 단계에 걸쳐 계획하고 숙고하는 데 초점을 두며, 이 과정에서 생성 속도가 느려지고 연산 비용이 커지는 경우가 많다. LongCat Flash Chat은 빠른 지시 수행, 도구 사용, 에이전트 조율에 집중한다. 정교한 단계별 추론보다 응답 시간, 처리량, 예측 가능한 비용이 중요한 용도에 적합한 접근이다.
에이전트 작업의 실제 의미
에이전트 작업은 모델이 도구를 호출하고, 정보를 검색하고, 업무 절차를 따르며, 추가 입력이 필요한 시점을 판단하는 작업을 말한다. 엔진은 문서를 검색하거나 내부 데이터베이스를 조회하고, 결제 API를 실행하거나 고객 메시지 초안을 작성할 수 있다. LongCat Flash Chat은 이런 형태의 작업에 맞춰 조정됐다. 빠르게 판단하고 긴 컨텍스트를 처리하며 지연 시간을 낮춰 실제 애플리케이션에서 즉각 반응하는 듯한 경험을 제공하는 것이 목표다.
메이퇀은 이미 여러 사업 분야에서 에이전트를 시험해왔다. AI 기반 코딩 도구 NoCode, 기업 의사결정 지원 도구 Kangaroo Advisor, 호텔 운영 관리용 Meituan Jibai 등을 선보였다. 고속 에이전트 엔진은 입점 업체 등록, 고객 지원 문의 분류, 재고 확인, 경로 계획 지원, 마케팅 문구 작성 등의 작업에 활용될 수 있다. 전자상거래와 지역 서비스 분야에서는 느린 단계별 추론보다 안정적인 속도, 도구 연결성, 긴 컨텍스트 유지가 더 중요한 작업이 많다.
전략과 인수, 중국의 오픈소스 부상
메이퇀은 2023년 라이트이어를 2억8,100만 달러에 인수하면서 핵심 모델 사업을 본격적으로 추진하기 시작했다. 회사 경영진은 사내 업무용 AI, 소비자 제품에 적용하는 AI, 기반 모델 구축이라는 3단계 계획을 제시해왔다. LongCat Flash Chat은 기반 모델 분야에서 처음으로 공개된 성과다. 알리바바, 딥시크 계열 연구소, 문샷 AI 같은 중국 기술 기업들이 오픈소스 모델을 공개하며 빠른 개선과 커뮤니티 테스트를 통해 서구 경쟁사와의 격차를 좁히는 흐름에도 들어맞는다.
오픈소스 라이선스는 여기서 중요하다. 가중치와 코드를 MIT 라이선스로 공개해 메이퇀은 스타트업, 연구 그룹, 기업 팀이 큰 제약 없이 실험하고 수정해 배포할 수 있도록 했다. 이를 통해 피드백과 활용 사례를 끌어낼 폭을 넓힐 수 있다. 핵심 사업인 음식 배달을 넘어 기술 기업으로서의 신뢰를 쌓는 데도 도움이 된다. 여러 매체는 메이퇀이 공격적이고 선제적인 AI 접근을 강조하며 속도와 개방성을 앞세워 개발자들의 관심을 확보하려 한다고 전했다.
라이선스와 배포, 안전성
LongCat Flash Chat은 폭넓은 상업적 이용을 허용하는 허용적 라이선스인 MIT 라이선스로 공개됐다. 저장소에는 vLLM과 SGLang을 이용한 배포 안내가 포함돼 있다. 지속적 배칭과 페이지드 어텐션 등 서비스 비용을 줄일 수 있는 기능을 갖춘 이들 프레임워크는 높은 처리량의 추론에 널리 사용된다. 일부 전문가만 활성화하는 모델은 GPU의 유휴 시간을 줄이는 환경과 자연스럽게 맞물린다.
모든 대규모 언어 모델과 마찬가지로 LongCat Flash Chat에도 한계가 있다. 문서는 개발자들에게 각자의 환경에서 안전성, 공정성, 법률 준수 여부를 평가하라고 권고한다. 개인 정보, 금융, 건강 관련 분야에서는 특히 중요하다. 메이퇀 자료에는 안전성 평가와 레드팀 테스트가 포함됐으며, 민감한 맥락에서 모델을 사용할 때 법률과 업계 규칙을 따르도록 안내한다.
투자자 반응과 시장 신호
출시 후 금융 매체들은 메이퇀이 경쟁력 있는 모델을 내놓은 중국 기업 대열에 합류했지만 주가는 하락했다고 보도했다. TipRanks는 사우스차이나모닝포스트의 벤치마크를 인용하며 중국이 기술 부문 지원을 강화하는 한편 무역 갈등을 겪는 더 넓은 정책 환경도 언급했다. 시장 반응은 실제 제품의 성과를 뒤늦게 반영할 때가 많다. 투자자들이 주목할 핵심은 이 모델이 실제 도입을 이끌지, 메이퇀 내부 운영 비용을 줄일지, 외부 개발자들이 실제 제품의 엔진으로 채택할지 여부다.
더 큰 흐름은 핵심 AI 업계와 거리가 있는 기업들도 속도, 비용, 에이전트 활용 능력 면에서 기존 강자에 도전하는 모델을 공개하기 시작했다는 점이다. 이런 움직임은 기업들이 AI 스택의 공급처를 바라보는 방식도 바꿀 수 있다. 또한 모델 개발자들이 벤치마크 순위뿐 아니라 지연 시간에 민감한 실용적 작업에서 가치를 입증해야 한다는 압박을 키울 수 있다.
핵심 내용
- 메이퇀은 2025년 9월 초 총 5,600억 개의 매개변수를 갖춘 오픈소스 전문가 혼합 모델 LongCat Flash Chat을 GitHub와 Hugging Face에 공개했다.
- 모델은 토큰당 평균 186억~313억 개의 매개변수를 활성화해 전체 용량은 크게 유지하면서 연산 비용을 낮춘다.
- 기술 보고서의 벤치마크에 따르면 DeepSeek V3.1, 알리바바 클라우드의 Qwen3, 문샷 AI의 Kimi K2와 대등하며 Claude Sonnet 및 Gemini 2.5 Flash와 비교해도 우수한 성능을 보인다.
- 메이퇀은 이 시스템을 깊은 추론보다 속도, 지시 수행, 도구 사용, 에이전트 작업 흐름에 초점을 둔 비추론 기반 파운데이션 모델로 소개한다.
- 주요 엔지니어링 특징은 Zero Computation Experts, 전문가 편향을 조정하는 PID 제어기, 쇼트컷 연결 MoE 설계, 128k 토큰 컨텍스트 창이다.
- 기술 문서는 H800 하드웨어에서 초당 100토큰 이상, 특정 조건에서 토큰 100만 개당 약 5위안의 출력 비용을 제시한다.
- 코드와 가중치는 MIT 라이선스로 공개됐으며 vLLM과 SGLang 배포 안내가 제공된다.
- 이번 출시는 메이퇀이 2023년 라이트이어를 인수한 데 이어 이뤄졌으며, 업무 도구와 제품, 핵심 모델을 아우르는 3단계 AI 전략을 뒷받침한다.
- TipRanks는 발표 후 주가 하락을 보도해 투자 심리가 실제 도입과 비용 절감 여부에 좌우될 수 있음을 보여줬다.
- 이번 공개는 서구 경쟁사와의 격차를 좁히고 빠른 에이전트 활용에 초점을 맞춘 중국의 오픈소스 모델 확산 흐름에 힘을 보탠다.
