Modelo de IA LongCat-2.0 do Meituan chinês é lançado como código aberto, fabricantes de chips realizam adaptação síncrona

De acordo com pt.wedoany.com-A Meituan, da China, lançou oficialmente como código aberto em 6 de julho todos os pesos do modelo, o mecanismo de inferência e os documentos técnicos principais do LongCat-2.0. No mesmo dia, fabricantes nacionais de chips, como Huawei Ascend, Moore Threads e Muxi, concluíram simultaneamente a adaptação de inferência, promovendo a implantação e validação de modelos de parâmetros de trilhões em plataformas de computação nacionais.

O principal destaque do LongCat-2.0 é colocar o "modelo nacional de grande porte" e a "capacidade de computação nacional" na mesma cadeia de treinamento e inferência. Informações divulgadas anteriormente pela Meituan mostram que o modelo possui um total de 1,6 trilhão de parâmetros, com uma média de ativação de cerca de 48 bilhões, suporta nativamente um contexto ultra longo de 1 milhão de tokens e é projetado para tarefas reais de Codificação Agêntica. Todo o processo de treinamento e inferência do modelo é concluído com base em um cluster de computação nacional de 50.000 placas, com otimizações sistemáticas focadas em compreensão de código, geração de código, execução de tarefas e processamento de documentos longos. Diferente de apenas abrir os pesos do modelo, a abertura simultânea do mecanismo de inferência e dos documentos técnicos principais significa que desenvolvedores e fabricantes de chips não só podem chamar o modelo, mas também continuar a otimização de engenharia em termos de eficiência de implantação, uso de memória, agendamento de comunicação e taxa de transferência de inferência.

A adaptação síncrona pelos fabricantes nacionais de chips é a parte mais notável deste lançamento de código aberto. A Moore Threads já concluiu a adaptação do LongCat-2.0 com base em sua placa de computação inteligente GPU unificada para treinamento e inferência MTT S5000 e no software stack MUSA, cobrindo etapas como carregamento do modelo, inicialização do mecanismo de inferência, otimização de operadores-chave, validação de implantação e verificação de precisão. Após a conclusão da adaptação em plataformas como Huawei Ascend e Muxi, o LongCat-2.0 deixa de ser apenas uma demonstração de capacidade do modelo e começa a entrar na fase real de implantação no ecossistema de chips de IA nacionais.

Nos últimos três anos, a equipe LongCat da Meituan tem lidado continuamente com problemas como adaptação de operadores, otimização de comunicação e estabilidade distribuída. Esses trabalhos determinam se um modelo de parâmetros de trilhões pode operar de forma estável em clusters de computação nacionais. O treinamento de modelos de grande porte não depende apenas de "ter placas suficientes", mas também envolve interconexão de clusters, eficiência de comunicação, recuperação de falhas, manutenção de precisão, gerenciamento de memória, adaptação do mecanismo de inferência e coordenação do software stack. Se o LongCat-2.0 puder ser executado em mais plataformas de chips nacionais, isso ajudará a ativar os recursos de computação nacionais existentes e também permitirá que a sinergia "chip nacional + modelo nacional" passe da validação de projetos individuais para um ecossistema de desenvolvedores em maior escala. O verdadeiro ponto de verificação subsequente será se as empresas podem usar esses chips nacionais para implantar o LongCat-2.0 e realizar geração de código, tarefas de Agente, automação empresarial e processamento de texto longo, e não apenas concluir uma adaptação em nível de laboratório.

Para a cadeia da indústria de IA, este lançamento de código aberto transmitirá oportunidades para vários elos. Os fabricantes de chips precisam continuar otimizando bibliotecas de operadores, compiladores, estruturas de comunicação e backends de inferência; os fabricantes de servidores precisam realizar adaptação de máquinas completas, refrigeração, energia e gerenciamento de clusters em torno das placas de IA nacionais; os provedores de serviços em nuvem e usuários empresariais se concentrarão no custo de implantação do modelo, velocidade de inferência, capacidade de processamento de contexto e taxa de sucesso real de tarefas. O código aberto do LongCat-2.0 por si só não resolverá diretamente todos os problemas do ecossistema de computação nacional, mas fornece um objeto de teste público em nível de modelo de parâmetros de trilhões, permitindo que equipes de modelo, fabricantes de chips, desenvolvedores de frameworks e usuários empresariais realizem adaptação, otimização e validação em torno do mesmo modelo.