Meituan, त्याच्या अन्न-वितरण साम्राज्यासाठी आंतरराष्ट्रीय स्तरावर प्रसिद्ध असलेल्या चिनी तंत्रज्ञान समूहाने, एजंटिक सॉफ्टवेअर अभियांत्रिकीसाठी तयार केलेले 1.6 ट्रिलियन पॅरामीटर कृत्रिम बुद्धिमत्ता मॉडेल LongCat-2.0 जारी केले आहे आणि मुक्त केले आहे. 30 जून 2026 रोजी जाहीर केलेले प्रकाशन केवळ त्याच्या स्केलसाठीच नव्हे तर ते कसे प्रशिक्षित केले गेले यासाठीही उल्लेखनीय आहे: पाइपलाइनमध्ये Nvidia किंवा AMD प्रवेगक नसताना, संपूर्णपणे देशांतर्गत उत्पादित चिनी चिप्सवर.

प्रगत एआय सिलिकॉनवरील यूएस निर्यात नियंत्रणे चीनी कंपन्यांना फ्रंटियर-क्लास मॉडेल्सचे उत्पादन करण्यापासून रोखण्यात अयशस्वी ठरत आहेत हे अद्याप सर्वात मजबूत सिग्नल म्हणून या हालचालीचे वाचन केले जात आहे. साऊथ चायना मॉर्निंग पोस्ट, रॉयटर्स आणि व्हेंचरबीटसह अनेक आउटलेट्सने लॉन्चची माहिती दिली, क्रिप्टो ब्रीफिंगने लॉन्गकॅट-2.0 चे वर्णन आतापर्यंतच्या सर्वात मोठ्या ओपन-सोर्स कोडिंग मॉडेलपैकी एक म्हणून केले. For more context on this story, see our ongoing more AI stories.

एजंटसाठी तयार केलेले तज्ञांचे मिश्रण मॉडेल

LongCat-2.0 हे तज्ञांचे मिश्रण (MoE) आर्किटेक्चर वापरते, म्हणजे ते प्रत्येक विनंतीवर सर्व १.६ ट्रिलियन पॅरामीटर्स सक्रिय करत नाही. त्याऐवजी, ते प्रत्येक टोकनला अंदाजे 33 अब्ज ते 56 अब्ज सक्रिय पॅरामीटर्सद्वारे डायनॅमिकपणे मार्गस्थ करते, ज्यातून काढण्यासाठी एक विस्तीर्ण ज्ञान आधार राखून ठेवत ते तुलनेने आकाराच्या घन मॉडेलपेक्षा अधिक कार्यक्षम ठेवते.

ती कार्यक्षमता खर्चासाठी महत्त्वाची आहे. मोठ्या प्रमाणातील मॉडेल्ससाठी MoE डिझाईन्स प्रबळ आर्किटेक्चर बनल्या आहेत कारण ते प्रति-क्वेरी कंप्यूटमधून एकूण क्षमता दुप्पट करतात, प्रत्येक कॉलवर प्रत्येक पॅरामीटरसाठी ग्राहकांकडून शुल्क न आकारता लॅबना खूप मोठे मॉडेल पाठवता येतात.

मॉडेल 1 दशलक्ष टोकन्सच्या संदर्भ विंडोचे समर्थन करते, संपूर्ण महत्त्वपूर्ण कोडबेस आणि एका पासमध्ये तर्क करण्यासाठी पुरेसे मोठे — स्वायत्त कोडिंग एजंट्सद्वारे वाढत्या प्रमाणात मागणी केलेली क्षमता ज्याने फाइलद्वारे कार्य फाइल करण्याऐवजी संपूर्ण रेपॉजिटरी लक्षात ठेवल्या पाहिजेत.

बेंचमार्क आणि वास्तविक-जागतिक वापर

क्रिप्टो ब्रीफिंगनुसार, रिअल-वर्ल्ड सॉफ्टवेअर अभियांत्रिकी मोजण्यासाठी डिझाइन केलेल्या बेंचमार्कवर, LongCat-2.0 ने SWE-बेंच प्रो वर 59.5 आणि टर्मिनल-बेंच वर 70.8 गुण पोस्ट केले. हे मूल्यमापन सुइट्स साध्या वन-शॉट प्रोग्रामिंग कोडी ऐवजी मॉडेल वास्तविक विकास कार्यातील गोंधळाची, बहु-चरण आव्हाने - बग निराकरण करणे, वैशिष्ट्ये लिहिणे, विद्यमान कोड नेव्हिगेट करणे - किती चांगल्या प्रकारे हाताळतात याची चाचणी करतात.

VentureBeat ने स्वतंत्रपणे नमूद केले आहे की मॉडेल त्याच्या औपचारिक मुक्त-स्रोत प्रकाशनाच्या अगोदर एजंटिक कोडिंग रँकिंगमध्ये "अग्रेसर OpenRouter," लोकप्रिय मल्टी-मॉडेल API गेटवे होते. OpenRouter 60 पेक्षा जास्त प्रदात्यांकडून 400 पेक्षा जास्त मॉडेल्स एकत्रित करते आणि त्याचा वापर डेटा मोठ्या प्रमाणावर इंडस्ट्री बॅरोमीटर म्हणून हाताळला जातो ज्याचे मॉडेल डेव्हलपर प्रत्यक्षात चालवणे निवडतात.

50,000 देशांतर्गत चिप्सवर प्रशिक्षित

सर्वात लक्ष वेधून घेणारा तपशील म्हणजे हार्डवेअर. मीटुआनने सांगितले की त्यांनी लाँगकॅट-2.0 ला प्रशिक्षित केले आहे आणि 50,000-कार्ड डोमेस्टिक कॉम्प्युट क्लस्टर वर चालवले आहे जे पूर्णपणे चीनी-निर्मित प्रवेगकांपासून बनवले आहे. क्रिप्टो ब्रीफिंगच्या मते, याचा अर्थ प्रशिक्षणाच्या कोणत्याही टप्प्यावर Nvidia A100s किंवा H100s आणि कोणतेही AMD MI300X युनिट वापरले गेले नाहीत - हार्डवेअरचा एक क्लीन ब्रेक ज्याने जगभरात सर्वात मोठ्या-मॉडेल विकासाला चालना दिली आहे.

मीटुआनचा दावा आहे की 50,000-कार्ड क्लस्टर घरगुती चीनी हार्डवेअरसाठी या प्रमाणात प्रथम प्रतिनिधित्व करतो. 2022 च्या उत्तरार्धापासून चीनच्या अत्याधुनिक AI चिप्सवर चीनचा प्रवेश पद्धतशीरपणे प्रतिबंधित करणाऱ्या यूएस निर्यात नियंत्रणांनंतरही प्रशिक्षण रन पूर्ण झाले. चायनीज चिपमेकर्स आणि त्यांच्या ग्राहकांनी कार्यक्षमतेतील अंतर कमी केल्यामुळे नियंत्रणांचा फायदा कमी होत आहे, असे विश्लेषकांचे म्हणणे आहे.

हगिंग फेसवर वजन उपलब्ध आहे

मुक्त-स्रोत फ्रेमिंगच्या अनुषंगाने, Meituan ने "meituan-longcat" संस्थेच्या अंतर्गत हगिंग फेस वर मॉडेल वजन आणि समर्थन संसाधने प्रकाशित केली आहेत. हे विकासक आणि संशोधकांसाठी अडथळा कमी करते ज्यांना एंटरप्राइझ कोडबेस, सुरक्षा ऑडिटिंग किंवा ऑटोमेटेड डीबगिंगसाठी मॉडेल फाइन-ट्यून करायचे आहे परंतु सुरवातीपासून तुलना करण्यायोग्य काहीतरी प्रशिक्षित करणे कधीही परवडत नाही.

ओपन रिलीझ थेट एजंटिक-कोडिंग इकोसिस्टममध्ये देखील फीड करते, जेथे ओपन-वेट मॉडेल्स स्व-होस्ट केले जाऊ शकतात, ऑडिट केले जाऊ शकतात आणि प्रति-टोकन खर्च आणि डेटा-हँडलिंग समस्यांशिवाय सुधारित केले जाऊ शकतात जे प्रोप्रायटरी API सह येतात - तृतीय-पक्ष क्लाउडला मालकी कोड पाठविण्यापासून सावध असलेल्या एंटरप्राइझसाठी एक महत्त्वपूर्ण विचार.

एक जलद मॉडेल वंश

LongCat-2.0 रात्रभर दिसला नाही. वंशाचा वंश LongCat-Flash, सप्टेंबर 2025 मध्ये रिलीझ झालेला 560 अब्ज-पॅरामीटर मॉडेल, त्यानंतर मार्च 2026 मध्ये LongCat-Next, एक मल्टीमॉडल व्हेरिएंट आहे. नवीन रिलीज त्याच्या पूर्ववर्ती पॅरामीटरच्या संख्येच्या जवळपास तिप्पट आहे, एक वर्षाखालील चायनीज लॅबवर प्रतिबिंबित होत आहे जे आता ब्रेकवर दिसून येत आहे. मॉडेल

जागतिक मॉडेल लीडरबोर्डच्या व्यापक फेरबदलादरम्यान देखील लॉन्च केले गेले आहे, ज्यामध्ये चीनी प्रणाली वास्तविक-जागतिक विकासक वापरात वाढली आहे आणि आता एकत्रित प्लॅटफॉर्मवर शीर्ष टोकन-उपभोग क्रमवारीत आहे.

चिप-नियंत्रण वादासाठी याचा अर्थ काय आहे

वॉशिंग्टनमधील धोरणकर्त्यांसाठी, LongCat-2.0 हा एक अस्वस्थ डेटा पॉइंट आहे. निर्यात-नियंत्रण धोरणाचा मध्यवर्ती आधार असा आहे की अग्रगण्य-एज चिप्समध्ये प्रवेश नाकारल्याने चीनची एआय प्रगती कमी होईल. देशांतर्गत हार्डवेअरवर यशस्वीरित्या प्रशिक्षित केलेले प्रत्येक मॉडेल त्या आधाराला कमकुवत करते, असे सूचित करते की निर्बंध त्यांना प्रतिबंधित करण्यासाठी असलेल्या स्वयंपूर्णतेला गती देत ​​आहेत.

मीटुआनने स्वतः एक मोजमाप सार्वजनिक टोन मारला आहे. संस्थापक आणि मुख्य कार्यकारी वांग झिंग यांनी अलीकडेच एआय गुंतवणुकीबाबत कंपनीच्या वचनबद्धतेचा पुनरुच्चार केला आणि Futu ने दिलेल्या वृत्तानुसार ते "आर्थिक क्षमतेपेक्षा आंधळेपणाने गुंतवणूक करणार नाही" यावर जोर दिला.

आत्तासाठी, विकासकांसाठी टेकअवे ठोस आहे: जवळ-सीमाचे, दशलक्ष-टोकन कोडिंग मॉडेल विनामूल्य डाउनलोड करण्यायोग्य आहे आणि ते एका प्रतिबंधित अमेरिकन चिपशिवाय तयार केले गेले आहे. यूएस लॅब स्वस्त ओपन वेट, कडक नियंत्रणे किंवा कच्च्या कार्यक्षमतेसाठी नूतनीकरणाने प्रतिसाद देत असली तरीही, स्पर्धात्मक लँडस्केप पुन्हा बदलले.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →