LongCat 2.0とは？中国製チップでの訓練を掲げる大型MoEモデル

LongCat 2.0はMeituan製のオープンソースMoEモデル

LongCat 2.0はMeituanが開発した総パラメータ1.6兆のMoEモデルで、ライセンスはMITです。また、得意分野はエージェント的なコーディング（AIがコードを読み、複数の手順を連続で実行して作業を完了させる使い方）です。

LongCat 2.0の主なスペック

開発元

Meituan

ライセンス

MIT

総パラメータ

1.6兆のMoE

稼働パラメータ

1トークンあたり約480億

文脈長

ネイティブで100万トークン

得意分野

エージェント的なコーディング

発表日

6月30日（longcatai.orgの表記）

Hugging Faceのモデルカードによると、Claude Code・OpenClaw・Hermesといった主流のハーネス（AIにツールを使わせる仕組み）と深く統合されているとのこと。コードの理解・リポジトリ単位の編集・自動タスク実行で、高い性能を出すと記載されています。

longcatai.orgのモデルページも、エージェント的なコーディング向けに作られたモデルと位置づけています。ライセンスがMITであることは、リポジトリのLICENSEファイルでも確認できます。

LLMのパラメータ数は1.6兆でも稼働は約480億

総パラメータ1.6兆のうち、1トークンごとに動作するパラメータは約480億で総数の約3%です。トークンは文章を処理するときの最小単位（単語や文字の断片）を指し、longcatai.orgのモデルページによると、LongCat 2.0は単純なトークンには計算を使わず、複雑なトークンには自動でより多くの計算を割り当てるとのこと。

1トークンごとに動作するパラメータ数は33B（330億）〜56B（560億）の範囲で変わり、約480億はその範囲内の値です。また100万トークンの文脈にネイティブで対応しています。

長い作業に強くするための仕組みが、LongCat Sparse Attention（LSA）です。longcatai.orgのモデルページによると、LSAは重要情報を選び出して計算量を2乗から線形に下げるとのこと。LongCat 2.0はLSAを導入したうえで、数千億トークン分の100万トークン文脈データで訓練されています。

LSAの改良は次の3つです。詳しい仕組みはモデルカードの説明に譲ります。

• Streaming-aware Indexing
• Cross-Layer Indexing
• Hierarchical Indexing

N-gram EmbeddingはFlash-Lite由来でMoEと別軸

LongCat 2.0はLongCat-Flash-Liteから、N-gram Embeddingを引き継ぎました。なお、N-gram Embeddingの部分だけで、1,350億（135B）パラメータあります。

N-gram Embeddingは、MoEとは別軸の疎な次元でパラメータを増やす仕組みです。Hugging Faceのモデルカードに記載された設計思想には、次の2つがあります。

• MoEの疎さは最適点を越えた
• N-gramの割合は最適な範囲内にする

Hugging Faceの学習データは35兆トークン超

Hugging Faceのモデルカードでは、学習データは35兆トークン超とされています。また、事前学習の規模は数百万アクセラレータ日で、AI計算用のチップ1基を1日動作させる計算を1とカウントした合計に及ぶとのこと。ロールバック（訓練を前の状態へ戻すこと）も、回復不能な損失スパイク（学習中に誤差が急に跳ね上がること）も、無かったと記載されています。

学習データの量は2つの資料で異なり、理由は公表されていません。この記事はモデル提供元のリポジトリであるHugging Faceの35兆トークン超を採り、longcatai.orgのモデルページが掲げる30兆トークン超（中国語・英語・多言語・コード）を併記します。

中国製AI半導体だけで訓練したのは業界初という主張

longcatai.orgのモデルページは、5万枚規模の国産計算クラスタで訓練と推論の両方を完結させたと主張しています。Hugging Faceのモデルカードは、AI ASICスーパーポッドの上で訓練と大規模な推論展開を行ったと記載するだけです。

用語を先に説明しておきます。AI ASICとはAIの計算に特化して作られた専用チップです。スーパーポッドやクラスタは多数のチップを接続して1つの計算設備として動作させる構成で、推論は訓練を終えたモデルを動作させて回答を出すことです。

どの資料が訓練環境をどう書いているか

longcatai.orgのモデルページ

5万枚規模の国産計算クラスタで、1兆パラメータ級として初めて訓練と推論を完結させたと主張

Hugging Faceのモデルカード

訓練の全工程も、大規模な推論展開もAI ASICスーパーポッドの上で行ったと記載

Hugging Faceのカードに無い記載

チップの製造国とチップ名、NVIDIAという語

longcatai.orgのモデルページには、5万枚規模の国産計算クラスタを使ったという主張があり、Hugging FaceはAI ASICの基盤としています。チェックできるのはこの2点までです。

Hugging Faceのモデルカードによると、別のハードウェア基盤でも最前線規模の訓練をこなせることを、この訓練で実証できたとのこと。NVIDIAを使っていないと断定できる記述は、どちらの資料にもありません。

中国製AIチップ5万枚のクラスタで訓練したと主張

longcatai.orgのモデルページによると、国産計算への取り組みは2023年に始まり、3年かけて使うチップを数千枚から5万枚へ増やしたとのこと。3年の間に解決した課題は次の3つです。

• 演算子の適合（モデルの計算をチップ向けに書き直すこと）
• 通信の最適化
• 分散の安定性

次の2つはどちらもMeituanが自己申告した運用面の数字です。測定条件と第三者の検証結果は公表されていません。

• MFU（チップの演算能力をどれだけ使えているかを表す指標）は1.5倍に改善
• 定常の日次スループット（1日に処理できる量）は1日1兆トークン超

MeituanのコーディングモデルはSWE-bench Proで59.5

Meituanが公表した表では、LongCat 2.0のSWE-bench Pro（AIにソフトウェア開発の課題を解かせて腕前を計測するベンチマーク）は59.5です。同じベンチマーク表の、Gemini 3.1 Pro（54.2）・GPT-5.5（58.6）・Claude Opus 4.6（57.3）より、高い点数を記録しています。

SWE-bench Proのスコア比較（高いほど高性能）

Meituanの自己申告値。

02040

59.5LongCat 2.0

58.6GPT-5.5

57.3Claude Opus 4.6

54.2Gemini 3.1 Pro

高いといっても2位のGPT-5.5との差は0.9ポイントです。LongCat 2.0と各モデルとの差は次のとおりです。

• GPT-5.5: 0.9ポイント
• Claude Opus 4.6: 2.2ポイント
• Gemini 3.1 Pro: 5.3ポイント

SWE-bench Multilingual（多言語版）では、LongCat 2.0は77.3で、Claude Opus 4.6の77.8より0.5ポイント低い値です。Meituanのベンチマーク表はこの差を「on par」（同等）と表記しています。

そのほかにTerminal-Bench 2.1の70.8も表に掲載されていますが、Hugging Faceの評価記録では、この値はverified: false（未検証）です。この値はLongCatのハーネスによる自社測定で、実行環境・温度設定・文脈長の条件は公表されていません。

SWE-bench Pro・SWE-bench Multilingual・Terminal-Bench 2.1の数値は、すべて掲載側が出したものです。第三者による検証結果は公表されていません。

重みはHugging FaceにありAPIはOpenRouterで使える

LongCat 2.0を試すことができる提供先はlongcat.ai・OpenRouter・LongCat APIプラットフォームの3つで、重みはHugging Faceのリポジトリにあります。3つの提供先は次のとおりです。

• longcat.ai: オンラインで試すことができる
• OpenRouter: 世界向けのAPI
• LongCat APIプラットフォーム: longcat.chat/platform/usage

longcatai.orgのモデルページでは、プレビュー版がOpenRouterとlongcat.aiで先に利用できたとしています。プレビュー版はOpenRouterの呼び出し回数で世界上位3モデルに名を連ねたという記載もありますが、その時点は明記されていません。

重みはHugging Faceのリポジトリで公開されていて、形式はsafetensorsです。ファイルの合計は約3.55TBあり、ご自身のPC上で動作させるには、ストレージに少なくとも3.55TBの空き容量が必要です。

料金と必要なGPU構成は公表されていません。使う前に提供元の説明でチェックする必要があります。

また公開の前後関係にも気をつける必要があります。longcatai.orgが表記する発表日は2026年6月30日で、Hugging Faceのリポジトリが作成されたのはその5日後の2026年7月5日です。

longcatai.orgのモデルページも、重みは公式に公開された時点でこのページにリンクするとしています。6月30日の時点で重みが公開済みだったとは、資料からは言えません。

訓練環境と性能は自己申告で、学習データも記載が異なる

LongCat 2.0はMITライセンスで公開された、総パラメータ1.6兆・1トークンあたり約480億パラメータが動作するMoEですが、中国製チップ5万枚での訓練とSWE-bench Proの59.5は掲載側の自己申告です。学習データは、Hugging Faceの35兆とlongcatai.orgの30兆で記載が異なります。

訓練環境について公表されているのは、AI ASICスーパーポッドという呼び名までです。NVIDIAの名前はどちらの資料にも出てきません。Hugging Faceのモデルカードとlongcatai.orgのモデルページは、どちらも英語です。