LongCat 2.0 가중치가 공개되어 있나요? 로컬에서 실행할 수 있나요?

Meituan | 1,048,756 토큰 컨텍스트 | 입력 $0.30/M, 출력 $1.20/M. LongCat 2.0은 Meituan의 희소 Mixture-of-Experts 언어 모델로, 총 1.6조 파라미터 중 480억이 활성화됩니다. 코딩, 저장소 수준 변경, 장기 문제 해결, 에이전트 워크플로우에 적합합니다.

이 모델의 가이드

용도별 최고의 로컬 LLM (2026년 10월): 모든 작업에 맞는 최적의 오픈 모델

로컬 AI에 실제로 필요한 VRAM은 얼마나 될까?

오픈 가중치 vs 오픈 소스 vs API 전용: 실제로 할 수 있는 것

GGUF 파일이란? 양자화 모델 설명 (Q4, Q8, fp8, NF4)

모든 가이드

캡틴의 노트

Captain 작성, 하우스 에디터

2026-10-13의 노트

LongCat 2.0은 Meituan의 희소 전문가 혼합(MoE) 모델로, 1.6조 매개변수 중 480억을 토큰당 활성화하며 35조 토큰 이상으로 학습되었고, 기본 100만 토큰 컨텍스트 창을 갖추고 있습니다. 긴 시간 범위 작업에 최적화된 아키텍처로, 저장소 수준 코드 변경, 에이전트형 워크플로우, 매우 긴 입력에 대한 지속적 추론에 적합합니다. 공개 가중치와 적당한 API 가격 덕분에 긴 컨텍스트 최전선 작업에 관심 있다면 살펴볼 가치가 있습니다.

알려진 점

기본 100만 토큰 컨텍스트, 수천억 개의 긴 컨텍스트 토큰으로 학습
저장소 수준 코드 편집과 에이전트형 작업 실행에 강점
Claude Code, OpenClaw, Hermes 하니스와 직접 통합
혁신적 LongCat 희소 어텐션으로 대규모 컨텍스트 어텐션 비용 절감
Hugging Face에서 공개 가중치 제공

주의할 점

1.6조 매개변수로 로컬 배포 시 고사양 하드웨어 필요; 대부분은 API 사용 예상.
모델 카드 내 벤치마크는 자체 측정으로, 독립 제3자 비교 자료는 제한적.
라이선스 조건이 상세히 공개되지 않아 상업적 사용 전 Hugging Face 저장소 확인 필요.

최적 용도

시도해볼 프롬프트

저장소 전반 리팩터링

세 개 파일로 구성된 Python 저장소가 있습니다. 현재 코드베이스는 전역 config 딕셔너리를 함수 인자로 전달하는 방식을 사용합니다. 이를 타입이 지정된 데이터클래스를 컨텍스트 매니저로 주입하는 방식으로 리팩터링하고, 모든 호출 지점을 업데이트한 뒤, 변경 사항과 이유를 간단히 설명하는 마이그레이션 노트를 작성하세요.

긴 문서 추론

아래에 200페이지 분량의 기술 사양서를 붙입니다. 전체를 읽고, 저자들이 내린 가장 중요한 설계 상충점 세 가지와 각 근거, 그리고 오늘 다시 수정한다면 바꿀 점을 답하세요.

다단계 에이전트 계획

소프트웨어 릴리스 파이프라인 자동화를 돕고 있습니다. 단계는 테스트 실행, Docker 이미지 빌드, 레지스트리 푸시, Helm 차트 업데이트, 풀 리퀘스트 오픈입니다. 의존성 그래프를 작성하고, 병렬 실행 가능한 단계를 식별하며, 올바른 순서와 오류 처리로 실행하는 셸 스크립트를 작성하세요.

비교하기

GPT-6 Luna
API 전용 모델
1,050,000 토큰 컨텍스트 · $0.10/M 입력, $0.50/M 출력
Claude Opus 5.5
API 전용 모델
1,000,000 토큰 컨텍스트 · $4.00/M 입력, $20.00/M 출력
Muse Spark 1.3 Contributor
API 전용 모델
1,048,576 토큰 컨텍스트 · $0.10/M 입력, $0.20/M 출력
Gemini 3.8 Flash
API 전용 모델
1,048,576 토큰 컨텍스트 · $0.83/M 입력, $4.12/M 출력

meituan의 더 많은 텍스트 모델

사람들이 묻는 질문

LongCat 2.0 가중치가 공개되어 있나요? 로컬에서 실행할 수 있나요?: 네, 가중치는 meituan-longcat/LongCat-2.0 저장소에서 공개되어 있습니다. 1.6조 매개변수로 대형 모델이므로 로컬 배포 시 고사양 하드웨어가 필요합니다.
LongCat 2.0 비용과 컨텍스트 창 크기는?: API 기준 입력 토큰 백만 개당 0.30달러, 출력 토큰 백만 개당 1.20달러이며, 컨텍스트 창은 100만 토큰을 약간 넘습니다.
다른 대형 MoE 모델과 LongCat 2.0의 차이점은?: 주요 차별점은 LongCat 희소 어텐션 메커니즘으로, 매우 긴 컨텍스트에 효율적으로 어텐션하도록 설계되었으며, 1M 컨텍스트 토큰 수백억 개로 학습된 점입니다. 대부분의 유사 MoE 모델은 이 규모로 학습하지 않았습니다.

캡틴의 평가
대형 코드베이스나 문서 작업에 적합한 진지한 장기 컨텍스트 MoE 모델로, 다른 모델의 컨텍스트 한계를 넘어서는 작업에 적합합니다.

Hugging Face의 모델 카드

캡틴은 모델의 설명과 모델 카드에서 이 노트를 작성합니다. 가격과 컨텍스트 크기는 작성 시점의 제공자 기준이며 변경될 수 있습니다.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

이 점수가 어떻게 계산되는지

이 모델은 아직 어떤 출처에서도 인기 데이터가 없어서 7,000° 아래에 임시 점수를 가지고 있어. 이 점수는 목록을 완성하는 데 쓰여. 데이터가 있는 모델보다 절대 순위가 높지 않아. 출처에서 보고가 들어오는 즉시 여기서 세부 내역이 나타나.

용어집: 여기서 쓰는 말들

히트 점수: 모델이 지금 얼마나 쓰이고 원하는지 한 숫자로 나타낸 거야, 0°부터 9,999°까지. 이 사이트에서 가장 인기 있는 목록은 모두 이 점수로 정렬돼.
기본 점수: 실제 데이터가 있는 모든 모델이 시작하는 7,000°야. 점수는 0°부터 9,999°까지인데, 기본 점수 아래는 데이터 없는 모델(대체 모델)용으로 남겨둬서 데이터 있는 모델이 항상 위에 오도록 해. 기본 점수는 모두 같고 아무것도 결정하지 않아; 그 위 점수가 실제 측정치야.
다운로드 동등치: 점수가 다운로드로 취급하는 모든 걸 합친 거야: 실제 다운로드, 토렌트 시더 1,000개씩, AI Horde 이미지와 생성 사이트 실행 1개씩.
로그 스케일: 1씩이 아니라 10씩 세는 거야: 1,000에서 10,000 다운로드가 늘면 10,000에서 100,000 늘어난 것과 같은 점수가 더해져. 큰 모델이 다 차지하는 걸 막아줘.
좋아요: 모든 출처의 좋아요와 엄지척, 로그 스케일에서 다운로드 절반 가치야.
채택률: 두 번 측정한 차이로 계산한 지금 하루 다운로드 수야. 다운로드 항목 무게의 4분의 1이야.
측정 및 추정: 측정은 두 번의 소스 읽기가 존재하고 그 차이가 실제라는 뜻이야. 추정은 오늘의 총합만 알고 과거는 모델의 전체 기간에 나눠서 보여주는 거야; 사이트에서 어떤 걸 보여주는지 알려줘.
시더: 토렌트를 통해 다른 사람이 다운로드할 수 있도록 가중치 파일을 온라인에 보관하는 사람이나 호스팅 미러를 말해. 각각 1,000번 다운로드로 계산돼.
AI 호드: 기부받은 컴퓨터에서 무료로 이미지를 생성하는 자원봉사 네트워크야. 모델로 만든 이미지 수가 공개되고, 각각이 한 번의 다운로드로 계산돼.
생성 사이트: PixAI, SeaArt, Yodayo 같은 모델 복사본을 직접 호스팅하고 사람들이 생성할 수 있게 하는 사이트들이야. 이들의 다운로드는 Civitai와 같고, 생성 한 번이 한 번의 다운로드로 계산돼.
OpenRouter 토큰: Claude나 GPT 같은 API를 통해 제공되는 텍스트 모델은 다운로드할 가중치가 없으므로, 지난 30일간 OpenRouter를 통해 읽고 쓴 텍스트 조각인 토큰 수로 사용량을 측정합니다. 10,000,000 토큰마다 다운로드 1회로 계산합니다. 출처: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
전체 모델 (체크포인트): 가중치 자체, 혼자서 생성하는 파일이야. 애드온이 이걸 기반으로 하기 때문에 보너스 점수를 받아.
LoRA와 임베딩: 다른 사람의 가중치를 특정 스타일, 캐릭터, 개념 쪽으로 조정하는 작은 추가 파일이야. 혼자 실행할 수 없어.
패밀리와 가중치: 모델이 기반으로 하는 것, 예를 들어 SD 1.5, SDXL, Flux, Wan 같은 거야. 모든 모델은 패밀리 가중치의 출시일을 물려받아.
연령: 패밀리 가중치가 나온 지 얼마나 됐는지에 따라 점수를 깎아: 1년에 150°, 최대 750°까지. 오래된 다운로드는 리스트 상단 고정을 풀어 쌓이도록 해.
패밀리 부스트: 이 사이트가 지금 밀고 있는 패밀리의 LoRA에 주는 작고 제한된 점수 조정으로, 항상 세부 내역에 표시돼.
대체 점수: 아직 소스 보고가 없는 모델에 안정적으로 주는 최저 점수로, 리스트가 완전하게 유지되도록 해. 데이터가 있는 모델보다 절대 높게 평가되지 않아.
신규! (유예 기간): 7일 미만의 신규 모델은 점수 대신 '신규!' 표시가 나오며 순위에 포함되지 않습니다. 점수는 첫날부터 계산되지만, 하루 된 모델은 매우 빠르게 성장하므로 유예 기간 없이는 항상 어제 나온 모델이 이번 주 #1이 되어버립니다.
추세: 한 기간 동안 모델의 성장 속도가 같은 기간의 일반 모델 성장 속도와 비교해서 어떤지 보여줘. 일반보다 빠르면 상승, 느리면 하락으로 봐.
일반 모델: 카탈로그의 중간값: 수치가 있는 모델 중 절반은 기간 동안 더 빨리 성장했고, 절반은 더 느리게 성장했어.