LongCat-2.5 โมเดล AI 1.6 ล้านล้านพารามิเตอร์ ฝึกบนชิปจีนล้วนได้อย่างไร?

Meituan เปิดตัว LongCat-2.5 เมื่อวันที่ 2 พฤศจิกายนที่ผ่านมา พร้อมตัวเลขชุดแรกที่ทำให้ต้องหยุดอ่าน

โมเดลนี้มีพารามิเตอร์รวม 1.6 ล้านล้านตัว แต่เปิดใช้งานจริงเพียงประมาณ 4.8 หมื่นล้านตัวต่อโทเคน

ตัวเลขหลังคือตัวกำหนดต้นทุนจริง เพราะมันคือส่วนของโมเดลที่ต้องคำนวณทุกครั้งที่สร้างหนึ่งโทเคน

จุดที่ทำให้ LongCat-2.5 ต่างคือการฝึกทั้งหมดทำบนชิปที่ผลิตในประเทศ

บล็อกของทีมงานเขียนตรง ๆ ว่าชิปที่ใช้มีหน่วยความจำต่อการ์ดน้อยกว่า 80 กิกะไบต์

ตัวเลขนี้สำคัญเพราะถ้าเก็บน้ำหนัก 1.6 ล้านล้านพารามิเตอร์แบบ 2 ไบต์ต่อค่า จะใช้หน่วยความจำราว 3.2 เทระไบต์ หรือเทียบเท่าการ์ด 80 กิกะไบต์ราว 40 ใบ คำนวณเฉพาะน้ำหนัก ไม่รวมแคชระหว่างทำงาน

เมื่อความจุต่อใบไม่พอ ทีมงานจึงต้องกระจายงานข้ามการ์ดจำนวนมาก และออกแบบการแบ่งงานใหม่ทั้งระบบ

ทีมงานจัดกลุ่มการ์ดตามโครงสร้าง supernode แล้วตั้งระดับการแบ่งพารามิเตอร์และการแบ่งผู้เชี่ยวชาญให้เท่ากับจำนวนการ์ดในหนึ่ง supernode

ผลคือการสื่อสารข้อมูลก้อนใหญ่ทั้งหมดอยู่ในขอบเขตการเชื่อมต่อความเร็วสูงของ supernode

พร้อมกันนั้นก็ทำ prefetch พารามิเตอร์ให้ทำงานคู่ขนานกับการคำนวณ และให้การสื่อสารของผู้เชี่ยวชาญเดินคู่ขนานกับสาขาปกติ

ตัวเลขที่ทีมงานรายงานคือปริมาณงานต่อการ์ดในงาน fine-tune บริบทยาวเพิ่มขึ้น 86% เทียบกับ baseline แบบ DDP ที่ทำสำเนาโมเดลซ้ำทุกใบ

ผมจะไม่แปลตัวเลขนี้ว่า "ชิปจีนแรงกว่า H100" เพราะต้นทางวัดเทียบกับวิธีแบ่งงานแบบเดิมของตัวเอง ไม่ได้เอาไปวางข้างชิปคู่แข่ง

อีกส่วนที่ทีมงานลงรายละเอียดคือการลดความละเอียดของน้ำหนักผู้เชี่ยวชาญและค่ากระตุ้น (activation) เหลือ 4 บิต

บนชิปที่มีหน่วยคูณจำนวนเต็ม 4 บิตในตัว วิธีนี้ลดทั้งข้อมูลที่ต้องขนย้ายและเวลาคำนวณ

ในการทดสอบโหลดบนระบบให้บริการจริง ผลที่รายงานคือปริมาณงานตอนเตรียมบริบทเพิ่ม 43.3% และตอนสร้างคำตอบเพิ่ม 42.77% เทียบกับแบบ 8 บิต

เวลารอโทเคนแรกสั้นลง 15.91% และเวลาต่อโทเคนสั้นลง 19.72%

ทีมงานยังระบุว่าได้ตรวจความแม่นกับงานปลายทางหลายชุดแล้ว ผลใกล้เคียงกับโมเดลก่อนลดความละเอียดในงานที่ประเมินมา

แผนภาพหลักในบล็อกเลือกสี่ตัวมาเทียบ คือ GPT-5.5, GPT-5.6-Sol, Claude Opus 4.8 และ Claude Opus 5

ส่วนตารางละเอียดมีเก้าคอลัมน์ของโมเดล รวม LongCat-2.0, GLM-5.3, Kimi K3 และ DeepSeek-V4.1-Flash

คะแนนของ LongCat-2.5 เป็นการรันเองของทีม ส่วนคะแนนคู่แข่งที่มีเครื่องหมายดอกจัน บล็อกระบุว่ายกมาจาก technical report บล็อกทางการของเจ้าของโมเดล หรือ leaderboard สาธารณะ

ตัวเลขของคู่แข่งที่ไม่ติดดอกจัน บล็อกระบุว่าเป็นผลที่ทีมงานรันเองเช่นกัน และใช้บ่งชี้แนวโน้มเท่านั้น

จากการตรวจ และ ณ วันที่เขียน ยังไม่พบงานประเมินอิสระที่ทำซ้ำผลนี้

บทความของหนังสือพิมพ์เศรษฐกิจ Economic Observer ของจีน ที่ Meituan นำลงหน้าข่าวของบริษัท ระบุว่า ในหลายชุดทดสอบหลัก LongCat-2.5 ได้คะแนนอยู่ระหว่าง Opus 4.8 กับ Opus 5 และแซง Opus 5 ได้ในบางชุด

บล็อกทางการให้ทางเข้าใช้งานผ่านเว็บและ API ส่วนปุ่ม GitHub และ HuggingFace บนหน้าเดียวกันขึ้นว่า "Coming soon"

แปลว่าคนที่อยากตรวจคำโฆษณาด้วยการรันเองยังทำไม่ได้ในตอนนี้

โมเดลนี้ถูกออกแบบมาสำหรับงานเอเจนต์ที่ยาวหลายขั้นตอนเป็นหลัก

ทีมงานเล่าว่าเก็บเส้นทางการทำงานที่ล้มเหลวของเอเจนต์จริงมาแปลงเป็นโจทย์ที่ทำซ้ำได้ เพื่อเติมจุดอ่อนของโมเดล

สำหรับคนที่ทำงานกับเอเจนต์ในธุรกิจ ผมมองว่านี่คือทิศทางที่ควรจับตามากกว่าคะแนนสอบ

ตัวอย่างงานที่ใกล้เคียงคือปล่อยให้เอเจนต์แก้โค้ดในคลังขนาดใหญ่ หรือสร้างโปรเจกต์จนจบ ซึ่งเป็นงานที่พลาดง่ายและเสียเวลาเมื่อพลาด

ตัวเลข 1.6 ล้านล้านพารามิเตอร์ใช้ดึงความสนใจได้ดี แต่ตัวเลข 80 กิกะไบต์ต่อการ์ดคือตัวเลขที่บอกว่างานวิศวกรรมของทีมนี้แก้โจทย์อะไร

ถ้าคุณอ่านข่าวนี้แค่พาดหัว คุณจะรู้ว่าโมเดลใหญ่ขึ้น

ถ้าคุณอ่านบล็อกจนจบ คุณจะรู้ว่าข้อจำกัดของฮาร์ดแวร์ไม่ได้หายไป แต่ถูกย้ายไปไว้ในชั้นสถาปัตยกรรมที่คนใช้อ่านไม่ถึง

Meituan Tech Blog · LongCat-2.5 native multimodal model for agent tasks (ชื่อแปลจากต้นฉบับภาษาจีน, 2 พ.ย. 2026) · https://tech.meituan.com/2026/11/02/Meituan-LongCat-2.5.html LongCat Official Blog · Introducing LongCat-2.5 (1 พ.ย. 2026) · https://longcat.ai/blog/longcat-2.5/ Caixin Global · Meituan unveils new AI model trained on homegrown chips (3 พ.ย. 2026) · https://www.caixinglobal.com/2026-11-03/meituan-unveils-new-ai-model-trained-on-homegrown-chips-102500305.html Meituan Newsroom (ต้นฉบับ: Economic Observer) · บทความข่าว LongCat-2.5 (2 พ.ย. 2026) · https://www.meituan.com/news/NN261102280001343

บทความนี้เขียนโดย AI (deepseek-v4.1-flash · ผู้ให้บริการโมเดล: ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา)