أخبار ar.wedoany.com، في السادس من يوليو، أعلنت شركة "ميتوان" الصينية رسمياً عن فتح المصدر الكامل لأوزان نموذج "LongCat-2.0"، ومحرك الاستدلال، ووثائق التقنية الأساسية. وفي اليوم نفسه، أكملت شركات تصنيع الرقائق المحلية الصينية، بما في ذلك "هواوي" (سلسلة Ascend)، و"مور تريدز" (Moore Threads)، و"موكسي" (Muxi)، عملية التكيف للاستدلال بشكل متزامن، مما يعزز نشر والتحقق من نموذج المعلمات الضخمة (تريليون معلمة) على منصة الحوسبة المحلية.
يكمن الجوهر الأساسي لنموذج "LongCat-2.0" في دمج "النموذج الكبير المحلي" و"قدرة الحوسبة المحلية" ضمن مسار واحد للتدريب والاستدلال. وأظهرت المعلومات السابقة الصادرة عن "ميتوان" أن إجمالي معلمات النموذج يبلغ 1.6 تريليون (1.6T)، مع تفعيل متوسط يبلغ حوالي 48 مليار (48B)، ويدعم أصلاً سياقات فائقة الطول تصل إلى مليون رمز (100万 token)، وهو مصمم لمهام "Agentic Coding" الواقعية. تعتمد عملية التدريب والاستدلال بأكملها على مجموعة حوسبة محلية تتكون من 50 ألف بطاقة، مع تحسينات نظامية في مجالات فهم الكود، وتوليد الكود، وتنفيذ المهام، ومعالجة المستندات الطويلة. على عكس النماذج التي تفتح المصدر لأوزانها فقط، فإن فتح المصدر المتزامن لمحرك الاستدلال ووثائق التقنية الأساسية يعني أن المطورين وشركات تصنيع الرقائق لا يمكنهم فقط استدعاء النموذج، بل يمكنهم أيضاً مواصلة التحسينات الهندسية في كفاءة النشر، واستهلاك الذاكرة، وجدولة الاتصالات، وإنتاجية الاستدلال.
التكيف المتزامن من قبل شركات تصنيع الرقائق المحلية هو الجانب الأكثر استحقاقاً للاهتمام في عملية فتح المصدر هذه. أكملت شركة "مور تريدز" بالفعل تكييف نموذج "LongCat-2.0" استناداً إلى بطاقة الحوسبة الذكية من الجيل الجديد للتدريب والاستدلال الموحد للذكاء الاصطناعي "MTT S5000" ومكدس البرمجيات "MUSA"، ويغطي ذلك مراحل تحميل النموذج، وتشغيل محرك الاستدلال، وتحسين المشغلين الرئيسيين، والتحقق من النشر، والتحقق من الدقة. بعد اكتمال التكيف على منصات مثل "هواوي" (سلسلة Ascend) و"موكسي"، لم يعد "LongCat-2.0" مجرد عرض لقدرات النموذج، بل بدأ في الدخول إلى مرحلة النشر الفعلي ضمن النظام البيئي لرقائق الذكاء الاصطناعي المحلية.
على مدى السنوات الثلاث الماضية، واصل فريق "LongCat" في "ميتوان" معالجة مشكلات تكييف المشغلين، وتحسين الاتصالات، واستقرار الأنظمة الموزعة، وهذه الأعمال هي التي تحدد ما إذا كان نموذج المعلمات الضخمة (تريليون معلمة) يمكن أن يعمل بثبات على مجموعة الحوسبة المحلية. تدريب النماذج الكبيرة لا يقتصر فقط على "توفر عدد كافٍ من البطاقات"، بل يشمل أيضاً الترابط بين المجموعات، وكفاءة الاتصالات، واستعادة الأعطال، والحفاظ على الدقة، وإدارة الذاكرة، وتكييف محرك الاستدلال، والتنسيق مع مكدس البرمجيات. إذا تمكن "LongCat-2.0" من العمل على المزيد من منصات الرقائق المحلية، فسيساعد ذلك في تنشيط موارد الحوسبة المحلية الخاملة، وسيدفع التنسيق بين "الرقاقة المحلية + النموذج المحلي" من التحقق في مشروع فردي إلى نظام بيئي أوسع للمطورين. نقطة الاختبار الحقيقية اللاحقة تكمن في ما إذا كانت الشركات قادرة على استخدام هذه الرقائق المحلية لنشر "LongCat-2.0" لإنجاز مهام توليد الكود، ومهام الوكيل (Agent)، والأتمتة المؤسسية، ومعالجة النصوص الطويلة، وليس فقط إكمال التكيف على المستوى المختبري.
بالنسبة لسلسلة صناعة الذكاء الاصطناعي، سينقل فتح المصدر هذا الفرص إلى حلقات متعددة. تحتاج شركات تصنيع الرقائق إلى مواصلة تحسين مكتبات المشغلين، والمترجمين، وأطر الاتصالات، ونهايات الاستدلال الخلفية؛ وتحتاج شركات تصنيع الخوادم إلى القيام بتكييف كامل للآلات، والتبريد، وإمدادات الطاقة، وإدارة المجموعات حول بطاقات الذكاء الاصطناعي المحلية؛ وستركز شركات خدمات السحابة والمستخدمون المؤسسيون على تكلفة نشر النموذج، وسرعة الاستدلال، وقدرة معالجة السياق، ومعدل نجاح المهام الفعلية. فتح مصدر "LongCat-2.0" بحد ذاته لن يحل بشكل مباشر جميع مشكلات النظام البيئي للحوسبة المحلية، لكنه يوفر كائن اختبار عام على مستوى نموذج المعلمات الضخمة (تريليون معلمة)، مما يسمح لفرق النماذج، وشركات تصنيع الرقائق، ومطوري الأطر، والمستخدمين المؤسسيين بالتكيف والتحسين والتحقق حول نفس النموذج.
