أزاحت ميتوان الصينية الستار عن نموذجها الجديد LongCat-2.0، في خطوة تعكس اتساع سباق الشركات الصينية نحو بناء نماذج ذكاء اصطناعي ضخمة قادرة على تنفيذ المهام البرمجية المعقدة ومنافسة النماذج المغلقة لدى الشركات العالمية الكبرى.
النموذج أُتيح علنًا عبر المنصات المخصصة للمطورين، بعد أن كان يعمل في الأشهر الماضية كنسخة مجهولة الهوية حققت انتشارًا واسعًا بين المستخدمين على منصات تقييم واستخدام النماذج. ومع الإعلان الرسمي، اتضح أن LongCat-2.0 ليس مجرد تحديث تدريجي، بل بنية أساسية جديدة تستهدف سوق وكلاء البرمجة والأتمتة المؤسسية.
ويعتمد LongCat-2.0 على بنية Mixture-of-Experts، مع إجمالي معلمات يصل إلى 1.6 تريليون، بينما يظل الجزء الفعّال من النموذج في كل استدعاء أقل بكثير، ما يساعد على موازنة الأداء مع الكلفة الحوسبية. كما يوفر النموذج نافذة سياق أصلية تصل إلى مليون توكن، وهي سعة تتيح التعامل مع قواعد شيفرة كبيرة ومستندات تقنية طويلة وسلاسل عمل متعددة الخطوات.
استهداف مباشر لمهام البرمجة والوكلاء الذكيين
على عكس النماذج المصممة أساسًا للمحادثة العامة، يركز LongCat-2.0 على الاستخدامات العملية في هندسة البرمجيات. ويشمل ذلك قراءة المستودعات البرمجية الكبيرة، تحليل الاعتماديات، تنفيذ تعديلات متسلسلة، التفاعل مع الأدوات، وتصحيح الأخطاء ضمن سياقات عمل طويلة.
هذا التوجه يضعه ضمن فئة النماذج الوكيلة التي لا تكتفي بإنتاج النصوص، بل يمكنها المساعدة في إدارة مهام برمجية متتابعة تتطلب ذاكرة سياقية واسعة وقدرة على اتخاذ قرارات تنفيذية. وتُعد هذه الفئة من أكثر مجالات الذكاء الاصطناعي جذبًا للاستثمارات والمؤسسات التقنية خلال الفترة الأخيرة.
وبحسب ما كشفت عنه الشركة، حقق النموذج نتائج قوية في بعض اختبارات البرمجة والأتمتة، من بينها SWE-bench Pro وTerminal-Bench 2.1، إضافة إلى اختبارات أخرى مرتبطة بالعمل البرمجي متعدد اللغات وسيناريوهات سير العمل المؤسسي. وفي بعض هذه المقاييس، جاء أداؤه قريبًا من نماذج أكثر تكلفة أو تفوق عليها في نطاقات محددة.
سياق ضخم وبنية حوسبة مختلفة
أحد أكثر عناصر LongCat-2.0 لفتًا للانتباه هو قدرته على العمل مع سياق واسع جدًا من خلال تصميم Sparse Attention مخصص لتقليل العبء الحسابي المرتبط بالنوافذ الطويلة. وتعتمد هذه المقاربة على أساليب متدرجة في اختيار الأجزاء الأكثر أهمية من المدخلات بدلًا من معالجة كل شيء بكلفة ثابتة مرتفعة.
وتقول ميتوان إن هذا التصميم يهدف إلى معالجة إحدى العقبات الأساسية في النماذج الكبيرة جدًا، وهي كيفية الحفاظ على الأداء مع حجم إدخال هائل دون الوصول إلى استهلاك مفرط للذاكرة أو تراجع حاد في السرعة. كما أضيفت طبقات تمثيل ن-غرام لتعزيز التقاط العلاقات المحلية داخل النصوص الطويلة، وهو ما يفيد في سيناريوهات الكود والمستندات التقنية.
الأهم من ذلك أن النموذج جرى تدريبه بالكامل على عتاد محلي صيني، وتحديدًا على أكثر من 50 ألف شريحة ASIC محلية، بدلًا من الاعتماد على وحدات معالجة الرسوميات الأمريكية من إنفيديا. وهذه النقطة تمنح الإعلان بعدًا استراتيجيًا يتجاوز المنتج نفسه، لأنه يلمّح إلى قدرة الصين على تدريب نماذج ضخمة باستخدام سلسلة توريد حوسبية محلية.
دلالات استراتيجية لصناعة الشرائح والذكاء الاصطناعي
في بيئة عالمية تتزايد فيها القيود على توريد الشرائح المتقدمة، يحمل تدريب LongCat-2.0 على عتاد محلي أهمية خاصة. فهو يقدّم نموذجًا عمليًا على أن بناء نماذج قريبة من الحدود المتقدمة لم يعد حكرًا على البنى المعتمدة بالكامل على إنفيديا.
هذا التطور قد يثير أسئلة جديدة حول مستقبل المنافسة في سوق المسرّعات الحوسبية، خصوصًا إذا تمكنت شركات صينية أخرى من تكرار التجربة نفسها على نطاق واسع. كما أنه يعزز الرهان على أن الحرب التقنية المقبلة لن تقتصر على النماذج والبرمجيات، بل ستمتد إلى مستوى الشرائح ومراكز البيانات وسلاسل الإمداد.
وبالنسبة إلى ميتوان، فإن هذا الإطلاق يمثل استمرارًا لتحولها من شركة توصيل وخدمات محلية إلى لاعب طموح في البنية التحتية للذكاء الاصطناعي. فقد سبقت هذه الخطوة إصدارات أخرى من سلسلة LongCat، بينها LongCat-Flash وLongCat-Flash-Thinking، ما يشير إلى استراتيجية تراكمية تهدف إلى بناء عائلة نماذج متخصصة بدلًا من الاكتفاء بمنتج واحد.
سياسة تسعير عدوانية لجذب المطورين
إلى جانب الجانب التقني، اختارت ميتوان سياسة تسعير تستهدف جذب المطورين والمؤسسات الباحثة عن كفاءة أعلى في التكلفة. إذ يتيح النموذج الاستخدام عبر نظام دفع مقابل الاستهلاك، مع تسعير أقل للمدخلات والمخرجات غير المخزنة، إضافة إلى خصومات محدودة المدة خفّضت الكلفة إلى مستويات تنافسية جدًا مقارنة بالنماذج الأخرى.
وتشير هذه المقاربة إلى أن المنافسة في الذكاء الاصطناعي لا تدور فقط حول جودة المخرجات، بل أيضًا حول اقتصاديات الاستخدام. فكلما زادت قدرة النموذج على التعامل مع جلسات طويلة وتكرار في السياق دون احتساب كامل للتكلفة، أصبح أكثر جاذبية لفرق التطوير التي تعمل على مستودعات شيفرة ضخمة أو عمليات أتمتة متكررة.
كما طورت ميتوان آلية Token Pack التي تمنح الشركات حزمًا زمنية محدودة لاستخدام النموذج، إلى جانب الإبقاء على نمط الدفع التقليدي. ويبدو أن الهدف من هذا المزج هو منح المؤسسات مرونة أكبر في التخطيط المالي، مع الحفاظ على إمكانية التوسع السريع عند الحاجة.
ترخيص مفتوح ومؤشرات على تبني مؤسسي
اختيار ترخيص MIT يضيف عنصرًا مهمًا إلى جاذبية LongCat-2.0. فهذا الترخيص يسمح بالاستخدام التجاري والتعديل وإعادة الدمج داخل منتجات خاصة دون متطلبات نشر الشيفرة المشتقة، وهو ما يراه كثير من فرق التطوير عاملًا حاسمًا عند تقييم النماذج المفتوحة.
وبفضل هذا الترخيص، يمكن للشركات دمج النموذج في أدوات داخلية أو منصات تطوير خاصة أو أنظمة أتمتة للمؤسسات، مع الحفاظ على الملكية الفكرية الخاصة بها. هذه المرونة قد تسرّع من تبنيه في قطاعات مثل البرمجيات المالية، والخدمات اللوجستية، والصحة، والبحث والتطوير.
وتكتسب الخطوة أهمية إضافية لأنها تأتي في وقت تتجه فيه بعض المختبرات الغربية إلى تضييق الوصول إلى أحدث نماذجها، سواء لأسباب تنظيمية أو تجارية. وهذا قد يفتح مساحة أكبر أمام البدائل المفتوحة، خاصة عندما تجمع بين الأداء القوي والتسعير المنخفض والترخيص المرن.
ما الذي يعنيه LongCat-2.0 للسوق؟
من الناحية العملية، يضيف LongCat-2.0 عنصر ضغط جديدًا على المنافسين في سوق النماذج البرمجية والوكلاء الذكيين. فالنموذج لا يقدّم مجرد سعة سياق ضخمة، بل يجمع بين بنية تقنية متقدمة، وتسعير تنافسي، وترخيص يسمح بالاستخدام المؤسسي واسع النطاق.
أما من الناحية الاستراتيجية، فيعكس الإطلاق تحوّلًا أوسع داخل الصناعة الصينية نحو بناء قدرات مستقلة في الذكاء الاصطناعي والشرائح والبنية التحتية. وإذا ثبتت قدرة ميتوان على الاستمرار في تحسين هذا الخط من النماذج، فقد تصبح ضمن قائمة اللاعبين المؤثرين في موجة أدوات البرمجة المعتمدة على الوكلاء خلال السنوات المقبلة.
في المحصلة، لا يبدو LongCat-2.0 مجرد نموذج آخر في سوق مزدحم، بل محاولة واضحة لإعادة رسم معايير المنافسة في الذكاء الاصطناعي التطبيقي، من خلال الجمع بين العمق التقني والمرونة التجارية والاستقلال الحوسبي.