1.6万亿参数的大模型,能在国产芯片上完成训练吗?
11月10日,美团正式开源LongCat-2.5大模型。这款总参数量达1.6万亿、支持百万Token上下文的原生多模态模型,不仅进一步提升了AI编程、复杂任务执行等能力,更引人关注的是:模型训练全程采用国产算力,并通过软硬件协同优化,在特定长序列训练任务中实现单卡吞吐量提升86%。
这一进展也为AI产业链带来新的观察视角。一端是$科创人工智能ETF华夏(SH589010)$所覆盖的AI芯片、软件与算力基础设施,另一端则是正在加速迭代的大模型与应用生态。当越来越复杂的AI任务开始在国产计算平台上运行,市场关注的焦点正从“国产芯片能不能用”,进一步转向“国产算力能否支撑先进大模型的规模化训练与应用”。
一、1.6万亿参数,国产算力如何撑起大模型?
过去两年,大模型的竞争不断刷新参数规模与能力边界,支撑这些模型训练的算力基础设施也随之成为市场焦点。从芯片到服务器,从高速互联到软件框架,AI算力早已不只是单张GPU的性能竞赛,而是一套复杂的系统工程。
在这一背景下,美团LongCat-2.5的发布提供了一个值得研究的新案例。根据美团官方披露,LongCat-2.5面向长程智能体任务,采用混合专家模型(MoE)架构,总参数量为1.6万亿,但每个Token仅激活约480亿参数。
可以把传统稠密模型理解为一家所有部门都需要参与每次工作的公司,而MoE模型更像一家拥有大量专业部门的企业:面对不同任务,系统选择部分专家参与处理,而不必每次调动全部参数。这种架构有助于在扩大模型总容量的同时,控制每次计算需要激活的参数规模。LongCat-2.5真正值得关注的,是它在大模型架构之外,同时解决了国产算力环境下的训练与部署问题。
图片信息来源:美团技术团队,2026年11月2日、11月10日公开资料
除模型规模外,LongCat-2.5还进一步强化了视觉理解和智能体编程能力。在传统AI应用中,用户往往提出一个问题,模型生成一段答案,任务便告结束。但在复杂代码库开发、网页设计、专业办公等场景中,模型需要连续理解需求、调用工具、执行任务、检查结果,并在出现错误时调整方案。
这意味着,AI正从单次问答向更复杂的长流程任务延伸。例如,完成一个软件开发项目,不只是生成一段代码,还包括理解整个代码库、修改多个文件、运行测试,以及修复执行过程中发现的问题。
长任务通常伴随着更长的上下文、更复杂的计算需求,也对训练系统的显存容量、通信效率和稳定性提出更高要求。模型能力越复杂,底层算力系统需要解决的问题也越多。因此,LongCat-2.5的意义不仅在于推出一款新模型,还在于证明国产计算平台能够通过系统性优化,承担万亿参数级模型的复杂训练任务。
二、国产算力的突破,不只是芯片性能的突破
长期以来,讨论AI芯片时,市场往往首先关注算力指标、显存容量和制程工艺。但一个容易被忽略的问题是:为什么拥有一定计算能力的芯片,不一定能高效训练大模型?
原因在于,芯片的理论算力并不等于AI训练的实际效率。大模型训练不仅需要完成大量矩阵计算,还要在芯片之间频繁传输参数、梯度和中间结果。如果计算能力很强,但显存不足、通信速度跟不上,训练过程仍可能出现大量等待,造成算力资源浪费。
LongCat-2.5面对的正是这一问题。美团官方技术文章指出,其使用的国产算力环境中,单卡显存不足80GB。在训练长序列任务时,显存容量和芯片间通信成为需要重点解决的约束。为此,团队从三个方面进行优化:
第一,拆分模型,让多张芯片共同承担任务。
第二,优化通信,让芯片少等待。
第三,优化推理,让大模型运行更经济。
根据美团披露,在长序列监督微调(SFT)任务中,相关FSDP配置的单卡吞吐量较DDP基线提高86%。这一案例至少说明:在硬件资源存在约束的情况下,合理的模型架构、并行策略和通信优化,能够有效提升实际算力利用效率。
图片信息来源:根据美团技术团队LongCat-2.5官方技术文章整理
AI算力竞争的评价标准,可能正在从单纯比较芯片硬件参数,走向比较整套计算系统的实际效率。
三、从一款大模型,看国产AI产业链的新机会
LongCat-2.5的进展,将国产AI产业链中的几个关键环节重新联系起来。
首先是AI芯片与算力基础设施。万亿参数模型训练需要大量计算资源,也需要服务器、存储设备、高速互联和配套基础设施共同支持。随着国产大模型不断迭代,芯片厂商面临的不只是提高单卡计算性能,还包括提升集群运行效率、改善互联带宽和适配复杂训练负载。
其次是基础软件与开发生态。硬件决定了计算能力的物理边界,而深度学习框架、算子库、编译工具和模型部署软件,则影响这些计算能力能否真正释放。如果国产芯片能够与更多主流模型、训练框架形成稳定适配,开发者使用国产算力的门槛便有望逐渐降低。随着适配模型数量增加、算子不断优化、开发者经验持续沉淀,国产计算平台有机会从支持少数特定模型,逐步扩展到更丰富的AI应用场景。
第三是模型应用与推理服务。AI模型的商业价值,最终仍需要通过真实应用兑现。LongCat-2.5所强化的代码开发、视觉理解、专业办公和长流程智能体能力,代表了大模型向复杂工作任务延伸的技术方向。当AI从生成内容发展到持续执行任务,推理调用可能呈现任务步骤更多、上下文更长、工具调用更频繁等特征。这既可能增加部分应用场景的推理计算需求,也会推动企业持续优化单位任务成本。
图片信息来源:根据美团技术团队公开资料及AI产业链一般结构整理
从资本市场角度来看,国产算力发展也为人工智能主题指数提供了一个新的观察维度。以$科创人工智能ETF华夏(SH589010)$为例,其跟踪的上证科创板人工智能指数,覆盖科创板人工智能产业链相关上市公司。
根据iFinD数据,截至2026年11月11日,指数中半导体、软件开发及IT服务三类行业的权重合计约85.34%,涵盖AI芯片、基础软件、算力服务等相关环节。
这一结构体现了人工智能产业发展的一个特点:大模型能力升级不仅与模型研发企业有关,也离不开底层计算能力和软件基础设施的协同。与单纯围绕某款模型、某家企业的技术突破展开观察相比,产业链视角能够进一步帮助投资者理解,一项技术进展可能如何向不同环节传导。
图片信息来源:iFinD,截至2026年11月11日
AI竞争正在从模型能力的单点比拼,逐渐延伸至芯片、训练系统、软件生态和应用场景的系统性协同。未来决定国产算力发展空间的,可能不仅是某张芯片的理论计算速度,而是它能否持续、稳定、经济地承载越来越复杂的AI任务。
当更多模型开始在国产计算平台上完成训练与部署,国产AI产业链的能力边界也将得到更充分的检验。从“能不能训练”,到“能否高效训练”,再到“能否形成规模化应用”,这或许正是国产算力迈向成熟生态需要回答的三个问题。
风险提示:以上基金风险等级为R4(中高风险)。以上基金属于股票基金,风险与收益高于混合基金、债券基金与货币市场基金。个股不作为推荐。投资者在投资基金之前,请仔细阅读基金的《基金合同》、《招募说明书》和《产品资料概要》等基金法律文件,充分认识基金的风险收益特征和产品特性,并根据自身的投资目的、投资期限、投资经验、资产状况等因素充分考虑自身的风险承受能力,在了解产品情况及销售适当性意见的基础上,理性判断并谨慎做出投资决策,独立承担投资风险。指数表现不代表产品业绩,二级市场价格表现不代表净值业绩。本基金为ETF基金,投资者投资于本基金面临跟踪误差控制未达约定目标、指数编制机构停止服务、成份券停牌等潜在风险、标的指数回报与股票市场平均回报偏离的风险、标的指数波动的风险、基金投资组合回报与标的指数回报偏离的风险、标的指数变更的风险、基金份额二级市场交易价格折溢价的风险、申购赎回清单差错风险、参考IOPV决策和IOPV计算错误的风险、退市风险、投资者申购赎回失败的风险、基金份额赎回对价的变现风险、衍生品投资风险等。
本资料不作为任何法律文件,观点仅供参考,资料中的所有信息或所表达意见不构成投资、法律、会计或税务的最终操作建议,我公司不就资料中的内容对最终操作建议做出任何担保。在任何情况下,本公司不对任何人因使用本资料中的任何内容所引致的任何损失负任何责任。市场有风险,入市需谨慎。
注:以上所提及ETF均不收取申购费、赎回费、销售服务费,申购赎回代理机构可按照不超过0.5%的标准收取佣金,其中包含证券交易所、登记结算机构等收取的相关费用;此外,相关ETF的管理费率和托管费率(均从基金资产中扣除)如下表格所示:
产品名称 | 产品代码 | 管理费率(%) | 托管费率(%) | 销售服务费(%) |
科创人工智能ETF华夏 | 589010 | 0.50% | 0.10% | - |
人工智能ETF联接A | 024411.OF | 0.50% | 0.10% | |
人工智能ETF联接C | 024412.OF | 0.50% | 0.10% | 0.20% |