美團發佈原生多模態 LongCat-Next：視覺語音實現底層統一

4 月 3 日，美團技術團隊正式發佈原生多模態大模型 LongCat-Next。該模型突破了傳統“語言基座+插件”的拼湊架構，通過將圖像、語音與文本統一轉化爲同源的離散 Token，讓 AI 第一次能夠像處理文字一樣，原生地“看”與“聽”物理世界。

技術核心：DiNA 架構實現“模態內化”

爲了打破模態間的隔閡，美團構建了 DiNA（離散原生自迴歸）架構，實現了多模態建模的深度統一：

• 全模態統一： 無論是文字、圖像還是音頻，模型都採用同一套參數、注意力機制和損失函數。

• 理解與生成對稱： 在統一的數學形式下，預測文字 Token 即爲“理解”，預測圖像 Token 即爲“生成”，兩者在訓練中表現出顯著的協同潛力。

• 極致壓縮： 採用 dNaViT 視覺分詞器，支持任意分辨率輸入，通過 8 層殘差向量量化實現高達 28 倍的像素空間壓縮，完整保留 OCR、財報解析等任務中的關鍵細節。

實證性能：離散建模沒有“天花板”

LongCat-Next在多個維度上展現了超越專用模型的性能，有力回擊了“離散化必然損失信息”的傳統觀點：

• 細粒度感知： 在 OmniDocBench 密集文本場景測試中，性能不僅超越 Qwen3-Omni，更優於專用視覺模型 Qwen3-VL。

• 視覺推理： 在 MathVista 測試中達到 83.1 的領先水平，展現出強大的工業級邏輯能力。

• 跨模態協同： 在保持領先語言能力（C-Eval 86.80）的同時，支持低延遲的並行文本語音生成及可定製的語音克隆。

行業觀察：通往物理世界 AI 的基石

長期以來，大模型一直是以語言爲中心的系統。而 LongCat-Next 的意義在於，它證明了物理信息可以被離散化並像語言一樣被建模。當 AI 擁有了統一的“母語”，它在調用工具、編寫代碼以及理解複雜圖表時會變得更加聰明和直觀。

目前，美團已將LongCat-Next 模型及dNaViT 分詞器全部開源。這一小尺寸、高潛力的原生離散架構，將爲開發者構建能感知並作用於真實世界的 AI 提供重要工具。