美团推出了开源原生的多模态大模型LongCat-Next

3月27日消息，美团于今日推出原生多模态大模型LongCat-Next。该模型能够把图像、语音和文本统一转化为同源的离散Token，让模型的学习方式从对连续空间映射的学习，转变为对离散ID之间关系结构的学习。同时，它借助纯粹的下一个Token预测（Next Token Prediction, NTP）范式，以统一的方法对各类物理信号进行建模。

美团还宣布将其研究思路的核心——LongCat-Next模型及其离散分词器全部开源，期待更多开发者能以此为基础，打造出真正可以感知、理解并作用于现实世界的人工智能。

美团打造了DiNA（Discrete Native Autoregressive）离散原生自回归架构。该架构的核心在于把所有模态整合为离散Token，借助同一个自回归模型开展建模工作。DiNA消除了模态之间的壁垒，它依托简洁的下一Token预测（NTP）模式，将图像、声音与文字统一转换为同源的离散Token。

简单来说，美团将文字、图像和语音都转化为同一种形式——离散Token。不管是处理文字、图像还是声音，在AI看来都是一样的任务：预测下一个Token是什么。

这种统一化的设计思路，使得模型在训练阶段的稳定性得到提升，同时在部署环节也更为轻量化。美团选择 LongCat-Flash-Lite MoE（总参数达 68.5B，激活参数为 3B）作为基础模型，并在该框架之上进一步训练出了 LongCat-Next。

实验表明，DiNA 的 MoE 路由在训练中逐渐出现模态专精化，激活专家数量相比纯语言设置有所增加，模型正在用更大容量支撑能力扩展。

▲ LongCat-Next 架构概览，该架构基于 DiNA 范式设计

根据美团官方测试，LongCat-Next 在视觉理解、图像生成、音频、智能体等多个维度上，以一套离散原生框架展现出与多模专用模型相当甚至领先的性能。

LongCat-Next 在 OmniDocBench（涵盖学术论文、财报、行政表格等场景）的表现数据为 0.152 / 0.226，这一成绩不仅优于 Qwen3-Omni，甚至超过了专注于视觉任务的模型 Qwen3-VL。

在消融实验的对比中，LongCat-Next统一模型的理解损失仅比纯理解模型高出0.006，而生成损失则比纯生成模型低0.02。在图像生成任务方面，LongCat-Next在LongText-Bench上取得了93.15的成绩（英文）；在图像理解任务上，其在MathVista数据集上达到了83.1的领先水平。

在纯文本任务领域，LongCat-Next 在 MMLU-Pro（77.02）与 C-Eval（86.80）两项指标上均处于领先位置，这表明原生多模态训练并未对其语言核心能力造成削弱。在工具调用方面，τ²-Bench 零售场景测试中，LongCat-Next 以73.68的成绩显著领先于 Qwen3-Next-80B-A3B-Instruct（57.3）；而在代码能力的 SWE-Bench 评测中，该模型也取得了43.0的成绩，超越了同类模型。

在音频领域，SeedTTS在TTS任务中的中文和英文WER分别低至1.90与1.89；在音频理解方面，MMAU（76.40）和TUT2017（43.09）均实现了先进水平。尤为关键的是，该模型支持低延迟的并行文本语音生成以及可定制的语音克隆功能，使得语音交互更为自然且更具个性化。