基本介紹
- 軟體名稱：LongCat-Next
- 開發商：美團
- 軟體授權：開源
- 上線時間：2026年3月27日
研發背景,發展歷程,核心技術,運營與開源,重要事件,主要功能,
研發背景
2026年3月27日，美團發布並開源了原生多模態大模型LongCat-Next及其核心組件離散原生解析度視覺分詞器（dNaViT）。其研發背景源於LongCat團隊的一項核心發現：在統一的建模框架與最佳化目標下，可以構造語義完備的離散表示。研究的目標是將圖像、語音與文本統一映射為同源的離散Token，通過純粹的下一個Token預測（NTP）範式，以一種統一的方式建模各種物理信號，從而讓視覺與語音成為AI的“原生母語”。這旨在打破傳統大模型以“語言為中心”的拼湊式架構。為此，美團構建了名為DiNA（Discrete Native Autoregressive）的離散原生自回歸架構。美團將這一研究思路的核心——LongCat-Next模型和它的離散分詞器全部開源，希望更多開發者能基於它構建真正能感知、理解並作用於真實世界的AI。
發展歷程
2026年3月27日訊息，美團發布並全面開源原生多模態大模型LongCat-Next及其核心組件——離散原生解析度視覺分詞器（dNaViT）。
該模型基於美團提出的DiNA離散原生自回歸架構，將所有模態統一映射為同源的離散Token，並通過純粹的下一個Token預測範式進行建模。美團使用LongCat-Flash-Lite MoE（68.5B總參數，3B激活參數）作為基座進行訓練。官方測試顯示，LongCat-Next在視覺理解（如OmniDocBench0.152/0.226、MathVista 83.1）、圖像生成（LongText-Bench 93.15）、音頻（如TTS任務WER低至1.90）以及純文本任務（MMLU-Pro 77.02、C-Eval86.80）等多個維度上均達到先進水平。模型及dNaViT分詞器已在GitHub開源，技術報告、模型權重及Demo體驗地址也一併公開。
核心技術
DiNA離散原生自回歸架構將所有模態統一為離散Token，並用同一個自回歸模型進行建模，通過純粹的下一個Token預測（NTP）範式打破模態間的隔閡。離散原生解析度視覺分詞器（dNaViT）是視覺Tokenizer，包含語義對齊完備編碼器（SAE）、殘差向量量化（RVQ）壓縮和原生解析度支持三個關鍵部分，支持任意解析度輸入，實現28倍壓縮率。音頻Tokenizer利用Whisper編碼器提取音頻特徵，再通過下採樣與殘差向量量化（RVQ）壓縮為離散音頻token，保留語義和聲學信息。
模型採用LongCat-Flash-Lite MoE作為基座，總參數為68.5B，激活參數為3B。訓練過程分為預對齊、預訓練、中期訓練與SFT三個階段。為應對多模態聯合訓練的異構模組流水線氣泡問題，採用了V型流水線並行（VHalf-based Pipeline Parallelism）策略。
運營與開源
2026年3月27日，美團發布並全面開源原生多模態大模型LongCat-Next及其核心組件——離散原生解析度視覺分詞器（dNaViT）。此次開源內容包括技術報告、代碼以及模型權重，相關資源已在GitHub和HuggingFace平台發布，並提供線上Demo供用戶體驗。根據官方信息，使用LongCat-Next需要至少3張80GB顯存的專業顯示卡（如英偉達A100/H100）。
重要事件
2026年3月27日，美團發布並全面開源原生多模態大模型LongCat-Next及其核心組件——離散原生解析度視覺分詞器（dNaViT），該模型基於美團提出的DiNA（Discrete Native Autoregressive）離散原生自回歸架構，將所有模態統一映射為同源的離散Token，並通過純粹的下一個Token預測（NTP）範式進行建模。
主要功能
LongCat-Next模型打破了當前大模型以“語言為中心”的傳統拼湊式架構，將圖像、語音與文本統一映射為同源的離散Token。通過純粹的“下一個Token預測”（Next Token Prediction，NTP）範式，讓視覺與語音成為AI的“原生母語”。
