4 月 3 日，第一次能够像处理文字一样，原生地“看”与“听”物理世界。
技术核心：DiNA 架构实现“模态内化”
为了打破模态间的隔阂，极致压缩： 采用 dNaViT 视觉分词器，支持任意分辨率输入，通过 8 层残差向量量化实现高达 28 倍的像素空间压缩，完整保留 OCR、财报解析等任务中的关键细节。
实证性能：离散建模没有“天花板”
LongCat-Next在多个维度上展现了超越专用模型的性能，有力回击了“离散化必然损失信息”的传统观点：
细粒度感知： 在 OmniDocBench 密集文本场景测试中，性能不仅超越 Qwen3-Omni，更优于专用视觉模型 Qwen3-VL。
视觉推理： 在 MathVista 测试中达到 83.1 的领先水平，展现出强大的工业级逻辑能力。
跨模态协同： 在保持领先语言能力（C-Eval 86.80）的同时，支持低延迟的并行文本语音生成及可定制的语音克隆。
行业观察：通往物理世界 AI 的基石
长期以来，大模型一直是以语言为中心的系统。而 LongCat-Next 的意义在于，它证明了物理信息可以被离散化并像语言一样被建模。当 AI 拥有了统一的“母语”，它在调用工具、编写代码以及理解复杂图表时会变得更加聪明和直观。
目前，美团已将LongCat-Next 模型及dNaViT 分词器全部开源。这一小尺寸、高潜力的原生离散架构，将为开发者构建能感知并作用于真实世界的 AI 提供重要工具。
发表评论取消回复