美团开源 LongCat-Next：3B 参数多模态模型统一文本视觉语音能力

美团龙猫团队开源 LongCat-Next，这是一款基于 MoE 架构、激活参数 3B 的原生多模态模型，在单一自回归框架下统一了文本、视觉理解、图像生成、语音理解和语音合成五种能力。该模型及配套分词器以 MIT 许可证开源，权重已上线 HuggingFace。

其核心设计采用 DiNA（离散原生自回归）范式：为每种模态设计配对的分词器和解码器，将视觉和音频信号转化为离散 token，与文本共享同一嵌入空间，通过统一的 next-token prediction 完成所有任务。视觉侧组件 dNaViT 能提取‘视觉词’，支持动态分词和解码，在 28 倍压缩比下仍保持图像生成质量，尤其文字渲染表现突出。

在同等激活参数量级（A3B）模型中，LongCat-Next 在视觉理解（MathVision64.7）、图像生成（LongText-EN93.15）、编程（SWE-Bench43.0）及 Agent 工具调用（Tau2-Retail73.68）等基准测试中表现优异。在统一模型对比中，其 MMMU 得分 70.6 领先，且未牺牲纯文本和 Agent 能力。