美团LongCat-Next:把图像、声音、文字都变成Token,然后呢?
机器之心编辑部近日,美团发布了一项颇具分量的多模态研究成果 —— LongCat-Next。这是一款离散原生自回归多模态大模型,基于 LongCat-Flash-Lite MoE 架构构建,总参数量达 68.5B,激活参数仅 3B,能够在统一框架下同时处理文本、图像与音频三种模态。该模型的出现,直接挑战了多模态领域长期存在的一个认知:将视觉信息离散化为 Token 会导致严重的细节丢失,在 OCR
发布时间:2026-04-02来源:机器之心












