首頁美團推出「LongCat-Next」AI 模型，具備統一的視覺與語音架構
4月3日，MiTi團隊正式推出原生多模態大型模型 LongCat-Next。該模型突破了傳統的「語言基礎架構加外掛程式」模式，將圖像、音訊和文字轉換為統一的離散標記流。這使人工智慧能夠原生地「看見」和「聽見」物理世界，並像處理文字一樣處理這些輸入。
技術核心：DiNA 架構實現「模態內化」
為消除不同資料類型之間的隔閡，MiTi 開發了 DiNA（離散原生自迴歸）架構，實現了多模態建模的深度統一：
完整的模態統一：該模型針對文字、圖像和音訊使用相同的參數、注意力機制及損失函數。
理解與生成對稱性：在單一數學框架內，預測下一個文字標記即為「理解」，而預測圖像標記則為「生成」。這兩項過程在訓練期間展現出顯著的協同效益。
極致壓縮：透過 dNaViT 視覺分詞器，可處理任何解析度的輸入。藉由 8 層殘差向量量化過程，在像素空間中實現最高 28 倍的壓縮率，同時保留 OCR 和財務文件分析等任務所需的關鍵細節。
實證表現：離散建模並無固有限制
LongCat-Next 在多項基準測試中展現出超越專用模型的表現，有效挑戰了「離散化必然導致資訊損失」的傳統觀念：
細粒度感知：在密集文本場景的 OmniDocBench 測試中，其表現不僅超越 Qwen3-Omni，更勝過專用的視覺模型 Qwen3-VL。
視覺推理：在 MathVista 測試中取得 83.1 分的高分，展現出強健的產業級邏輯推理能力。
跨模態協作：在維持領先的語言能力（C-Eval 86.80）的同時，支援文字與語音的低延遲並行生成，並具備可自訂的語音克隆功能。
產業洞見：實體世界 AI 的基礎
大型語言模型長期以來都以文字為核心。LongCat-Next 的突破性之處在於，它證明了實體世界資訊可以像語言一樣被離散化並建模。當 AI 擁有統一的「母語」時，無論是使用工具、編寫程式碼，還是解讀複雜圖表，都能變得更加智能且直覺。
MiTi 現已將 LongCat-Next 模型與 dNaViT 詞法分析器開源。這套高效且潛力巨大的原生離散架構，為開發者提供了打造能感知並與現實世界互動的人工智慧所需的關鍵工具。
相關文章
位元組跳動旗下 Seed 啟動全球校園招聘，以虛擬股份爭奪頂尖大模型人才
在大型語言模型的競爭格局中，爭奪頂尖人才仍然是最關鍵的戰略資產。4月1日，位元組跳動宣佈啟動Seed全球校園招聘計劃，作為其大模型人才培養專案的一部分。該活動面向2027屆畢業生及現有實習生，旨在全球範圍內發掘並鎖定AI領域的精英研發與工程人才。規模擴張：全球甄選100名“AI種子”在技術快速進步的背景下，位元組跳動有限公司今年大幅增加了對基礎AI人才的投入：招聘範圍： 該計劃旨在從全球範圍內招聘約100名專注於大模型的傑出候選人，物件為2027屆畢業生。發展路徑： Seed計劃將核心
Suno 在法律訴訟中為歌曲新增水印
Suno，這個允許使用者生成由人工智慧創作的音樂的平臺，近日推出了新功能，包括為平臺製作的曲目新增標籤、限制下載，並更新社羣標準以遏制未經授權的複製品。這些更新是在Suno面臨多家唱片公司和藝術家組織提起的多起訴訟之際推出的。在部落格文章中，聯合創始人兼執行長Mikey Shulman概述了核心原則，強調該平臺旨在促進原創創作，同時擴大更廣泛受眾對人工智慧音樂工具的訪問許可權。一個主要的爭議點在於，使用者將人工智慧生成的歌曲上傳到其他流媒體服務並透過操縱系統獲取收入。Suno表示，現在將採用音訊
馬斯克承認 Grok 構建過程中洩露了使用者程式碼，並承諾清除所有歷史資料
埃隆·馬斯克直接回應了圍繞 Grok Build 的隱私爭議，首先以簡單的“True”（屬實）確認了該事件的有效性。他承諾，此前上傳至 SpaceXAI 的所有使用者資料將被永久刪除，並表示“不留一個位元組”。這是人工智慧行業首次由主要科技領袖公開承認錯誤並主動刪除使用者資料。安全研究人員的“釣魚”測試揭示了資料洩露的具體證據此次爭議源於獨立人工智慧安全研究人員 @cereblab 的一份報告。SpaceXAI 推出的 AI 程式設計助手 Grok Build 在其官方網站上聲稱其“優先本地執行，程式碼
相關專題推薦
設計與藝術
適用於角色設定表、靈感板及簡報的 AI 視覺風格參考工具
2026 年最新最佳 AI 視覺風格參考工具，適用於角色設定表、 moodboard 及提案簡報，現已登陸 XIX.AI！這份精心精選的高評分清單收錄了經過嚴格實測、能徹底改變遊戲規則的強大工具。 您將在此找到免費與付費版本的對比、詳細排名，以及必試選項，助您激發創意並優化工作流程。立即探索，發掘能提升生產力的完美工具！
11 個工具
xix.ai
搜索引擎優化
最適合制定搜尋策略的 AI 搜尋結果頁面（SERP）分析工具
XIX.AI 透過嚴格的實際測試及每週更新的排行榜，精選了 2026 年最新、最佳且評價最高的 AI 搜尋結果頁面（SERP）分析工具，以協助制定搜尋策略。這些強大的工具能幫助您發掘隱藏的優化機會、提升內容表現，並在搜尋領域中取得競爭優勢。立即探索最適合您的工具，提升您的搜尋策略。現在就來探索吧！
13 個工具
xix.ai
數據分析
適用於 SaaS 和電商團隊的 KPI 監控最佳 AI 異常檢測工具
2026 年最新最佳頂級評分 AI 異常檢測工具，助力 SaaS 和電商團隊的 KPI 監控！XIX.AI 基於嚴格的真實世界測試和每週更新的排名，精心策劃了一套強大且顛覆性的工具合集。您將找到詳細的免費與付費對比洞察，幫助您識別必須嘗試的解決方案，從而提升生產力並釋放您的 AI 優勢。立即探索！
10 個工具
xix.ai
寫作
最適合撰寫長篇 SEO 文章的 AI 大綱生成工具
2026 年最新最佳、評價最高的 AI 大綱生成器，專為長篇 SEO 文章打造，由 XIX.AI 精心精選。這些強大的工具能為快速創作高品質內容提供革命性的協助，大幅提升寫作效率。 透過免費版與付費版的比較、實際測試結果及詳細排名，協助您找出最符合需求且不容錯過的選項。立即探索，釋放您的 AI 優勢。
8 個工具
xix.ai
教育與學習
適用於作業與考試準備的人工智慧學習工具
2026 年最新最佳 AI 學習工具，助您完成作業與備考！XIX.AI 精心整理了一份備受好評的清單，收錄了這些強大且具革命性、經實測驗證的工具，能幫助學生提升效率、簡化作業流程，並在考試中取得優異成績。 獲取免費版與付費版的比較、詳細排名，以及必試選項，以釋放您的 AI 優勢。立即探索！
10 個工具
xix.ai
音樂創作
面向詞曲創作者、旋律片段、主旋律及多語言草稿創作的AI人聲演示工具
2026 年最新最佳 AI 人聲演示工具，專為詞曲創作者、旋律創作者和多語言內容團隊打造！XIX.AI 精心整理了一份經過嚴格真實世界測試的高評分、變革性工具列表。您將找到詳細的免費與付費對比資料、全面排名以及必試選項，幫助您提升創作效率並釋放創意潛力。立即探索，發現滿足您所有內容需求的完美工具！
9 個工具
xix.ai
評論 (1)
0/500
![CharlesHernández]()
Interesting approach! Unifying vision and speech into a single stream sounds like a step towards more 'native' multimodal understanding, unlike just bolting on separate modules. Makes me wonder how this affects real-time processing efficiency for delivery robots or AR navigation apps. Could be a game-changer for Meituan's on-demand services if it works smoothly in the wild. 🧐
4月3日，MiTi團隊正式推出原生多模態大型模型 LongCat-Next。該模型突破了傳統的「語言基礎架構加外掛程式」模式，將圖像、音訊和文字轉換為統一的離散標記流。這使人工智慧能夠原生地「看見」和「聽見」物理世界，並像處理文字一樣處理這些輸入。
技術核心：DiNA 架構實現「模態內化」
為消除不同資料類型之間的隔閡，MiTi 開發了 DiNA（離散原生自迴歸）架構，實現了多模態建模的深度統一：
完整的模態統一：該模型針對文字、圖像和音訊使用相同的參數、注意力機制及損失函數。
理解與生成對稱性：在單一數學框架內，預測下一個文字標記即為「理解」，而預測圖像標記則為「生成」。這兩項過程在訓練期間展現出顯著的協同效益。
極致壓縮：透過 dNaViT 視覺分詞器，可處理任何解析度的輸入。藉由 8 層殘差向量量化過程，在像素空間中實現最高 28 倍的壓縮率，同時保留 OCR 和財務文件分析等任務所需的關鍵細節。
實證表現：離散建模並無固有限制
LongCat-Next 在多項基準測試中展現出超越專用模型的表現，有效挑戰了「離散化必然導致資訊損失」的傳統觀念：
細粒度感知：在密集文本場景的 OmniDocBench 測試中，其表現不僅超越 Qwen3-Omni，更勝過專用的視覺模型 Qwen3-VL。
視覺推理：在 MathVista 測試中取得 83.1 分的高分，展現出強健的產業級邏輯推理能力。
跨模態協作：在維持領先的語言能力（C-Eval 86.80）的同時，支援文字與語音的低延遲並行生成，並具備可自訂的語音克隆功能。
產業洞見：實體世界 AI 的基礎
大型語言模型長期以來都以文字為核心。LongCat-Next 的突破性之處在於，它證明了實體世界資訊可以像語言一樣被離散化並建模。當 AI 擁有統一的「母語」時，無論是使用工具、編寫程式碼，還是解讀複雜圖表，都能變得更加智能且直覺。
MiTi 現已將 LongCat-Next 模型與 dNaViT 詞法分析器開源。這套高效且潛力巨大的原生離散架構，為開發者提供了打造能感知並與現實世界互動的人工智慧所需的關鍵工具。
位元組跳動旗下 Seed 啟動全球校園招聘，以虛擬股份爭奪頂尖大模型人才
在大型語言模型的競爭格局中，爭奪頂尖人才仍然是最關鍵的戰略資產。4月1日，位元組跳動宣佈啟動Seed全球校園招聘計劃，作為其大模型人才培養專案的一部分。該活動面向2027屆畢業生及現有實習生，旨在全球範圍內發掘並鎖定AI領域的精英研發與工程人才。規模擴張：全球甄選100名“AI種子”在技術快速進步的背景下，位元組跳動有限公司今年大幅增加了對基礎AI人才的投入：招聘範圍： 該計劃旨在從全球範圍內招聘約100名專注於大模型的傑出候選人，物件為2027屆畢業生。發展路徑： Seed計劃將核心
Suno 在法律訴訟中為歌曲新增水印
Suno，這個允許使用者生成由人工智慧創作的音樂的平臺，近日推出了新功能，包括為平臺製作的曲目新增標籤、限制下載，並更新社羣標準以遏制未經授權的複製品。這些更新是在Suno面臨多家唱片公司和藝術家組織提起的多起訴訟之際推出的。在部落格文章中，聯合創始人兼執行長Mikey Shulman概述了核心原則，強調該平臺旨在促進原創創作，同時擴大更廣泛受眾對人工智慧音樂工具的訪問許可權。一個主要的爭議點在於，使用者將人工智慧生成的歌曲上傳到其他流媒體服務並透過操縱系統獲取收入。Suno表示，現在將採用音訊
馬斯克承認 Grok 構建過程中洩露了使用者程式碼，並承諾清除所有歷史資料
埃隆·馬斯克直接回應了圍繞 Grok Build 的隱私爭議，首先以簡單的“True”（屬實）確認了該事件的有效性。他承諾，此前上傳至 SpaceXAI 的所有使用者資料將被永久刪除，並表示“不留一個位元組”。這是人工智慧行業首次由主要科技領袖公開承認錯誤並主動刪除使用者資料。安全研究人員的“釣魚”測試揭示了資料洩露的具體證據此次爭議源於獨立人工智慧安全研究人員 @cereblab 的一份報告。SpaceXAI 推出的 AI 程式設計助手 Grok Build 在其官方網站上聲稱其“優先本地執行，程式碼
2026 年最新最佳 AI 視覺風格參考工具，適用於角色設定表、 moodboard 及提案簡報，現已登陸 XIX.AI！這份精心精選的高評分清單收錄了經過嚴格實測、能徹底改變遊戲規則的強大工具。 您將在此找到免費與付費版本的對比、詳細排名，以及必試選項，助您激發創意並優化工作流程。立即探索，發掘能提升生產力的完美工具！
11 個工具
xix.ai
XIX.AI 透過嚴格的實際測試及每週更新的排行榜，精選了 2026 年最新、最佳且評價最高的 AI 搜尋結果頁面（SERP）分析工具，以協助制定搜尋策略。這些強大的工具能幫助您發掘隱藏的優化機會、提升內容表現，並在搜尋領域中取得競爭優勢。立即探索最適合您的工具，提升您的搜尋策略。現在就來探索吧！
13 個工具
xix.ai
2026 年最新最佳頂級評分 AI 異常檢測工具，助力 SaaS 和電商團隊的 KPI 監控！XIX.AI 基於嚴格的真實世界測試和每週更新的排名，精心策劃了一套強大且顛覆性的工具合集。您將找到詳細的免費與付費對比洞察，幫助您識別必須嘗試的解決方案，從而提升生產力並釋放您的 AI 優勢。立即探索！
10 個工具
xix.ai
2026 年最新最佳、評價最高的 AI 大綱生成器，專為長篇 SEO 文章打造，由 XIX.AI 精心精選。這些強大的工具能為快速創作高品質內容提供革命性的協助，大幅提升寫作效率。 透過免費版與付費版的比較、實際測試結果及詳細排名，協助您找出最符合需求且不容錯過的選項。立即探索，釋放您的 AI 優勢。
8 個工具
xix.ai
2026 年最新最佳 AI 學習工具，助您完成作業與備考！XIX.AI 精心整理了一份備受好評的清單，收錄了這些強大且具革命性、經實測驗證的工具，能幫助學生提升效率、簡化作業流程，並在考試中取得優異成績。 獲取免費版與付費版的比較、詳細排名，以及必試選項，以釋放您的 AI 優勢。立即探索！
10 個工具
xix.ai
2026 年最新最佳 AI 人聲演示工具，專為詞曲創作者、旋律創作者和多語言內容團隊打造！XIX.AI 精心整理了一份經過嚴格真實世界測試的高評分、變革性工具列表。您將找到詳細的免費與付費對比資料、全面排名以及必試選項，幫助您提升創作效率並釋放創意潛力。立即探索，發現滿足您所有內容需求的完美工具！
9 個工具
xix.ai
Interesting approach! Unifying vision and speech into a single stream sounds like a step towards more 'native' multimodal understanding, unlike just bolting on separate modules. Makes me wonder how this affects real-time processing efficiency for delivery robots or AR navigation apps. Could be a game-changer for Meituan's on-demand services if it works smoothly in the wild. 🧐
