首页美团发布LongCat-Next人工智能模型，采用统一的视觉与语音架构
4月3日，MiTi团队正式发布了原生多模态大模型LongCat-Next。该模型突破了传统的“语言基础模型加插件”模式，将图像、音频和文本转换为统一的离散令牌流。这使得AI能够原生地“看见”和“听见”物理世界，并像处理文本一样处理这些输入。
技术核心：DiNA架构实现“模态内化”
为消除不同数据类型之间的壁垒，MiTi开发了DiNA（离散原生自回归）架构，实现了多模态建模的深度统一：
完整的模态统一：该模型对文本、图像和音频使用相同的参数、注意力机制和损失函数。
理解与生成对称性：在单一数学框架内，预测下一个文本令牌即为“理解”，而预测图像令牌即为“生成”。这两个过程在训练中展现出显著的协同效应。
极致压缩：借助 dNaViT 视觉分词器，该模型可处理任意分辨率的输入。通过 8 层残差向量量化过程，在像素空间中实现高达 28 倍的压缩率，同时保留了 OCR 和金融文档分析等任务所需的关键细节。
实证性能：离散建模不存在固有局限
LongCat-Next 在多个基准测试中表现优于专用模型，有力地挑战了“离散化必然导致信息丢失”这一传统观念：
精细感知：在密集文本场景的 OmniDocBench 测试中，其表现不仅优于 Qwen3-Omni，甚至超越了专用视觉模型 Qwen3-VL。
视觉推理：在 MathVista 测试中取得 83.1 分的高分，展现出稳健的工业级逻辑推理能力。
跨模态协作：在保持领先的语言能力（C-Eval 86.80）的同时，支持文本与语音的低延迟并行生成，并具备可定制的语音克隆功能。
行业洞见：物理世界AI的基石
大型语言模型长期以来一直以文本为中心。LongCat-Next的突破性在于，它证明了物理世界信息可以像语言一样被离散化和建模。当人工智能拥有统一的“母语”时，它在使用工具、编写代码或解读复杂图表时将变得更加智能和直观。
MiTi现已开源LongCat-Next模型及dNaViT分词器。这一高效且潜力巨大的原生离散架构，为开发者提供了构建能够感知并交互于现实世界的AI所必需的工具。
相关文章
美国股市触及历史里程碑，人工智能与航空航天巨头准备开启万亿美元时代
埃隆·马斯克、山姆·阿尔特曼和达里奥·阿莫迪，这三位科技领域的巨头，正推动其各自的企业迈向首次公开募股（IPO）。随着 SpaceX、OpenAI 和 Anthropic——这三家估值接近万亿美元的行业巨头——即将上市，2026 年被预测将成为美国历史上新股发行规模最大的一年。这一历史性的资本激增已引起全球金融界的关注，成为检验公共市场吸收如此大规模资金能力的关键压力测试。这些主要融资活动的同步启动预计将打破 2021 年创下的 1560 亿美元纪录。超级独角兽的资本博弈每家公司上市的路径
瑞典人工智能初创公司Lovable Eyes在完成主要融资轮后估值达132亿美元
随着人工智能驱动的编码工具日益普及，瑞典初创公司 Lovable 已获一轮重大融资。该公司计划筹集 30 亿美元，其估值有望升至 132 亿美元——这是去年 12 月记录的 66 亿美元的两倍。预计 Menlo Ventures 将主导此次投资。Lovable 的吸引力源于其核心的“氛围编码”（vibe coding）技术，该技术通过消除对复杂编码技能的需求来简化软件开发。用户只需以自然语言描述其需求，系统即可自动生成应用程序。这种直观的方法吸引了个人开发者、设计师和小企业，并扩展至 Work
Google 测试 Remy AI 代理，以 Gemini 为重点转向用户控制
根据《商业内幕》的报道，谷歌正在测试 Remy，这是 Gemini 的一款全新 AI 个人代理工具。该工具旨在代表用户执行任务，从而简化专业工作流程和日常事务。目前，Remy 正在 Gemini 应用的内部员工专属版本中进行测试。该报告引用了一份内部文件以及对两位熟悉该项目的个人的采访。内部资料将 Remy 描述为“全天候个人代理”，将 Gemini 定位为能够代表用户行事的主动助手。接近该项目的消息人士证实，谷歌员工正在积极测试 Remy。谷歌发言人拒绝提供进一步评论。该报告未提及公开发布
相关专题推荐
数据分析
适用于 SaaS 和电商团队的 KPI 监控最佳 AI 异常检测工具
2026 年最新最佳顶级评分 AI 异常检测工具，助力 SaaS 和电商团队的 KPI 监控！XIX.AI 基于严格的真实世界测试和每周更新的排名，精心策划了一套强大且颠覆性的工具合集。您将找到详细的免费与付费对比洞察，帮助您识别必须尝试的解决方案，从而提升生产力并释放您的 AI 优势。立即探索！
10 个工具
xix.ai
写作
最适合撰写长篇SEO文章的AI大纲生成器
2026年最新、最受好评的AI大纲生成器，专为长篇SEO文章打造，由XIX.AI精心甄选。这些强大的工具在快速创建高质量内容方面提供了颠覆性的帮助，显著提升了写作效率。 获取免费版与付费版的对比分析，以及实际测试结果和详细排名，助您找到最适合自身需求、不容错过的理想选择。立即探索，解锁您的AI竞争优势。
8 个工具
xix.ai
教育与学习
用于作业和考试备考的AI学习工具
2026年最新最佳AI学习工具，助您轻松完成作业和备考！XIX.AI精心筛选出一份广受好评的顶级工具清单，这些功能强大、颠覆传统的工具经过实际测试，能帮助学生提升效率、简化作业流程，并轻松通过考试。 获取免费版与付费版的对比分析、详细排名以及必试选项，释放你的AI优势。立即探索！
10 个工具
xix.ai
音乐创作
面向词曲创作者、旋律片段、主旋律及多语言草稿创作的AI人声演示工具
2026 年最新最佳 AI 人声演示工具，专为词曲创作者、旋律创作者和多语言内容团队打造！XIX.AI 精心整理了一份经过严格真实世界测试的高评分、变革性工具列表。您将找到详细的免费与付费对比数据、全面排名以及必试选项，帮助您提升创作效率并释放创意潜力。立即探索，发现满足您所有内容需求的完美工具！
9 个工具
xix.ai
商业
适合中小企业的最佳AI竞品分析工具
2026年最新最佳、评价最高的中小企业AI竞争研究工具！XIX.AI精心精选了一系列功能强大、颠覆行业格局的工具，每周都会根据严格的实际测试和详细排名进行更新。您可以查看全面的免费版与付费版对比，从而找到那些能提升工作效率、助您赢得竞争优势的必试工具。 立即探索，发现最适合您的工具！
9 个工具
xix.ai
图像编辑
用于电商服装、皮肤清洁和色彩一致性的 Photoshop AI 修图工具
2026 年最新最佳 Photoshop AI 修图工具，适用于电商服装、皮肤清洁和色彩一致性！这份顶级精选列表包含强大的变革性解决方案，可帮助您提升写作效率、简化内容创作并轻松实现完美的视觉效果。每个工具都经过实际测试，并通过每周更新的排名进行验证，同时提供免费与付费版本的详细对比。由 XIX.AI 支持，这是任何希望发挥 AI 优势的人必试指南。立即探索！
10 个工具
xix.ai
评论 (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团队正式发布了原生多模态大模型LongCat-Next。该模型突破了传统的“语言基础模型加插件”模式，将图像、音频和文本转换为统一的离散令牌流。这使得AI能够原生地“看见”和“听见”物理世界，并像处理文本一样处理这些输入。
技术核心：DiNA架构实现“模态内化”
为消除不同数据类型之间的壁垒，MiTi开发了DiNA（离散原生自回归）架构，实现了多模态建模的深度统一：
完整的模态统一：该模型对文本、图像和音频使用相同的参数、注意力机制和损失函数。
理解与生成对称性：在单一数学框架内，预测下一个文本令牌即为“理解”，而预测图像令牌即为“生成”。这两个过程在训练中展现出显著的协同效应。
极致压缩：借助 dNaViT 视觉分词器，该模型可处理任意分辨率的输入。通过 8 层残差向量量化过程，在像素空间中实现高达 28 倍的压缩率，同时保留了 OCR 和金融文档分析等任务所需的关键细节。
实证性能：离散建模不存在固有局限
LongCat-Next 在多个基准测试中表现优于专用模型，有力地挑战了“离散化必然导致信息丢失”这一传统观念：
精细感知：在密集文本场景的 OmniDocBench 测试中，其表现不仅优于 Qwen3-Omni，甚至超越了专用视觉模型 Qwen3-VL。
视觉推理：在 MathVista 测试中取得 83.1 分的高分，展现出稳健的工业级逻辑推理能力。
跨模态协作：在保持领先的语言能力（C-Eval 86.80）的同时，支持文本与语音的低延迟并行生成，并具备可定制的语音克隆功能。
行业洞见：物理世界AI的基石
大型语言模型长期以来一直以文本为中心。LongCat-Next的突破性在于，它证明了物理世界信息可以像语言一样被离散化和建模。当人工智能拥有统一的“母语”时，它在使用工具、编写代码或解读复杂图表时将变得更加智能和直观。
MiTi现已开源LongCat-Next模型及dNaViT分词器。这一高效且潜力巨大的原生离散架构，为开发者提供了构建能够感知并交互于现实世界的AI所必需的工具。
美国股市触及历史里程碑，人工智能与航空航天巨头准备开启万亿美元时代
埃隆·马斯克、山姆·阿尔特曼和达里奥·阿莫迪，这三位科技领域的巨头，正推动其各自的企业迈向首次公开募股（IPO）。随着 SpaceX、OpenAI 和 Anthropic——这三家估值接近万亿美元的行业巨头——即将上市，2026 年被预测将成为美国历史上新股发行规模最大的一年。这一历史性的资本激增已引起全球金融界的关注，成为检验公共市场吸收如此大规模资金能力的关键压力测试。这些主要融资活动的同步启动预计将打破 2021 年创下的 1560 亿美元纪录。超级独角兽的资本博弈每家公司上市的路径
瑞典人工智能初创公司Lovable Eyes在完成主要融资轮后估值达132亿美元
随着人工智能驱动的编码工具日益普及，瑞典初创公司 Lovable 已获一轮重大融资。该公司计划筹集 30 亿美元，其估值有望升至 132 亿美元——这是去年 12 月记录的 66 亿美元的两倍。预计 Menlo Ventures 将主导此次投资。Lovable 的吸引力源于其核心的“氛围编码”（vibe coding）技术，该技术通过消除对复杂编码技能的需求来简化软件开发。用户只需以自然语言描述其需求，系统即可自动生成应用程序。这种直观的方法吸引了个人开发者、设计师和小企业，并扩展至 Work
Google 测试 Remy AI 代理，以 Gemini 为重点转向用户控制
根据《商业内幕》的报道，谷歌正在测试 Remy，这是 Gemini 的一款全新 AI 个人代理工具。该工具旨在代表用户执行任务，从而简化专业工作流程和日常事务。目前，Remy 正在 Gemini 应用的内部员工专属版本中进行测试。该报告引用了一份内部文件以及对两位熟悉该项目的个人的采访。内部资料将 Remy 描述为“全天候个人代理”，将 Gemini 定位为能够代表用户行事的主动助手。接近该项目的消息人士证实，谷歌员工正在积极测试 Remy。谷歌发言人拒绝提供进一步评论。该报告未提及公开发布
2026 年最新最佳顶级评分 AI 异常检测工具，助力 SaaS 和电商团队的 KPI 监控！XIX.AI 基于严格的真实世界测试和每周更新的排名，精心策划了一套强大且颠覆性的工具合集。您将找到详细的免费与付费对比洞察，帮助您识别必须尝试的解决方案，从而提升生产力并释放您的 AI 优势。立即探索！
10 个工具
xix.ai
2026年最新、最受好评的AI大纲生成器，专为长篇SEO文章打造，由XIX.AI精心甄选。这些强大的工具在快速创建高质量内容方面提供了颠覆性的帮助，显著提升了写作效率。 获取免费版与付费版的对比分析，以及实际测试结果和详细排名，助您找到最适合自身需求、不容错过的理想选择。立即探索，解锁您的AI竞争优势。
8 个工具
xix.ai
2026年最新最佳AI学习工具，助您轻松完成作业和备考！XIX.AI精心筛选出一份广受好评的顶级工具清单，这些功能强大、颠覆传统的工具经过实际测试，能帮助学生提升效率、简化作业流程，并轻松通过考试。 获取免费版与付费版的对比分析、详细排名以及必试选项，释放你的AI优势。立即探索！
10 个工具
xix.ai
2026 年最新最佳 AI 人声演示工具，专为词曲创作者、旋律创作者和多语言内容团队打造！XIX.AI 精心整理了一份经过严格真实世界测试的高评分、变革性工具列表。您将找到详细的免费与付费对比数据、全面排名以及必试选项，帮助您提升创作效率并释放创意潜力。立即探索，发现满足您所有内容需求的完美工具！
9 个工具
xix.ai
2026年最新最佳、评价最高的中小企业AI竞争研究工具！XIX.AI精心精选了一系列功能强大、颠覆行业格局的工具，每周都会根据严格的实际测试和详细排名进行更新。您可以查看全面的免费版与付费版对比，从而找到那些能提升工作效率、助您赢得竞争优势的必试工具。 立即探索，发现最适合您的工具！
9 个工具
xix.ai
2026 年最新最佳 Photoshop AI 修图工具，适用于电商服装、皮肤清洁和色彩一致性！这份顶级精选列表包含强大的变革性解决方案，可帮助您提升写作效率、简化内容创作并轻松实现完美的视觉效果。每个工具都经过实际测试，并通过每周更新的排名进行验证，同时提供免费与付费版本的详细对比。由 XIX.AI 支持，这是任何希望发挥 AI 优势的人必试指南。立即探索！
10 个工具
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. 🧐
