LongCat-Next 如何统一文本图像音频

LongCat-Next 开源发布：统一文本、图像与音频的原生多模态模型

一、摘要 LongCat-Next 是美团 LongCat 团队开源的离散原生自回归多模态模型，目标是在同一框架中统一处理文本、视觉与音频。项目采用 MoE 架构，总参数约 68.5B、激活参数约 3B，强调“看、画、说”在单一离散 token 空间内协同完成，面向工业级多模态场景提供理解、生成和交...