Technischer Bericht zu LongCat-Flash-Omni

LongCat-Flash-Omni Technical Report

October 31, 2025

papers.authors: Meituan LongCat Team, Bairui Wang, Bayan, Bin Xiao, Bo Zhang, Bolin Rong, Borun Chen, Chang Wan, Chao Zhang, Chen Huang, Chen Chen, Chen Chen, Chengxu Yang, Chengzuo Yang, Cong Han, Dandan Peng, Delian Ruan, Detai Xin, Disong Wang, Dongchao Yang, Fanfan Liu, Fengjiao Chen, Fengyu Yang, Gan Dong, Gang Huang, Gang Xu, Guanglu Wan, Guoqiang Tan, Guoqiao Yu, Haibo Qiu, Hao Lu, Hongbo Liu, Hongyu Xiang, Jiaheng Wu, Jian Yang, Jiaxing Liu, Jing Huang, Jingang Wang, Jinrui Ding, Juchao Jiang, Jun Kuang, Jun Wang, Junhui Mei, Ke Ding, Kefeng Zhang, Lei Chen, Liang Shi, Limeng Qiao, Liming Zheng, Lin Ma, Liuyang Guo, Liya Ma, Luying Sun, Man Gao, Mengshen Zhu, Miao Cao, Minliang Lin, Nuo Xu, Peng Shi, Qi Zhang, Qian Fang, Qian Wang, Qian Yang, Quanxiu Wang, Rongxiang Weng, Rongxin Guo, Ruoxuan Liang, Senbin Yang, Shanbo Xu, Shanglin Lei, Shengze Ye, Shimin Chen, Shuaiqi Chen, Shujie Hu, Shuo Li, Siqi Yang, Siyu Xu, Siyu Ren, Song Li, Songxiang Liu, Tianhao Bai, Tianye Dai, Wei Hong, Wei Wang, Weixiao Zhao, Wengang Cao, Wenlong Zhu, Wenlong He, Xi Su, Xi Nan, Xiaohan Zhao, Xiaohao Wang, Xiaoyu Zhao, Xiaoyu Wang, Xiaoyu Li, Xin Pan, Xin Chen, Xiusong Sun, Xu Xiang, Xudong Xing, Xuezhi Cao, Xunliang Cai, Yang Yang, Yanli Tan, Yao Yao, Yerui Sun, Yi Chen, Yifan Lu, Yin Gong, Yining Zhang, Yitian Chen, Yiyang Gan, Yuchen Tang, Yuchen Xie, Yueqian Wang, Yuewen Zheng, Yufei Zhang, Yufeng Zhong, Yulei Qian, Yuqi Peng, Yuwei Jiang, Zeyang Hu, Zheng Zhang, Zhengkun Tian, Zhiqing Hong, Zhixiong Zeng, Zhuqi Mi, Ziran Li, Ziwen Wang, Ziyi Zhao, Ziyuan Zhuang, Zizhe Zhao

cs.AI

papers.abstract

Wir stellen LongCat-Flash-Omni vor, ein modernes Open-Source-Omnimodal-Modell mit 560 Milliarden Parametern, das sich durch herausragende Echtzeit-Audio-Video-Interaktion auszeichnet. Durch die Anwendung einer an Lehrplänen inspirierten, progressiven Trainingsstrategie, die von einfacheren zu zunehmend komplexeren Modalitätssequenz-Modellierungsaufgaben übergeht, erlangt LongCat-Flash-Omni umfassende multimodale Fähigkeiten bei gleichzeitig starker unimodaler Leistungsfähigkeit. Aufbauend auf LongCat-Flash, das eine leistungsstarke Shortcut-verbundene Mixture-of-Experts (MoE)-Architektur mit Zero-Computation-Experten nutzt, integriert LongCat-Flash-Omni effiziente multimodale Wahrnehmungs- und Sprachrekonstruktionsmodule. Trotz seiner immensen Größe von 560 Milliarden Parametern (davon 27 Milliarden aktiviert) erreicht LongCat-Flash-Omni eine latenzarme Echtzeit-Audio-Video-Interaktion. Für die Trainingsinfrastruktur entwickelten wir ein modalitätsentkoppeltes Parallelitätsschema, das speziell zur Bewältigung der Daten- und Modellheterogenität konzipiert ist, die für groß angelegtes multimodales Training typisch ist. Dieser innovative Ansatz zeigt eine außergewöhnliche Effizienz, indem er über 90 % des Durchsatzes erreicht, der beim reinen Texttraining erzielt wird. Umfangreiche Evaluationen zeigen, dass LongCat-Flash-Omni auf Omnimodal-Benchmarks unter Open-Source-Modellen state-of-the-art Leistung erzielt. Darüber hinaus liefert es äußerst wettbewerbsfähige Ergebnisse in einer Vielzahl modalitätsspezifischer Aufgaben, einschließlich Text-, Bild- und Videoverständnis sowie Audioverständnis und -generierung. Wir geben einen umfassenden Überblick über das Modellarchitektur-Design, die Trainingsverfahren und Datenstrategien und stellen das Modell als Open Source zur Verfügung, um zukünftige Forschung und Entwicklung in der Community zu fördern.

English

We introduce LongCat-Flash-Omni, a state-of-the-art open-source omni-modal model with 560 billion parameters, excelling at real-time audio-visual interaction. By adopting a curriculum-inspired progressive training strategy that transitions from simpler to increasingly complex modality sequence modeling tasks, LongCat-Flash-Omni attains comprehensive multimodal capabilities while maintaining strong unimodal capability. Building upon LongCat-Flash, which adopts a high-performance Shortcut-connected Mixture-of-Experts (MoE) architecture with zero-computation experts, LongCat-Flash-Omni integrates efficient multimodal perception and speech reconstruction modules. Despite its immense size of 560B parameters (with 27B activated), LongCat-Flash-Omni achieves low-latency real-time audio-visual interaction. For training infrastructure, we developed a modality-decoupled parallelism scheme specifically designed to manage the data and model heterogeneity inherent in large-scale multimodal training. This innovative approach demonstrates exceptional efficiency by sustaining over 90% of the throughput achieved by text-only training. Extensive evaluations show that LongCat-Flash-Omni achieves state-of-the-art performance on omni-modal benchmarks among open-source models. Furthermore, it delivers highly competitive results across a wide range of modality-specific tasks, including text, image, and video understanding, as well as audio understanding and generation. We provide a comprehensive overview of the model architecture design, training procedures, and data strategies, and open-source the model to foster future research and development in the community.