LongCat-Next: Lexicalización de modalidades como tokens discretos
LongCat-Next: Lexicalizing Modalities as Discrete Tokens
March 29, 2026
Autores: Meituan LongCat Team, Bin Xiao, Chao Wang, Chengjiang Li, Chi Zhang, Chong Peng, Hang Yu, Hao Yang, Haonan Yan, Haoze Sun, Haozhe Zhao, Hong Liu, Hui Su, Jiaqi Zhang, Jiawei Wang, Jing Li, Kefeng Zhang, Manyuan Zhang, Minhao Jing, Peng Pei, Quan Chen, Taofeng Xue, Tongxin Pan, Xiaotong Li, Xiaoyang Li, Xiaoyu Zhao, Xing Hu, Xinyang Lin, Xunliang Cai, Yan Bai, Yan Feng, Yanjie Li, Yao Qiu, Yerui Sun, Yifan Lu, Ying Luo, Yipeng Mei, Yitian Chen, Yuchen Xie, Yufang Liu, Yufei Chen, Yulei Qian, Yuqi Peng, Zhihang Yu, Zhixiong Han, Changran Wang, Chen Chen, Dian Zheng, Fengjiao Chen, Ge Yang, Haowei Guo, Haozhe Wang, Hongyu Li, Huicheng Jiang, Jiale Hong, Jialv Zou, Jiamu Li, Jianping Lin, Jiaxing Liu, Jie Yang, Jing Jin, Jun Kuang, Juncheng She, Kunming Luo, Kuofeng Gao, Lin Qiu, Linsen Guo, Mianqiu Huang, Qi Li, Qian Wang, Rumei Li, Siyu Ren, Wei Wang, Wenlong He, Xi Chen, Xiao Liu, Xiaoyu Li, Xu Huang, Xuanyu Zhu, Xuezhi Cao, Yaoming Zhu, Yifei Cao, Yimeng Jia, Yizhen Jiang, Yufei Gao, Zeyang Hu, Zhenlong Yuan, Zijian Zhang, Ziwen Wang
cs.AI
Resumen
El paradigma predominante de Predicción del Siguiente Token (NTP) ha impulsado el éxito de los grandes modelos de lenguaje mediante el modelado autoregresivo discreto. Sin embargo, los sistemas multimodales contemporáneos siguen siendo centrados en el lenguaje, tratando a menudo las modalidades no lingüísticas como anexos externos, lo que conduce a arquitecturas fragmentadas y a una integración subóptima. Para superar esta limitación, presentamos Discrete Native Autoregressive (DiNA), un marco unificado que representa la información multimodal dentro de un espacio discreto compartido, permitiendo un modelado autoregresivo consistente y fundamentado en todas las modalidades. Una innovación clave es el Transformer Visual de Resolución Arbitraria Nativo Discreto (dNaViT), que realiza la tokenización y de-tokenización a resoluciones arbitrarias, transformando señales visuales continuas en tokens discretos jerárquicos. Sobre esta base, desarrollamos LongCat-Next, un modelo multimodal nativo que procesa texto, visión y audio bajo un único objetivo autoregresivo con un diseño específico de modalidad mínimo. Como modelo base de resistencia industrial, sobresale en ver, pintar y hablar dentro de un único marco, logrando un rendimiento sólido en una amplia gama de benchmarks multimodales. En particular, LongCat-Next aborda el persistente techo de rendimiento del modelado visual discreto en tareas de comprensión y proporciona un enfoque unificado para reconciliar eficazmente el conflicto entre comprensión y generación. Como un intento hacia la multimodalidad nativa, publicamos el código abierto de LongCat-Next y sus tokenizadores, con la esperanza de fomentar más investigación y desarrollo en la comunidad. GitHub: https://github.com/meituan-longcat/LongCat-Next
English
The prevailing Next-Token Prediction (NTP) paradigm has driven the success of large language models through discrete autoregressive modeling. However, contemporary multimodal systems remain language-centric, often treating non-linguistic modalities as external attachments, leading to fragmented architectures and suboptimal integration. To transcend this limitation, we introduce Discrete Native Autoregressive (DiNA), a unified framework that represents multimodal information within a shared discrete space, enabling a consistent and principled autoregressive modeling across modalities. A key innovation is the Discrete Native Any-resolution Visual Transformer (dNaViT), which performs tokenization and de-tokenization at arbitrary resolutions, transforming continuous visual signals into hierarchical discrete tokens. Building on this foundation, we develop LongCat-Next, a native multimodal model that processes text, vision, and audio under a single autoregressive objective with minimal modality-specific design. As an industrial-strength foundation model, it excels at seeing, painting, and talking within a single framework, achieving strong performance across a wide range of multimodal benchmarks. In particular, LongCat-Next addresses the long-standing performance ceiling of discrete vision modeling on understanding tasks and provides a unified approach to effectively reconcile the conflict between understanding and generation. As an attempt toward native multimodality, we open-source the LongCat-Next and its tokenizers, hoping to foster further research and development in the community. GitHub: https://github.com/meituan-longcat/LongCat-Next