Informe Técnico de LongCat-Flash-Omni

LongCat-Flash-Omni Technical Report

October 31, 2025

Autores: 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

Resumen

Presentamos LongCat-Flash-Omni, un modelo omni-modal de código abierto de vanguardia con 560 mil millones de parámetros, que sobresale en la interacción audio-visual en tiempo real. Mediante la adopción de una estrategia de entrenamiento progresivo inspirada en un currículum, que transita desde tareas de modelado de secuencias modales más simples hacia otras progresivamente más complejas, LongCat-Flash-Omni adquiere capacidades multimodales integrales mientras mantiene una sólida capacidad unimodal. Partiendo de LongCat-Flash, que adopta una arquitectura de Mezcla de Expertos (MoE) de alta rendimiento con conexiones de acceso directo y expertos de computación cero, LongCat-Flash-Omni integra módulos eficientes de percepción multimodal y reconstrucción del habla. A pesar de su inmenso tamaño de 560B parámetros (con 27B activados), LongCat-Flash-Omni logra una interacción audio-visual en tiempo real con baja latencia. Para la infraestructura de entrenamiento, desarrollamos un esquema de paralelismo con modalidades desacopladas, diseñado específicamente para gestionar la heterogeneidad de datos y modelos inherente al entrenamiento multimodal a gran escala. Este enfoque innovador demuestra una eficiencia excepcional al mantener más del 90% del rendimiento conseguido en el entrenamiento exclusivo con texto. Evaluaciones exhaustivas muestran que LongCat-Flash-Omni alcanza un rendimiento de vanguardia en benchmarks omni-modales entre los modelos de código abierto. Además, ofrece resultados altamente competitivos en una amplia gama de tareas específicas por modalidad, incluyendo la comprensión de texto, imagen y video, así como la comprensión y generación de audio. Proporcionamos una descripción general completa del diseño de la arquitectura del modelo, los procedimientos de entrenamiento y las estrategias de datos, y liberamos el código del modelo para fomentar la investigación y el desarrollo futuro en la comunidad.

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.