LongCat-Next : Lexicaliser les modalités en tant que tokens discrets
LongCat-Next: Lexicalizing Modalities as Discrete Tokens
March 29, 2026
Auteurs: 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
Résumé
Le paradigme dominant de la prédiction du token suivant (Next-Token Prediction, NTP) a propulsé le succès des grands modèles de langage grâce à la modélisation autorégressive discrète. Cependant, les systèmes multimodaux contemporains restent centrés sur le langage, traitant souvent les modalités non linguistiques comme des ajouts externes, ce qui entraîne des architectures fragmentées et une intégration sous-optimale. Pour dépasser cette limite, nous présentons Discrete Native Autoregressive (DiNA), un cadre unifié qui représente l'information multimodale dans un espace discret partagé, permettant une modélisation autorégressive cohérente et rigoureuse à travers les modalités. Une innovation clé est le Discrete Native Any-resolution Visual Transformer (dNaViT), qui effectue la tokenisation et la dé-tokenisation à des résolutions arbitraires, transformant les signaux visuels continus en tokens discrets hiérarchiques. Sur cette base, nous développons LongCat-Next, un modèle multimodal natif qui traite le texte, la vision et l'audio avec un objectif autorégressif unique et une conception spécifique aux modalités minimale. En tant que modèle fondateur de qualité industrielle, il excelle à voir, peindre et parler dans un cadre unique, obtenant des performances solides sur un large éventail de benchmarks multimodaux. En particulier, LongCat-Next aborde le plafond de performance persistant de la modélisation visuelle discrète sur les tâches de compréhension et propose une approche unifiée pour concilier efficacement le conflit entre compréhension et génération. En tant que tentative vers une multimodalité native, nous ouvrons le code source de LongCat-Next et de ses tokenizers, espérant favoriser les recherches et développements futurs au sein de la communauté. 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