Rapport Technique 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

Nous présentons LongCat-Flash-Omni, un modèle omnimodal open-source de pointe comptant 560 milliards de paramètres, excellant dans l'interaction audio-visuelle en temps réel. En adoptant une stratégie d'entraînement progressive inspirée d'un curriculum pédagogique, qui transitionne de tâches de modélisation de séquences modales simples vers des tâches de plus en plus complexes, LongCat-Flash-Omni acquiert des capacités multimodales complètes tout en conservant de solides performances unimodales. S'appuyant sur LongCat-Flash, qui utilise une architecture haute performance de type Mixture-of-Experts (MoE) à connexions raccourcies avec des experts à calcul nul, LongCat-Flash-Omni intègre des modules efficaces de perception multimodale et de reconstruction de la parole. Malgré sa taille immense de 560 milliards de paramètres (dont 27B activés), LongCat-Flash-Omni atteint une interaction audio-visuelle en temps réel à faible latence. Pour l'infrastructure d'entraînement, nous avons développé un schéma de parallélisme à modalités découplées, spécialement conçu pour gérer l'hétérogénéité des données et du modèle inhérente à l'entraînement multimodal à grande échelle. Cette approche innovante démontre une efficacité exceptionnelle en maintenant plus de 90 % du débit atteint par un entraînement sur texte seul. Des évaluations approfondies montrent que LongCat-Flash-Omni obtient des performances de pointe sur des benchmarks omnimodaux parmi les modèles open-source. De plus, il produit des résultats très compétitifs sur un large éventail de tâches modales spécifiques, incluant la compréhension de texte, d'image et de vidéo, ainsi que la compréhension et la génération audio. Nous fournissons une vue d'ensemble complète de la conception de l'architecture du modèle, des procédures d'entraînement et des stratégies de données, et ouvrons le code du modèle pour favoriser les futurs travaux de recherche et développement dans la communauté.

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.