LongCat-Next: Lessicalizzazione delle modalità come token discreti
LongCat-Next: Lexicalizing Modalities as Discrete Tokens
March 29, 2026
Autori: 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
Abstract
Il paradigma predominante della Predizione del Prossimo Token (NTP) ha guidato il successo dei grandi modelli linguistici attraverso la modellazione autoregressiva discreta. Tuttavia, i sistemi multimodali contemporanei rimangono incentrati sul linguaggio, trattando spesso le modalità non linguistiche come allegati esterni, il che porta ad architetture frammentate e un'integrazione non ottimale. Per superare questa limitazione, introduciamo Discrete Native Autoregressive (DiNA), un framework unificato che rappresenta le informazioni multimodali all'interno di uno spazio discreto condiviso, abilitando una modellazione autoregressiva coerente e rigorosa attraverso le modalità. Un'innovazione chiave è il Discrete Native Any-resolution Visual Transformer (dNaViT), che esegue la tokenizzazione e la de-tokenizzazione a risoluzioni arbitrarie, trasformando segnali visivi continui in token discreti gerarchici. Sulla base di questo fondamento, sviluppiamo LongCat-Next, un modello multimodale nativo che elabora testo, visione e audio con un unico obiettivo autoregressivo e una progettazione specifica per modalità minima. In quanto modello fondazionale di livello industriale, eccelle nel vedere, disegnare e parlare all'interno di un unico framework, raggiungendo prestazioni solide su un'ampia gamma di benchmark multimodali. In particolare, LongCat-Next affronta il limite di performance di lunga data della modellazione visiva discreta sui compiti di comprensione e fornisce un approccio unificato per riconciliare efficacemente il conflitto tra comprensione e generazione. Come tentativo verso una multimodalità nativa, rendiamo open-source LongCat-Next e i suoi tokenizer, con la speranza di promuovere ulteriori ricerche e sviluppi nella comunità. 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