LongCat-Next: Het lexicaliseren van modaliteiten als discrete tokens
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
Samenvatting
Het heersende Next-Token Prediction (NTP)-paradigma heeft het succes van grote taalmodellen aangedreven door middel van discrete autoregressieve modellering. Hedendaagse multimodale systemen blijven echter taalkundig centraal, waarbij niet-linguïstische modaliteiten vaak als externe aanhangsels worden behandeld, wat leidt tot gefragmenteerde architecturen en suboptimale integratie. Om deze beperking te overstijgen, introduceren wij Discrete Native Autoregressive (DiNA), een uniform raamwerk dat multimodale informatie vertegenwoordigt binnen een gedeelde discrete ruimte, waardoor een consistente en principiële autoregressieve modellering over modaliteiten heen mogelijk wordt. Een belangrijke innovatie is de Discrete Native Any-resolution Visual Transformer (dNaViT), die tokenisatie en detokenisatie op willekeurige resoluties uitvoert en continue visuele signalen omzet in hiërarchische discrete tokens. Op basis van deze fundering ontwikkelen wij LongCat-Next, een native multimodaal model dat tekst, beeld en audio verwerkt onder een enkele autoregressieve doelstelling met minimale modaliteit-specifieke ontwerpelementen. Als een industriesterkte foundationmodel blinkt het uit in zien, schilderen en praten binnen één enkel raamwerk, waarbij het sterke prestaties behaalt op een breed scala aan multimodale benchmarks. In het bijzonder doorbreekt LongCat-Next het lang bestaande prestatieplafond van discrete visuele modellering bij begripstaken en biedt het een uniforme aanpak om het conflict tussen begrip en generatie effectief te verzoenen. Als een poging richting native multimodaliteit maken wij LongCat-Next en zijn tokenizers open source, in de hoop verder onderzoek en ontwikkeling in de gemeenschap te bevorderen. 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