LongCat-Next: Lexicalização de Modalidades como Tokens Discretos
LongCat-Next: Lexicalizing Modalities as Discrete Tokens
March 29, 2026
Autores: 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
Resumo
O paradigma predominante de Predição do Próximo Token (NPT) tem impulsionado o sucesso dos grandes modelos de linguagem por meio da modelagem autoregressiva discreta. No entanto, os sistemas multimodais contemporâneos permanecem centrados na linguagem, frequentemente tratando modalidades não linguísticas como anexos externos, resultando em arquiteturas fragmentadas e integração subótima. Para superar essa limitação, introduzimos o Discrete Native Autoregressive (DiNA), um framework unificado que representa informações multimodais em um espaço discreto compartilhado, permitindo uma modelagem autoregressiva consistente e fundamentada entre modalidades. Uma inovação fundamental é o Discrete Native Any-resolution Visual Transformer (dNaViT), que realiza tokenização e detokenização em resoluções arbitrárias, transformando sinais visuais contínuos em tokens discretos hierárquicos. Com base nisso, desenvolvemos o LongCat-Next, um modelo multimodal nativo que processa texto, visão e áudio sob um único objetivo autoregressivo com design específico por modalidade mínimo. Como um modelo de base de força industrial, ele se destaca em ver, pintar e falar dentro de uma única estrutura, alcançando desempenho sólido em uma ampla gama de benchmarks multimodais. Em particular, o LongCat-Next aborda o limite de desempenho de longa data da modelagem visual discreta em tarefas de compreensão e fornece uma abordagem unificada para reconciliar efetivamente o conflito entre compreensão e geração. Como uma tentativa rumo à multimodalidade nativa, disponibilizamos em código aberto o LongCat-Next e seus tokenizadores, na esperança de fomentar mais pesquisa e desenvolvimento na comunidade. 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