# Relatório Técnico LongCat-Flash-Omni

LongCat-Flash-Omni Technical Report

October 31, 2025

Autores: 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

Resumo

Apresentamos o LongCat-Flash-Omni, um modelo omni-modal de código aberto e estado da arte com 560 bilhões de parâmetros, que se destaca na interação áudio-visual em tempo real. Ao adotar uma estratégia de treinamento progressivo inspirada em currículo, que transita de tarefas de modelagem de sequência de modalidades mais simples para outras progressivamente mais complexas, o LongCat-Flash-Omni atinge capacidades multimodais abrangentes, mantendo uma forte capacidade unimodal. Construído com base no LongCat-Flash, que adota uma arquitetura de Mistura de Especialistas (MoE) de alta performance com conexões por atalho e especialistas de computação zero, o LongCat-Flash-Omni integra módulos eficientes de percepção multimodal e reconstrução de fala. Apesar do seu tamanho imenso de 560B de parâmetros (sendo 27B ativados), o LongCat-Flash-Omni alcança interação áudio-visual em tempo real com baixa latência. Para a infraestrutura de treinamento, desenvolvemos um esquema de paralelismo com modalidades desacopladas, especificamente projetado para gerenciar a heterogeneidade de dados e modelo inerente ao treinamento multimodal em larga escala. Esta abordagem inovadora demonstra eficiência excepcional ao sustentar mais de 90% da taxa de transferência alcançada pelo treinamento apenas com texto. Avaliações extensivas mostram que o LongCat-Flash-Omni alcança desempenho de ponta em benchmarks omni-modais entre os modelos de código aberto. Além disso, produz resultados altamente competitivos em uma ampla gama de tarefas específicas por modalidade, incluindo compreensão de texto, imagem e vídeo, bem como compreensão e geração de áudio. Fornecemos uma visão geral abrangente do design da arquitetura do modelo, dos procedimentos de treinamento e das estratégias de dados, e disponibilizamos o modelo em código aberto para promover futuras pesquisas e desenvolvimentos na comunidade.

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.