LongCat-Next: Лексикализация модальностей в виде дискретных токенов
LongCat-Next: Lexicalizing Modalities as Discrete Tokens
March 29, 2026
Авторы: 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
Аннотация
Преобладающая парадигма предсказания следующего токена (NTP) обеспечила успех больших языковых моделей за счёт дискретного авторегрессионного моделирования. Однако современные мультимодальные системы остаются ориентированными на язык, часто рассматривая нелингвистические модальности как внешние дополнения, что приводит к фрагментированным архитектурам и неоптимальной интеграции. Чтобы преодолеть это ограничение, мы представляем Discrete Native Autoregressive (DiNA) — унифицированную структуру, которая представляет мультимодальную информацию в общем дискретном пространстве, обеспечивая последовательное и принципиальное авторегрессионное моделирование для всех модальностей. Ключевым нововведением является Discrete Native Any-resolution Visual Transformer (dNaViT), выполняющий токенизацию и детокенизацию в произвольных разрешениях, преобразуя непрерывные визуальные сигналы в иерархические дискретные токены. На этой основе мы разработали LongCat-Next — нативную мультимодальную модель, которая обрабатывает текст, изображение и аудио в рамках единой авторегрессионной задачи с минимальной модально-специфичной разработкой. Как промышленная фундаментальная модель, она превосходно выполняет задачи видения, рисования и речи в единой структуре, демонстрируя высокую производительность в широком спектре мультимодальных тестов. В частности, LongCat-Next преодолевает давний потолок производительности дискретного визуального моделирования в задачах понимания и предлагает унифицированный подход для эффективного разрешения конфликта между пониманием и генерацией. В качестве попытки достижения нативной мультимодальности мы открываем исходный код LongCat-Next и её токенизаторов, надеясь способствовать дальнейшим исследованиям и разработкам в сообществе. 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