视觉与语音实现底层统一

多模态大模型的技术演进正步入深水区。相较于传统的“语言基座 + 插件”拼接式方案，原生多模态架构因其更高的信息密度与交互效率，逐渐成为学界与业界关注的焦点。此次发布的新型架构，正是在这一背景下的一次重要尝试，旨在探索物理世界信息离散化建模的可行性。

4 月 3 日，MiTi 团队正式发布原生多模态大模型 LongCat-Next。该模型突破了传统的“语言基础 + 插件”架构，通过将图像、语音和文本转换为同源的离散 Token，使 AI 能够像处理文本一样，原生地“看见”和“听见”物理世界。

技术核心：DiNA 架构实现「模态内化」

为打破模态之间的壁垒，MiTi 构建了 DiNA (Discrete Native Autoregressive) 架构，实现了多模态建模的深层统一：

• 全模态统一：无论是文本、图像还是音频，模型均使用同一组参数、注意力机制和损失函数。

• 理解与生成对称：在统一的数学形式下，预测文本 Token 是“理解”，而预测图像 Token 则是“生成”。两者在训练过程中展现出显著的协同潜力。

• 极致压缩：采用 dNaViT 视觉分词器，支持任意分辨率输入，并通过 8 层残差矢量量化实现高达 28 倍的像素空间压缩，在 OCR 和财报解析等任务中保留了关键细节。

实证表现：离散建模并无「天花板」

LongCat-Next 在多个维度展现出超越专用模型的性能，有效反驳了“离散化必然导致信息丢失”的传统观点：

• 细粒度感知：在 OmniDocBench 的密集文本场景中，其表现不仅超越了 Qwen3-Omni，甚至优于专用视觉模型 Qwen3-VL。

• 视觉推理：在 MathVista 上取得了 83.1 的令人印象深刻的分数，展示了强大的工业级逻辑能力。

• 跨模态协作：在保持领先的语言能力（C-Eval 86.80）的同时，支持低延迟的文本和语音并行生成以及可定制的声音克隆。

行业洞察：物理世界 AI 的基石

长期以来，大模型始终是以语言为中心的系统。LongCat-Next 的意义在于证明了物理信息可以像语言一样被离散化和建模。当 AI 拥有统一的“原生语言”时，其在调用工具、编写代码和理解复杂图表时将变得更加智能和直观。

目前，MiTi 已开源 LongCat-Next 模型 和 dNaViT 分词器。这种紧凑且具有高潜力的原生离散架构，将为开发者构建能够感知并作用于现实世界的 AI 提供重要工具。

值得注意的是，离散化建模虽然解决了模态统一的问题，但在高分辨率图像处理上的算力开销仍需优化。此次开源举措将降低开发门槛，有助于社区共同探索原生多模态在实际应用场景中的边界与潜力。随着更多开发者介入，这一架构能否成为通往通用人工智能的关键拼图，值得期待。