美团发布原生多模态模型 LongCat-Next：开源离散分词器，探索物理世界 AI 新边界

核心要点

• 原生多模态架构：LongCat-Next 强调视觉与语音的原生化处理，使其成为 AI 的“母语”而非外部插件。
• 全栈开源：美团不仅开源了 LongCat-Next 模型，还同步开源了其核心的离散分词器（Discrete Tokenizer）。
• 物理世界导向：该模型的设计初衷是通往“物理世界 AI”，重点在于对真实环境的感知、理解与交互。
• 赋能开发者：通过开源研究思路与工具，旨在降低构建复杂多模态感知系统的门槛。

详细分析

从“插件”到“母语”：原生多模态的范式转移

在传统的多模态 AI 架构中，视觉和语音往往被视为文本的补充，通过外部编码器进行特征对齐。而美团发布的 LongCat-Next 提出了“当视觉和语音成为 AI 的母语”这一核心理念。这意味着模型在底层设计上就实现了多模态信息的统一处理。通过将非结构化的视觉和语音信号转化为模型可直接理解的原生表征，LongCat-Next 能够更直观地捕捉物理世界中的复杂关联。这种原生化的处理方式，不仅提升了信息传递的效率，更在深度理解层面实现了质的突破，为 AI 模拟人类感官逻辑奠定了基础。

离散分词器：连接数字逻辑与物理信号的关键桥梁

此次开源的另一大亮点是 LongCat-Next 的离散分词器。在 AI 模型中，如何将连续的物理信号（如波动的声音、流动的影像）转化为计算机可处理的离散符号，是多模态理解的难点。美团技术团队通过开源其离散分词器，向业界展示了其处理物理信号的独特思路。该分词器能够将复杂的视觉和语音数据进行高效压缩与特征提取，转化为模型能够理解的“词汇”。这一工具的开源，不仅有助于开发者复现 LongCat-Next 的能力，更为整个行业在处理非文本数据时提供了标准化的技术参考，是通往物理世界 AI 的重要技术基石。

物理世界 AI：迈向具身智能的探索之路

美团明确表示，LongCat-Next 是其在“物理世界 AI”道路上的一次重要探索。与仅限于屏幕交互的聊天机器人不同，物理世界 AI 需要具备感知真实环境、理解物理规律并产生实际作用的能力。美团作为拥有丰富线下场景（如自动配送、智能硬件）的企业，其推出的 LongCat-Next 显然承载了将 AI 能力从数字空间延伸至物理空间的野心。通过增强 AI 对视觉和语音的原生感知，模型能够更准确地识别障碍物、理解语音指令背后的环境语境，从而为未来的具身智能和自动化设备提供更强大的大脑。

行业影响

LongCat-Next 的开源对 AI 行业具有深远意义。首先，它推动了多模态技术从“文本中心论”向“全感官原生化”的转变，为行业提供了新的研究范式。其次，美团通过开源核心组件，降低了中小型团队开发物理感知 AI 的成本，有望加速智能硬件、机器人及自动化配送等领域的创新。最后，这体现了中国互联网大厂在底层技术研发上的持续投入，增强了国产开源生态在多模态大模型领域的国际竞争力。

常见问题

问题 1：LongCat-Next 与普通的多模态模型有什么区别？

LongCat-Next 的核心区别在于其“原生性”。它不仅仅是把视觉和语音模块挂载到语言模型上，而是通过离散分词器等技术，让模型将这些模态视为像文字一样的“母语”进行处理，从而在感知和理解物理世界时更加自然和深层。

问题 2：美团为什么要开源离散分词器？

离散分词器是多模态模型处理非文本数据的核心组件。美团开源这一工具是为了分享其在物理信号数字化方面的研究思路，帮助开发者解决多模态数据处理中的难点，共同构建能够作用于真实世界的 AI 生态。

问题 3：LongCat-Next 主要应用在哪些场景？

根据美团技术团队的描述，该模型主要面向需要感知、理解并作用于真实世界的场景。这可能包括但不限于智能配送机器人、语音交互设备、复杂环境下的视觉识别任务，以及任何需要 AI 与物理世界进行深度交互的领域。