物理世界的信息由图像、声音、文字交织而成。今天的大模型，本质上仍然是以语言为中心的建模系统，语言作为人类智慧符号化表述，在“压缩即智能”的范式下表现出强大的能力。但通往真正的物理世界智能，也许语言并不是世界的边界。视觉、语音与文本等多模态信号，实际上是对现实物理对象的不同侧面投影。
这就引出一个根本问题：能否让 AI 像处理语言一样，用同一种方式简洁有效地处理物理世界的多种信息？ 如果能，那么物理世界的AI就有了统一的“母语”，Token 不再局限于文本，而是成为描述一切物理信号的原生表示。对这些信号进行统一建模与压缩，可能使模型学到更加本质的表示，并实现更深层的模态内化。
LongCat 团队经过研究发现：在统一的建模框架与优化目标下，可以构造一种语义完备的离散表示。我们将图像、语音与文本统一映射为同源的离散 Token，使模型从学习连续空间的映射，转向学习离散 ID 之间的关系结构，并通过纯粹的下一个Token 预测（Next Token Prediction, NTP）范式，以一种统一的、优雅地方式建模各种物理信号。
LongCat-Next 是我们在通往物理世界 AI 道路上的一次探索。今天，我们把研究思路的核心——LongCat-Next 模型和它的离散分词器全部开源，希望更多开发者能基于它，构建真正能感知、理解并作用于真实世界的AI。
接下来，我们将逐一拆解三项核心技术，看看我们是如何让 AI 真正拥有物理世界的“母语”。
业界主流的多模态大模型长期受制于“语言基座+外挂视觉/语音模块”的拼凑式架构，非语言模态往往只作为辅助组件存在。这种设计带来很多结构性问题，比如图像理解与生成在结构与优化上长期割裂：前者依赖对齐机制，后者依赖扩散等独立模型，多模态信息始终停留在“被投影”，而非“被内化”。
为此，我们构建了 DiNA（Discrete Native Autoregressive ）离散原生自回归架构。其核心非常简单：
｜将所有模态统一为离散 Token，并用同一个自回归模型进行建模。
它将物理世界广泛存在的多模态信号收敛为同源的离散特征，实现了视觉、语音、文本多模态的底层建模统一。作为整个大语言模型体系的自然扩展，DiNA 彻底打破了模态间的隔阂。它通过极简的下一Token预测（NTP）范式，将图像、声音和文字统一转化为同源的离散Token。在这套原生的统一架构下，视觉的“看”与“画”、听觉的“听”与“说”，不再是拼接的异构模块，而是同一套预测逻辑的自然涌现。
简单而言：我们把文字、图像、语音都变成同一种东西——离散Token。无论读文字、看图片还是听声音，对AI来说都是同一件事：预测下一个Token是什么。
这个设计带来3个根本性改变：
架构极简：所有模态共享同一个自回归骨干，这意味着，无论输入的是文字、图像还是音频，模型都用同一套参数、同一个注意力机制、同一个损失函数。这种统一设计，让模型在训练时更稳定，部署时更轻量。我们用LongCat-Flash-Lite MoE（68.5B总参数，3B激活参数）作为基座，在这个框架基础上训练了LongCat-Next。实验表明，DiNA的MoE路由在训练中逐渐出现模态专精化，激活专家数量相比纯语言设置有所增加，模型正在用更大容量支撑能力扩展。
图1：LongCat-Next 架构概览，该架构基于DiNA范式设计
理解与生成对称：LongCat-Next用同一个自回归模型同时实现了视觉理解和生成，通过这样解决了长期困扰的理解生成架构和优化不一致问题，在统一 Token 空间中，理解与生成被统一为同一数学问题，两者本质上都是条件下的 Token 预测：
· 图像 → 文本：理解
· 文本 → 图像：生成
给定图像Token预测文字Token是“理解”，给定文字Token预测图像Token是“生成”——数学形式完全一致，从此不再割裂。实验证明，这种对称设计在优化上消弭了冲突：统一模型的理解损失仅比纯理解模型高 0.006，而生成损失比纯生成模型低 0.02。理解没有损害生成，反而表现出协同潜力。
模态内化：在离散原生训练范式下，不同模态被统一编码为 Token，并以相同方式建模。我们观察到：
· 不同模态的 Token 表征在表示空间中自然融合（t-SNE 可视化）
· MoE 专家自发形成模态偏好分化
这表明模型并非在“对齐模态”，而是在内部形成统一的多模态表征结构。
图3：(a) MoE 专家模型在 DiNA 训练下表现出模态分化
(b) LongCat-Next 的表征空间体现出更融合内化的模态间关系
如果说 DiNA 解决的是“如何统一建模”，那么 dNaViT 解决的是：
｜如何让图像本身能够被离散化为可建模的 Token。
LongCat 团队首创的 dNaViT 技术相当于语言模型中的tokenizer（分词器）——就像把句子拆成单词，它把一张图拆解成一系列有意义的“视觉词汇”。
原生任意分辨率支持（Native Resolution for Understanding and Generation)：不做缩放、不裁剪、不填充，每一处细节都完整保留。通过我们精心设计的训练策略，dNaViT 实现了任意分辨率的图像编码与解码——在文档解析（OCR）、复杂图表推理等对细节敏感的任务中具备优势，如在 OmniDocBench、OCRBench 等密集文本场景的的测试中均表现优异。
8层残差向量量化 (Residual Vector Quantization, RVQ)： 细节多了怎么办？分层打包。类比于第一层打包轮廓，第二层打包颜色，第三层打包纹理……8层级联递归拟合“残差中的残差”，可以实现高达28倍极致像素空间压缩。解码时，DepthTransformer 将多级 Token 合并重建，让压缩与还原高效协同。
解耦的双轨生成解码器 (Dual-Path Detokenization)：离散token还原图像时，先由“结构像素解码器”保住布局，再由“扩散像素细化器”注入纹理细节。解耦设计降低生成方差，确保文本渲染无损清晰。
更妙的是，这套“视觉词汇”实现了 image → token → image 的完整回环——像语言tokenizer一样，既用于“看懂”图像，也用于“画出”图像。理解时学到的对应关系，生成时正好反过来用——图像描述和图像生成在同一套token序列中闭环流转。
更关键的是，在 LongCat-Next 中：
｜视觉 Token 完成的是图像到离散ID的映射，真正的特征是原生学习的。
真正的视觉表征，是在语言模型内部通过 embedding 学习得到的。这意味着模型不是“接入视觉能力”，而是在内部学习并形成自己的视觉语言。
这种从“借用模态”到“内生模态”的转变，是原生多模态建模的核心。
图5：LongCat-Next 的理解与生成案例
离散建模通常被认为受限于两方面：表征容量与离散化损失。然而，我们进一步分析发现，真正决定上限的关键在于：
｜离散 Token 本身是否具备语义完备性（Semantic Completeness）。
也就是说，问题不在于“是否离散”，而在于离散后的表示，是否能够同时承载高层语义与细粒度信息（如颜色、纹理与空间结构），从而支撑统一的理解与生成。
基于这一视角，我们提出：实现语义完备离散表示的关键，在于构建合适的表征基础。其中，一类重要的候选范式是 SAE（Semantic-and-Aligned Encoder）。不同于以对比学习为主的模型（如 SigLIP），SAE 通过大规模视觉-语言监督（涵盖图像描述、视觉问答乃至视觉推理等任务），学习高信息密度、多属性的表征。这类表征不仅具备丰富的语义结构，同时我们发现在网络的残差传递机制下，底层视觉细节能够持续向高层传播，从而在抽象语义中保留细粒度信息，为离散 Token 的语义完备性提供基础。
在此之上，离散化过程本身仍需尽可能减少信息损失。为此，我们采用多级残差向量量化（Residual Vector Quantization, RVQ）机制，对表征进行逐级离散建模：通过层级化拟合“残差中的残差”，在有限离散空间内逼近高维连续表示，从而在压缩率与信息保真之间取得平衡。
最终得到的离散视觉 Token，不仅能够支撑细粒度理解任务（例如在密集文本识别中优于连续表征模型），同时也具备高保真的图像重建能力。这表明：
｜离散表示并非信息的退化形式，而可以成为统一理解与生成的完备表达载体。
图6：dNaViT 的分词器与解分词器训练流程
LongCat-Next 在视觉理解、图像生成、音频、智能体等多个维度上，以一套离散原生框架展现出与多模专用模型相当甚至领先的性能。
更重要的是，这些成绩验证了三个关键发现：
行业长期认为，离散模型在细粒度文本识别上必然不如连续模型，这也是一直阻碍业界使用离散建模作为选项的原因。值得一提的是，经过我们dNaViT的设计以及DiNA的建模框架，LongCat-Next表现出了非凡的细粒度感知能力和高质量的视觉推理能力。
LongCat-Next 在 OmniDocBench（学术论文、财报、行政表格）上的表现（0.152 / 0.226）挑战了这一刻板印象——不仅超越 Qwen3-Omni，还超过了专用视觉模型 Qwen3-VL。离散化不是细粒度感知的天花板，关键在于如何构建语义完备的离散视觉表征。
传统观点认为，一个模型很难同时做好理解和生成。但我们发现：消融实验对比中，LongCat-Next 统一模型的理解损失仅比纯理解模型高 0.006，而生成损失比纯生成模型低 0.02。在图像生成上，LongCat-Next 在 LongText-Bench（英文 93.15）；在图像理解上，MathVista（83.1）达到领先水平，成为一个具备工业级潜力的理解生成统一方案。理解没有损害生成，反而表现出协同潜力。
在纯文本任务上，LongCat-Next 的 MMLU-Pro（77.02）和 C-Eval（86.80）表现领先，证明原生多模态训练未削弱语言核心能力。在工具调用上，τ²-Bench 零售场景（73.68）大幅领先 Qwen3-Next-80B-A3B-Instruct（57.3）；在代码能力上，SWE-Bench（43.0）显著超越同类模型。
在音频领域，这一框架同样展现出良好的通用性。TTS任务上，SeedTTS的中文和英文WER分别低至1.90和1.89；音频理解上，MMAU（76.40）、TUT2017（43.09）均达到先进水平。更重要的是，模型支持低延迟的并行文本语音生成与可定制的语音克隆，让语音交互更自然、更个性化。
当模型学会用同一种方式理解图像、声音和文字，它在理解世界时变得更聪明了——无论是看懂图表、听懂语音，甚至是调用工具、编写代码。
case 1:
Fill in the question mark.
Okay, let's try to figure out the pattern here. There are three cross-shaped figures, each with a center number and four surrounding numbers (top, bottom, left, right). The first one has 38 in the center, with 18 top, 17 bottom, 9 left, 6 right. The second has 29 center, 12 top, 12 bottom, 8 left, 3 right. The third has 13 top, 8 bottom, 11 left, 7 right, and we need to find the center number.
First, I should check if there's a mathematical relationship between the surrounding numbers and the center. Maybe addition, multiplication, or some combination. Let's list out the numbers for each cross:
First cross:
Top: 18
Bottom: 17
Left: 9
Right: 6
Center: 38
Second cross:
Top: 12
Bottom: 12
Left: 8
Right: 3
Center: 29
Third cross:
Top: 13
Bottom: 8
Left: 11
Right: 7
Center: ?
Let me check sums first. For the first cross, sum of all four surrounding numbers: 18 + 17 + 9 + 6 = 50. But the center is 38, which is less than 50. Maybe not sum. Maybe sum of some pairs?
Top + Bottom: 18 + 17 = 35; Left + Right: 9 + 6 = 15. 35 + 15 = 50, still not 38. 35 - 15 = 20, nope. 35 + 15 divided by something? 50 / 1.315... Not sure.
Maybe multiply some numbers. Let's see: 18* something. 182=36, plus 2? Not sure. 94=36, plus 2? Hmm.
Wait, maybe top and bottom multiplied, left and right multiplied, then add or subtract. Let's try:
First cross: (18 * 17) + (9 * 6) = 306 + 54 = 360. Way too big. Center is 38. Maybe divide by something: 360 / 9.47 ≈ 38. Not obvious.
Alternatively, (top + left) * (bottom + right)? (18+9)(17+6)=2723=621. No.
Wait, maybe top minus bottom, left minus right? 18-17=1, 9-6=3. 1*3=3, not 38.
Another idea: maybe sum of top and bottom multiplied by something. 18+17=35. 35 + 3=38? Where does 3 come from? 9-6=3. Oh! 35 + (9-6)=38. Let's check that.
First cross: (18 + 17) + (9 - 6) = 35 + 3 = 38. That works!
Check second cross: Top + Bottom = 12 + 12 = 24. Left - Right = 8 - 3 = 5. 24 + 5 = 29. Which matches the center number 29. Wow, that seems to work!
Let me verify again.
First cross:
Top (18) + Bottom (17) = 35
Left (9) - Right (6) = 3
35 + 3 = 38 ✔️
Second cross:
Top (12) + Bottom (12) = 24
Left (8) - Right (3) = 5
24 + 5 = 29 ✔️
Perfect, that's the pattern. So the formula is: Center = (Top + Bottom) + (Left - Right)
Now apply this to the third cross.
Third cross:
Top =13, Bottom=8, Left=11, Right=7
Compute Top + Bottom: 13 + 8 = 21
Compute Left - Right: 11 - 7 = 4
Add them together: 21 + 4 = 25
So the center number should be 25.
case 2:
Analyze this image. Context: Gen = Generation; Und = Understanding. 'Scaled' represents a fair 1:1 token comparison. Is there any evidence that Understanding helps Generation?
Yes, there is evidence that "Understanding" (Unified) helps "Generation" (Pure-Gen.), particularly in the context of token efficiency and image loss reduction.
Let's break this down:
1. Main Graph: Image Loss vs. Tokens
The x-axis is Tokens (from 0B to 100B), and the y-axis is Image Loss (lower is better).
Three curves are shown:
Pure-Gen. (blue): Pure generation model.
Unified (orange): Unified model (combines understanding and generation).
Unified (unscaled) (light orange): Same as Unified, but scaled for fair token comparison.
Key Observations:
At low token counts (e.g., 0–20B tokens), all models start with high image loss, but Unified (orange) starts slightly lower than Pure-Gen. (blue), suggesting a small advantage.
As tokens increase, Unified (orange) consistently achieves lower image loss than Pure-Gen. (blue), especially after ~40B tokens.
The Unified (unscaled) curve (light orange) is very close to the Unified curve, indicating that scaling doesn’t change the relative performance — it’s just a fair comparison.
✅ Conclusion: The Unified model (which includes understanding) performs better than Pure-Gen. across most token ranges, meaning understanding helps generation.
2. Inset Graph: Zoomed-in View (40B–50B Tokens)
This shows a close-up of the region where the curves diverge slightly.
The difference (Δ = 0.0213) is explicitly marked between Pure-Gen. and Unified at ~48B tokens.
The Unified curve is below Pure-Gen., meaning lower image loss — better performance.
✅ This quantifies the benefit: Understanding provides a measurable improvement in image quality (lower loss) at higher token counts.
3. Interpretation: What Does "Understanding" Mean Here?
The term "Unified" likely refers to a model that jointly learns understanding (e.g., semantic or structural comprehension) and generation. In contrast, "Pure-Gen." is a model trained only on generation tasks.
So, when the Unified model outperforms Pure-Gen., it suggests that incorporating understanding during training leads to better generative performance — possibly by enabling more informed, context-aware generation.
✅ Final Answer:
Yes, there is clear evidence that Understanding helps Generation.
The Unified model (which includes understanding) consistently achieves lower image loss than the Pure-Gen. model across token counts, with a quantified improvement of Δ = 0.0213 in the inset graph. This indicates that integrating understanding into the model improves its generative performance, especially as token count increases.
