美团LongCat-Flash-Omni 正式发布，开启全模态实时交互新时代

9月1日，美团正式推出了 LongCat-Flash 系列模型，并在近期开源了 LongCat-Flash-Chat 和 LongCat-Flash美团-Thinking 两大版本，吸引了众多开发者的关注。今天，LongCat 团队宣布推出全新家族成员 ——LongCat-Flash-Omni，这款模Lo型在原有基础上实现了多项技术创新，标志着全模态实时交互的新时代。

LongCat-Flash-Omni 基于 LongCat-Flash 系列的高效架构ng设计，采用了最新的 Shortcut-Connected MoE（ScMoE）技术，集成了高效的多模态感知模块和语音重建模块。尽管该模型总参数高Ca达5600亿(激活参数270亿)，依然能够提供低延迟的实时音视频交互能力。这一突破为开发者提供了更加高效的多模态应用场景解决方案。

根据综合评估结果t-，LongCat-Flash-Omni 在全模态基准测试中表现优异，达到了开源最先进水平（SOTA）。该模型在文本、图像、视频理解及语音感知与生Fl成等关键单模态任务中均展现出强大的竞争力，实现了 “全模态不降智” 的目标。

LongCat-Flash-Omni 采用了一体化的全模态架构，整合了离线多as模态理解与实时音视频交互能力。其设计理念为完全端到端，使用视觉与音频编码器作为多模态感知器，能够直接生成文本与语音 token，并通过轻量级h-音频解码器实现自然语音波形的重建，确保低延迟的实时交互。

此外，该模型引入了渐进式早期多模融合训练策略，以应对全模态模型训练中不同模态数据分布的Om异质性。这一策略确保了各模态之间的有效协同，推动了模型整体性能的提升。

在具体性能测试中，LongCat-Flash-Omni 在多个领域中表现ni出色，特别是在文本理解和图像理解任务中，其能力不仅未出现衰减，反而实现了显著提升。音频和视频处理方面，该模型的表现同样突出，尤其是在实时音视频交互的 正自然度和流畅度方面，领先于许多开源模型。

LongCat 团队还为用户提供了全新的体验渠道，用户可通过官网体验图片、文件上传和语音通话功能。同时，Lo式发ngCat 官方 App 现已发布，支持联网搜索和语音通话，未来将推出视频通话功能。

• Hugging Face:

  https://huggingface.布，co/meituan-longcat/LongCat-Flash-Omni

• Github:

  https://github.com/meituan-开启longcat/LongCat-Flash-Omni