11月3日消息，美團LongCat團隊今日宣布，LongCat-Flash 系列大模型再升級，正式發(fā)布全新家族成員——LongCat-Flash-Omni，并開源。

目前，新App已支持聯(lián)網(wǎng)搜索、語音通話等功能，視頻通話等功能會稍后上線；Web端則增加圖片、文件上傳和語音通話等功能。

iOS用戶可直接在APP Store中搜索“LongCat”獲取。

在此之前，LongCat僅通過官網(wǎng)（https://longcat.ai/）來為C端用戶提供大模型的相關(guān)能力。

網(wǎng)頁版

我們迅速下載該APP測試了一下，發(fā)現(xiàn)該模型最大的亮點，那就是“快”?。ㄌ煜挛涔?，唯快不破）

該模型總參數(shù)560B，激活參數(shù)僅27B，繼承了LongCat-Flash系列“快”的基因，使其在保持龐大知識容量的同時，實現(xiàn)了極高的推理效率。

我們發(fā)現(xiàn)，從輸入指令到生成token的時間間隔非常短暫，整個過程相當絲滑，小編感覺比豆包通義及微信元寶的反應速度都更快一些。

據(jù)悉，在當前主流旗艦模型的性能標準和參數(shù)規(guī)模下，這是首個能夠?qū)崿F(xiàn)全模態(tài)實時交互的開源模型，它能同時處理文本、圖像、音頻、視頻，而且還能實時進行音視頻交互。

據(jù)官方介紹，LongCat-Flash-Omni以LongCat-Flash系列的高效架構(gòu)設計為基礎(chǔ)（Shortcut-Connected MoE，含零計算專家），集成了高效多模態(tài)感知模塊與語音重建模塊，在總參數(shù) 5600 億（激活參數(shù) 270 億）的龐大參數(shù)規(guī)模下，仍實現(xiàn)低延遲的實時音視頻交互能力，為開發(fā)者的多模態(tài)應用場景提供了更高效的技術(shù)選擇。

美團采用了 Shortcut-connected MoE 架構(gòu)，配合零計算專家（zero-computation experts）設計，就像高速公路上的ETC通道，讓信息處理更高效，避免了“堵車”。

更重要的是，美團還提出了早期融合訓練范式（Early-Fusion Training），能確保模型在獲得多模態(tài)能力的同時，不會在單一模態(tài)上“偏科”。

并不是先語言訓練，然后再后加上視覺或音頻能力。這就像培養(yǎng)全能運動員，不能因為練游泳就忘了跑步，每天都要一起練，而不是先練兩年游泳，然后再去學跑步。

這樣的一體化架構(gòu)，讓這只“龍貓”實現(xiàn)了完全端到端的設計：視覺與音頻編碼器作為多模態(tài)感知器，LLM 直接處理輸入并生成文本與語音 token，再通過輕量級音頻解碼器重建為自然語音波形。

此外，打開LongCat APP，從首頁可以看到，它目前支持文字/語音兩種輸入方式，并能進行語音通話（視頻通話功能正在跑步入場中），Web端還支持上傳圖片和文件。

APP端

在綜合性的全模態(tài)基準測試（如Omni-Bench, WorldSense）上，超越Qwen3-Omni、Gemini-2.5-Flash，這款模型直接達到了開源SOTA水準（開源最先進水平），而且能和閉源的Gemini-2.5-Pro相媲美。 即使單拉出來文本、圖像、音頻、視頻等各項模態(tài)能力，它也依舊能打（單項能力均位居開源模型前列），真正實現(xiàn)了“全模態(tài)不降智”。

文本：LongCat-Flash-Omni 延續(xù)了該系列卓越的文本基礎(chǔ)能力，且在多領(lǐng)域均呈現(xiàn)領(lǐng)先性能。相較于 LongCat-Flash 系列早期版本，該模型不僅未出現(xiàn)文本能力的衰減，反而在部分領(lǐng)域?qū)崿F(xiàn)了性能提升。這一結(jié)果不僅印證了該團隊訓練策略的有效性，更凸顯出全模態(tài)模型訓練中不同模態(tài)間的潛在協(xié)同價值。

圖像理解：LongCat-Flash-Omni 的性能（RealWorldQA 74.8分）與閉源全模態(tài)模型 Gemini-2.5-Pro 相當，且優(yōu)于開源模型 Qwen3-Omni；多圖像任務優(yōu)勢尤為顯著，核心得益于高質(zhì)量交織圖文、多圖像及視頻數(shù)據(jù)集上的訓練成果。

音頻能力：從自動語音識別（ASR）、文本到語音（TTS）、語音續(xù)寫維度進行評估，Instruct Model 層面表現(xiàn)突出：ASR 在 LibriSpeech、AISHELL-1 等數(shù)據(jù)集上優(yōu)于 Gemini-2.5-Pro；語音到文本翻譯（S2TT）在 CoVost2 表現(xiàn)強勁；音頻理解在 TUT2017、Nonspeech7k 等任務達當前最優(yōu)；音頻到文本對話在 OpenAudioBench、VoiceBench 表現(xiàn)優(yōu)異，實時音視頻交互評分接近閉源模型，類人性指標優(yōu)于 GPT-4o，實現(xiàn)基礎(chǔ)能力到實用交互的高效轉(zhuǎn)化。

視頻理解：LongCat-Flash-Omni 視頻到文本任務性能達當前最優(yōu)，短視頻理解大幅優(yōu)于現(xiàn)有參評模型，長視頻理解比肩 Gemini-2.5-Pro 與 Qwen3-VL，這得益于動態(tài)幀采樣、分層令牌聚合的視頻處理策略，及高效骨干網(wǎng)絡對長上下文的支持。

跨模態(tài)理解：性能優(yōu)于 Gemini-2.5-Flash（非思考模式），比肩 Gemini-2.5-Pro（非思考模式）；尤其在真實世界音視頻理解WorldSense 基準測試上，相較其他開源全模態(tài)模型展現(xiàn)出顯著的性能優(yōu)勢，印證其高效的多模態(tài)融合能力，是當前綜合能力領(lǐng)先的開源全模態(tài)模型。

端到端交互：由于目前行業(yè)內(nèi)尚未有成熟的實時多模態(tài)交互評估體系，LongCat團隊構(gòu)建了一套專屬的端到端評測方案，該方案由定量用戶評分（250 名用戶評分）與定性專家分析（10 名專家，200 個對話樣本）組成。

定量結(jié)果顯示：圍繞端到端交互的自然度與流暢度，LongCat-Flash-Omni 在開源模型中展現(xiàn)出顯著優(yōu)勢 —— 其評分比當前最優(yōu)開源模型 Qwen3-Omni 高出 0.56 分；定性結(jié)果顯示：LongCat-Flash-Omni 在副語言理解、相關(guān)性與記憶能力三個維度與頂級模型持平，但是在實時性、類人性與準確性三個維度仍存在差距，也將在未來工作中進一步優(yōu)化。

美團這款新發(fā)布模型也引發(fā)了外國網(wǎng)友的熱議。其中有網(wǎng)友表示：“這家中國外賣公司可是大有來路，年營收高達數(shù)百億美元，員工人數(shù)也超過 Meta，是那種可以把前沿模型開發(fā)當成副業(yè)來搞的巨頭公司?！鄙踔咙c名扎克伯格：快來學著抄作業(yè)。