(網(wǎng)經(jīng)社訊)11月3日， LongCat-Flash系列再升級，全新家族成員LongCat-Flash-Omni正式發(fā)布并開源，LongCat官方App同步上線公測。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。
據(jù)介紹，LongCat-Flash-Omni以LongCat-Flash系列的高效架構(gòu)設(shè)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(yīng)用場景提供了更高效的技術(shù)選擇。
新模型也是業(yè)界首個實現(xiàn)“全模態(tài)覆蓋、端到端架構(gòu)、大參數(shù)量高效推理”于一體的開源大語言模型，首次在開源范疇內(nèi)實現(xiàn)了對標(biāo)閉源模型的全模態(tài)能力，并憑借創(chuàng)新的架構(gòu)設(shè)計與工程優(yōu)化，讓大參數(shù)模型在多模態(tài)任務(wù)中能實現(xiàn)毫秒級響應(yīng)，解決行業(yè)內(nèi)推理延遲的痛點。
具體來看，LongCat-Flash-Omni在一體化框架中整合了離線多模態(tài)理解與實時音視頻交互能力，并采用完全端到端的設(shè)計，以視覺與音頻編碼器作為多模態(tài)感知器，由 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，從而實現(xiàn)低延遲的實時交互。所有模塊均基于高效流式推理設(shè)計，視覺編碼器、音頻編解碼器均為輕量級組件，參數(shù)量均約為6億，延續(xù)了 LongCat-Flash 系列的創(chuàng)新型高效架構(gòu)設(shè)計，實現(xiàn)了性能與推理效率間的最優(yōu)平衡。
▲LongCat-Flash-Omni模型架構(gòu)
與此同時，新模型突破“大參數(shù)規(guī)模與低延遲交互難以兼顧”的瓶頸，在大規(guī)模架構(gòu)基礎(chǔ)上實現(xiàn)高效實時音視頻交互：模型總參數(shù)達 5600 億（激活參數(shù) 270 億），卻依托 LongCat-Flash 系列創(chuàng)新的 ScMoE 架構(gòu)（含零計算專家）作為 LLM 骨干，結(jié)合高效多模態(tài)編解碼器和“分塊式音視頻特征交織機制”，最終實現(xiàn)低延遲、高質(zhì)量的音視頻處理與流式語音生成。模型可支持128K tokens上下文窗口及超 8 分鐘音視頻交互，在多模態(tài)長時記憶、多輪對話、時序推理等能力上具有優(yōu)勢。
全模態(tài)模型訓(xùn)練的核心挑戰(zhàn)之一是 “不同模態(tài)的數(shù)據(jù)分布存在顯著異質(zhì)性”，LongCat-Flash-Omni采用漸進式早期多模融合訓(xùn)練策略，在平衡數(shù)據(jù)策略與早期融合訓(xùn)練范式下，逐步融入文本、音頻、視頻等模態(tài)，確保全模態(tài)性能強勁且無任何單模態(tài)性能退化。
綜合評估結(jié)果表明，LongCat-Flash-Omni在綜合性的全模態(tài)基準(zhǔn)測試（如Omni-Bench, WorldSense）上達到了開源最先進水平（SOTA），并在文本、圖像、音頻、視頻等各項模態(tài)的能力位居開源模型前列，實現(xiàn)“全模態(tài)不降智”的結(jié)果：
▲LongCat-Flash-Omni 的基準(zhǔn)測試性能
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(xùn)練策略的有效性，更凸顯出全模態(tài)模型訓(xùn)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(dāng)，且優(yōu)于開源模型 Qwen3-Omni；多圖像任務(wù)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(xùn)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(wù)達當(dāng)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(biāo)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(wù)性能達當(dāng)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(luò)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(zhǔn)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(dāng)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(dāng)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(zhǔn)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。
