美团亮出王牌：关于全模态模型 LongCat Flash Omni

在由少数闭源巨头主导的 AI 模型竞赛中，美团出人意料地推出了一款重量级开源选手——LongCat-Flash-Omni。

它不仅能处理文本，更能实时融合图像、音频和视频，成为 AI 领域一股不可忽视的新力量。

不过相当可惜的是，在HF最近美团的模型不够热门，没有开发者上传量化好的mlx 版本。

一、大得惊人，也快得离谱：5600 亿参数的“节俭”大师

LongCat 的总参数量高达 5600 亿，但在处理任何特定任务时，仅需激活约 270 亿参数。

这得益于其创新的 Shortcut-connected Mixture-of-Experts (ScMoE) 架构，其中包含了“零计算专家（Zero-computation Experts）”以最大化效率。

这种设计让 LongCat 兼具“大脑容量”与“闪电反应”，实现了在毫秒级延迟下完成语音生成、视频理解等复杂任务。

它成功破解了大模型最棘手的矛盾之一——如何在不牺牲性能的前提下实现实时交互。

在效率层面，它的表现堪称标杆：

激活参数仅占总量 5% 左右，极大提升能效比。

支持超过 8 分钟的连续实时交互。

采用 块级音视频特征交错机制，以秒级为单位同步音频与视频信号，确保自然流畅的输出。

二、不只是“说说而已”的全能：真正实现“万物皆可输入”

LongCat-Flash-Omni 是首个真正意义上实现 全模态统一输入 的模型。

用户可任意组合输入文本、图片、音频、视频，甚至边播放视频边语音提问，模型都能实时给出准确回答。

此外，它支持 128K token 上下文窗口，可以在长对话、复杂任务中保持连续记忆，不会“忘词”。

这种能力让它成为开发更自然、更智能的 AI 助手的关键技术基础。

在训练架构上，它采用了 模态解耦并行方案（Modality-Decoupled Parallelism），在多模态任务中依然能保持 90% 以上的训练吞吐率——这意味着即使输入的是视频与音频混合内容，也能高效运行。

三、开源即王道：性能比肩顶尖模型，却人人可用

不同于闭源路线的 OpenAI 或 Google，LongCat-Flash-Omni 选择完全开源，并以宽松的 MIT 许可证发布在 Hugging Face 上。

它的性能不仅是“友好姿态”，更是实力宣言。

在这些评测中，LongCat 首次让开源模型在多模态核心能力上与 GPT-4o、Gemini 2.5 Pro 并驾齐驱，实现了开源生态的历史性突破。

四、不只活在实验室：它为你的日常生活而来

美团没有让 LongCat 停留在科研论文中，而是直接面向用户推出体验：

无论是 iOS、安卓应用，还是网页版，都可即时使用。

这代表一种全新的策略：

从科研到消费的零距离落地。

普通用户可以直接体验到多模态 AI 的真实能力——听你说话、看你视频、懂你意图。

分析人士认为，这意味着美团的 AI 战略已从“算法创新”走向“生态构建”，

未来我们或许能在美团的外卖、出行、商家管理等应用中看到 LongCat 的身影。

当全能 AI 走进生活？

LongCat-Flash-Omni 以其超高效率、全模态融合能力，以及媲美顶级模型的开源性能，

为开源 AI 写下了浓墨重彩的一笔。

它不只是一个技术突破，更是一种信号：

AI 的未来将是 更强大、更易用、更开放 的。

当如此强大的全能 AI 触手可及时，

我们的数字生活，正准备迎来一次真正的革命。