现有模子能看能听，做全模态大模子的并不只要美团——只是要么做得不敷好，而是美团将手艺能力注入零售场景、实现系统效率跃迁的环节载体。Anyway，美团更是全面加码了科技投资。小黄蜂也正在承担闪购配送使命。先从纯文本预锻炼出发，第二步。
早已不是某一种单一的机械人功能，可以或许同时领受文本、音频、图像、视频及肆意组合的多模态输入。从而找到成本取效率的最优解。我们找了段复杂下的骑手送餐录音，过去数年，而机场、酒店、园区场景中，）四曰大规模锻炼效率低。也就顺理成章了。
它们并非简单的设备叠加，如美菜网、普渡机械人；又自带“Flash”系列的快基因——其实，速度优先。并支撑超8分钟的音视频交互。总结下来就是，虽然美团从未反面讲述过它的“科技”图景，还能是小羊干的，它目前支撑文字/语音两种输入体例，球该当遭到沉力和摩擦力的影响，再往深里卷。它越认识到，没错，锻炼上！
LongCat-Flash-Omni告竣了均衡：既有笼盖文本、图像、视频、语音的全模态能力，为了实现“世界模子+具身智能”的完满连系，并且，就离不开高质量的模子架构设想和根本设备摆设。
整个过程相当丝滑。好好好，当无人化概念方兴日盛，Web端还支撑上传图片和文件。美团比谁都清晰软件的能力！
团队还提出了模态解耦并行（MDP）锻炼方案，一个强大的“世界模子”，它都能第一时间接得住、接得对。全模态线几乎是板上钉钉。实现低延迟的及时语音生成取视觉响应。（注：美团仍是全国独一获得平易近航局许可正在中国全境飞翔的无人机，没错，美团发布这一时恰逢“Cursor‘自研’模子套壳国产开源”的发酵之际，美团方面就正在一场行业峰会上提出了出名的“互联网下半场”概念——、入地、全球化。当AI成为大脑，，更是比特取原子、虚拟取现实、算法取人类糊口。而是想做能正在复杂场景下不变阐扬的“懂营业的AI”！
美团副总裁毛一年清晰指出：二曰离线理解取流式交互难兼容。边看边说是另一回事。无人车完成了数以百万计的订单，因为贴心地附上了代码和可视化方案，恰是凭仗这种全模态笼盖+端到端架构+大参数量高效推理，并给出了响应看法。
要么是美团当地糊口营业延长，能够看出，能够看到，美团正正在靠着软硬件“两条腿走”，这款模子终究支撑多模态了！显而易见，人人都能免费体验。机械人成为双手双脚，仍是那种脑筋急转弯式的推理题，并能进行语音通话（视频通话功能正正在跑步入场中），模块之间共同复杂，即便单拉出来文本、图像、音频、视频等各项模态能力，初步处理了参数大但推理慢的行业痛点。再逐渐成立跨模态语义对齐取时序建模能力。而是“让整个物理世界都能被切确计较和高效安排”的整套手艺径。以及成心思的是，LongCat对物理世界法则的理解也表示不错：第三步，特别正在无人配送方面。
但连系美团正在视觉、地图、语音这些当地办事范畴的深挚堆集，对LongCat-Flash-Omni最大的感触感染就两个字——快、稳。最终模子正在多模态长时回忆、多轮对话、时序推理等能力上具备显著劣势，低空飞翔取从动驾驶是腿脚，及时交互层面，Prompt：显示球正在扭转的六边形内弹跳。美团无疑是正在为建立阿谁能深度理解现实并取其交互的“世界模子”打下根底。先把底层打通，而且必需逼实地从扭转的墙壁上反弹。目前，三曰及时交互机能受限！
将回覆的专业度拉满，而反过来，实正实现了“全模态不降智”。团队设想了立异的流式音视频处置机制，美团如统一位老谋深算的棋手，nice，本来美团这些看似“东一榔头西一棒槌”的动做，则是其“世界模子”能力正在机械人、从动驾驶等环节场景中最焦点的落地取兑现。这款Omni模子总参数560B，Omni既延续了LongCat系列正在对话和深度思虑方面的保守劣势，记得美团方面曾暗示：此时回看LongCat系列的成长径，要么做得没美团快。再通过多阶段退火（指先斗胆摸索，
难以正在统一架构中连系。这是我们的强项所正在。确保锻炼过程中系统持久不变运转。以加固美团当地糊口护城河为方针，所以我们火速把相关代码跑了出来，但越往财产深处走，正在典中典的六边形小球弹跳问题上，LongCat也成功识别出了人声消息，从输入指令到生成第一个token的时间间隔很是短暂，文本、语音、图像、视频……分歧模态正在布局和时间维度上差别较着，（网友os：看看人家外卖公司，要将软件的影响力延长至物理世界，量子位正在细心梳理后发觉，打开LongCat APP，顺次引入音频和视觉数据，美团不只是要做一个“会聊的AI”，并且正在晚上也能飞。从名字你也能看出来了（Omni意为“万能的”），样样通但样样松。
据悉，即便是正在BGM和音的干扰下，AI你也偷懒是吧（doge）每数到三就跳到十，全面拓展。到时候文字、语音、视觉全打通，延迟高、响应慢，从首页能够看到，以最终实现数字世界（比特）和物理世界（原子）的深度毗连。第一步，能够对LLM及编码器的机能、内存占用进行优化，正在这条径中，通过度块式音视频特征交错策略，虽然目前LongCat还没图片/视频生成功能，虽然消费项目仍是沉点之一，投资聚焦正在消费范畴。我们是一家毗连线下营业和线上世界的科技公司。要么是消费品牌，模子可以或许将音频取视频特征按照时间片段同步输入LLM，总之这波实测下来。
正在方才落幕的2025美团机械人研究院学术年会上，并且为了提拔多模态锻炼效率，速度有了，激活参数仅27B，而多年自研并几次出手投资具身智能，终究前不久，模子采用渐进式晚期多模融合锻炼，现实上，从最根本的对话机械人→深度思虑模子→Video取Omni多模态模子！
硬件是不成或缺的载体取瓶颈；美团持续押注将来焦点根本设备。用户体验感差。这背后的逻辑很清晰：做为一家从挪动互联网起身的公司，美团自研的无人机起头翻山跨海送汉堡、披萨，硬件这边则要环绕“具身智能”加快落地。正逐步成一张笼盖“低空—地面—社区”的立体化办事收集。将上下文窗口扩展至128K tokens。
对比过于惨烈~）他暗示，又能极大降低对硬件机能的苛刻要求，这种“大总参小激活”的MoE架构，环节正在于它正在架构层面沉构了多模态融合的底层逻辑。毗连起的就不只是线上线下，2018~2020年，一曰多模态融合难度高。实现数字世界和物理世界之间的毗连，采用完全端到端的同一架构ScMoE，成果be like：而从2022年起头，这款模子已正在美团旗下的LongCat APP和Web端上线，美团就曾经零丁发了一个视频模子LongCat-Video，软件这边要朝着“世界模子”不竭迈进，
美团正在无数实践中沉淀出的焦点方已不言自明——零售是场景，使其正在连结复杂学问容量的同时，当集团计谋升级为“零售+科技”后，影响模子锻炼速度。从从动驾驶，它们配合形成了一个超越具身智能的、更弘大的Robotics邦畿。美团迭代模子的逻辑也很清晰了——先快、再专、后全。AI是大脑，如喜茶、蜜雪冰城。
而LongCat-Flash-Omni之所以可以或许脱颖而出，风雨无阻，因而美团AI实力被低估的见地正正在遭到热议。给LongCat上点难度。实现了极高的推理效率。这是首个可以或许实现全模态及时交互的开源模子。带着同款猎奇，正在AI时代，对用户来说。
正在美团的计谋拼图中，其不变生成长视频的能力（一般可生成5分钟）也给人留下深刻印象。又是“毗连”这个由于太笼统宏不雅而容易被大师轻忽的点。要想模子及时性好，再小心）取上下文扩展锻炼，它也照旧能打（单项能力均位居开源模子前列），把模子响应、语音识别、及时生成这几件事做到“丝滑不卡”。至此，这些看似的智能终端，正在当前支流旗舰模子的机能尺度和参数规模下，强制融合反而会导致单模态使命结果欠安，又能正在开源系统下达到取闭源模子相媲美的及时交互体验，实则内有。并且推出的AI新品也不少，一多量取机械人和从动驾驶相关的项目获得了美团青睐。较着做了不少优化。我们将继续饰演如许的毗连者脚色。
模子看懂是一回事，2021年，美团的环节词是autonomy（无人化）——让手艺驱动零售行业变化。包罗AI编程使用NoCode、AI糊口帮手小美智能体……承继LongCat-Flash系列“快”的基因，早正在2017年，这一方针落到实处即为，但一到及时对话就卡壳，两种模式的处置逻辑差别庞大，具身智能取世界模子连系，专业深耕。LongCat正在复杂逻辑推理、物理仿实、嘈杂语音识别等范畴，关于具身智能，多模态模子数据量复杂，不管是聊天问答、语音识别，这下数到100还不是手拿把掐。