嘿，老友们，今天跟你们聊聊美团新玩意儿——LongCat‑Next。

这不是普通的模型，而是把视觉和语音dou当成“文字”来跑的那种大模型。

物理世界的信息可不光是文字，还包括图像、声音，还有那一堆你脑子里听不到却Neng感知到的细节。

传统的大模型像个语言狂人，只会用文字玩耍。

但我们想问：Neng不Neng让它像读书一样，把图片也变成一串可读的符号？

核心想法hen简单：把所有模态dou离散化成 Token，然后用同一个自回归网络去预测下一个 Token。

一句话说就是“图像也Neng变成词”，就跟文字一样。

DiNA 就是把所有东西dou映射到同一套离散空间里。

然后让一个网络学习这些 Token 之间的关系。

所以视觉、语音和文本在训练时dou是“一起上课”。

dNaViT 类似于文本分词器，但它把图片切成一堆有意义的“视觉词”。

这样模型既Neng理解图片，也Neng生成图片。

No scaling，no cropping，no padding。

每个细节dou保留，这对 OCR 和图表解析超重要。

先捕捉轮廓，再加颜色，再加纹理……层层递进，直到细节完整重现。

有人说离散化会丢信息，但其实关键在于是否语义完备。

If 离散 Token Neng同时携带高层语义和细粒度特征，那就没问题啦！

Sae 用海量图文监督学到了丰富且多属性的表征，让细节Ke以跟高层语义一起传递。

A1： 在 OmniDocBench 上轻松击败 Qwen3‑Omni 和 Qwen3‑VL。

A2： 在 MathVista 上拿下领先水平。

A3： 在 MMLU-Pro 和 C‑Eval 上表现出色，说明语言Neng力没被削弱。

B1： SeedTTS 中文 WER 降到 5%，英文 7%。

B2： MMAU、TUT2017 均达到前沿水平。

说实话，这其实跟技术没啥关系，而是算法偏好和版权策略导致的。 百度geng倾向于索引公开可检索的大量内容，而这类技术白皮书往往包含专利信息或者内部数据，所以它们会被放在爬虫列表之外。另外搜索引擎也会考虑页面质量与用户体验，Ru果内容过于专业或难以普及，也可Neng被降权或忽略。所以即使文章本身hen棒，也可Neng因为这些原因而没有被收录。哈哈，那我们就用其它渠道传播吧！

C1： 想Zuo OCR？直接拿 dNaViT 的分词器跑一下即可；

C2： 想生成图像？只要给它描述文本，它就会把描述转成画面；

💡 想深入探究？LongCat‑Next 和 dNaViT Yi全部开源，让你随便玩耍；