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已支持聯網搜索、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。

據介紹，LongCat-Flash-Omni以LongCat-Flash系列的高效架構設計為基礎（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 5600 億（激活參數 270 億）的龐大參數規(guī)模下，仍實現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選擇。

新模型也是業(yè)界首個實現“全模態(tài)覆蓋、端到端架構、大參數量高效推理”于一體的開源大語言模型，首次在開源范疇內實現了對標閉源模型的全模態(tài)能力，并憑借創(chuàng)新的架構設計與工程優(yōu)化，讓大參數模型在多模態(tài)任務中能實現毫秒級響應，解決行業(yè)內推理延遲的痛點。

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，從而實現低延遲的實時交互。所有模塊均基于高效流式推理設計，視覺編碼器、音頻編解碼器均為輕量級組件，參數量均約為6億，延續(xù)了 LongCat-Flash 系列的創(chuàng)新型高效架構設計，實現了性能與推理效率間的最優(yōu)平衡。

▲LongCat-Flash-Omni模型架構

與此同時，新模型突破“大參數規(guī)模與低延遲交互難以兼顧”的瓶頸，在大規(guī)模架構基礎上實現高效實時音視頻交互：模型總參數達 5600 億（激活參數 270 億），卻依托 LongCat-Flash 系列創(chuàng)新的 ScMoE 架構（含零計算專家）作為 LLM 骨干，結合高效多模態(tài)編解碼器和“分塊式音視頻特征交織機制”，最終實現低延遲、高質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)模型訓練的核心挑戰(zhàn)之一是 “不同模態(tài)的數據分布存在顯著異質性”，LongCat-Flash-Omni采用漸進式早期多模融合訓練策略，在平衡數據策略與早期融合訓練范式下，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。

綜合評估結果表明，LongCat-Flash-Omni在綜合性的全模態(tài)基準測試（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“全模態(tài)不降智”的結果：

·       ▲LongCat-Flash-Omni 的基準測試性能

• 文本：LongCat-Flash-Omni 延續(xù)了該系列卓越的文本基礎能力，且在多領域均呈現領先性能。相較于 LongCat-Flash 系列早期版本，該模型不僅未出現文本能力的衰減，反而在部分領域實現了性能提升。這一結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，核心得益于高質量交織圖文、多圖像及視頻數據集上的訓練成果。

• 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 層面表現突出：ASR 在 LibriSpeech、AISHELL-1 等數據集上優(yōu)于 Gemini-2.5-Pro；語音到文本翻譯（S2TT）在 CoVost2 表現強勁；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，實現基礎能力到實用交互的高效轉化。

• 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，是當前綜合能力領先的開源全模態(tài)模型。

• 端到端交互：由于目前行業(yè)內尚未有成熟的實時多模態(tài)交互評估體系，LongCat團隊構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；定性結果顯示：LongCat-Flash-Omni 在副語言理解、相關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。

 

雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。