用外賣的打法做AI模型？美團(tuán)這是跟“又快又穩(wěn)”杠上了（doge）。

兩個月哐哐發(fā)了多款模型后，美團(tuán)依舊動作不停——

最新開源LongCat-Flash-Omni，從名字你也能看出來了（Omni意為“全能的”），沒錯，這款模型終于支持多模態(tài)了！

任務(wù)雖更復(fù)雜，但模型實力不減，一出手依舊是“開源即SOTA”：

在綜合性的全模態(tài)基準(zhǔn)測試（如Omni-Bench, WorldSense）上，超越Qwen3-Omni、Gemini-2.5-Flash，這款模型直接達(dá)到了開源SOTA水準(zhǔn)，而且能和閉源的Gemini-2.5-Pro相媲美。

即使單拉出來文本、圖像、音頻、視頻等各項模態(tài)能力，它也依舊能打（單項能力均位居開源模型前列），真正實現(xiàn)了“全模態(tài)不降智”。

而且啊，這款模型還有一個亮點，那就是“快”（天下武功唯快不破？）——

繼承LongCat-Flash系列“快”的基因，這款Omni模型總參數(shù)560B，激活參數(shù)僅27B，這種“大總參小激活”的MoE架構(gòu)，使其在保持龐大知識容量的同時，實現(xiàn)了極高的推理效率。

不妨來直觀感受一下它的生成速度：

可以看到，從輸入指令到生成第一個token的時間間隔非常短暫，整個過程相當(dāng)絲滑。

據(jù)悉，在當(dāng)前主流旗艦?zāi)Ｐ偷男阅軜?biāo)準(zhǔn)和參數(shù)規(guī)模下，這是首個能夠?qū)崿F(xiàn)全模態(tài)實時交互的開源模型。

以及有意思的是，美團(tuán)發(fā)布這一成果時恰逢“Cursor‘自研’模型套殼國產(chǎn)開源”的八卦發(fā)酵之際，因此美團(tuán)AI實力被低估的看法正在受到熱議。（網(wǎng)友os：看看人家外賣公司，對比過于慘烈~）

目前，這款模型已在美團(tuán)旗下的LongCat APP和Web端上線，人人都能免費體驗。

老規(guī)矩，一手實測火速走起~

實測美團(tuán)新模型

打開LongCat APP，從首頁可以看到，它目前支持文字/語音兩種輸入方式，并能進(jìn)行語音通話（視頻通話功能正在跑步入場中），Web端還支持上傳圖片和文件。

別的不說，最近很火的“讓AI幫忙數(shù)羊哄睡”的服務(wù)自然不能落下。

視頻鏈接：https://mp.weixin.qq.com/s/Aia058is0yR9vfA_Yoypwg

好好好，AI你也偷懶是吧（doge）每數(shù)到三就跳到十，還能自圓其說是小羊干的，這下數(shù)到100還不是手拿把掐。

而眼見和LongCat聊天有點意思，那視頻通話內(nèi)測當(dāng)然得繼續(xù)安排上。

隨手拿過一個用光的香水瓶，接連拋出幾個問題：

• 這是什么？你能看到什么？瓶身上的字是什么意思？能帶上飛機(jī)嗎…

沒想到LongCat絲毫不慌，仔細(xì)“看過”后挨個解答了我們的問題：

視頻鏈接：https://mp.weixin.qq.com/s/Aia058is0yR9vfA_Yoypwg

看來“能看會說”這種基本功，已經(jīng)難不倒咱們多模態(tài)選手LongCat了。

咳咳，言歸正傳我們再來測試一下文本/圖片的輸入情況。

在典中典的六邊形小球彈跳問題上，LongCat對物理世界規(guī)則的理解也表現(xiàn)不錯：

• Prompt：顯示球在旋轉(zhuǎn)的六邊形內(nèi)彈跳。球應(yīng)該受到重力和摩擦力的影響，并且必須逼真地從旋轉(zhuǎn)的墻壁上反彈。

由于貼心地附上了代碼和可視化方案，所以我們火速把相關(guān)代碼跑了出來，結(jié)果be like：

另外，在圖片理解測試中，我們發(fā)現(xiàn)LongCat非常適合用來“玩?！?。

隨便讓它識別一張梗圖，當(dāng)我們還在苦思冥想時，人家秒秒鐘給出了正確答案：

3,2,1，答案揭曉：鴨（壓）歲錢。

最后再來看一下語音輸入，我們找了段復(fù)雜環(huán)境下的騎手送餐錄音，給LongCat上點難度。

音頻鏈接：https://mp.weixin.qq.com/s/Aia058is0yR9vfA_Yoypwg

nice，即使是在BGM和環(huán)境音的干擾下，LongCat也順利識別出了人聲信息，并給出了相應(yīng)意見。

總之這波實測下來，對LongCat-Flash-Omni最大的感受就兩個字——快、穩(wěn)。

即使面對復(fù)雜多模態(tài)任務(wù)，它也能做到即時響應(yīng)，整個交互體驗尤為絲滑。

而且， 不管是聊天問答、語音識別，還是那種腦筋急轉(zhuǎn)彎式的推理題，它都能第一時間接得住、接得對。

可以說，Omni既延續(xù)了LongCat系列在對話和深度思考方面的傳統(tǒng)優(yōu)勢，將回答的專業(yè)度拉滿，又自帶“Flash”系列的快基因——

好好好，果然不愧是LongCat-Flash-Chat和LongCat-Flash-Thinking的親傳弟子（Chat主打快、Think主打?qū)I(yè)）。

此時回看LongCat系列的成長路徑，美團(tuán)迭代模型的邏輯也很清晰了——先快、再專、后全。

• 速度優(yōu)先。先把底層打通，把模型響應(yīng)、語音識別、實時生成這幾件事做到“絲滑不卡”。對用戶來說，這就是“好用”的基礎(chǔ)門檻。
• 專業(yè)深耕。速度有了，再往深里卷。LongCat在復(fù)雜邏輯推理、物理仿真、嘈雜語音識別等領(lǐng)域，明顯做了不少優(yōu)化。可以看出，美團(tuán)不只是要做一個“會聊的AI”，而是想做能在復(fù)雜場景下穩(wěn)定發(fā)揮的“懂業(yè)務(wù)的AI”。
• 第三步，全面拓展。雖然目前LongCat還沒開放圖片/視頻生成功能，但結(jié)合美團(tuán)在視覺、地圖、語音導(dǎo)航這些本地服務(wù)領(lǐng)域的深厚積累，全模態(tài)路線幾乎是板上釘釘。到時候文字、語音、視覺全打通，也就順理成章了。

畢竟前不久，美團(tuán)就已經(jīng)單獨發(fā)了一個視頻模型LongCat-Video，其穩(wěn)定生成長視頻的能力（一般可生成5分鐘）也給人留下深刻印象。

視頻源自：@quarterturn；視頻鏈接；https://mp.weixin.qq.com/s/Aia058is0yR9vfA_Yoypwg

又快又全，怎么做到的？

其實，做全模態(tài)大模型的并不只有美團(tuán)——只是要么做得不夠好，要么做得沒美團(tuán)快。

畢竟要讓AI“聽得懂、看得清、反應(yīng)快”，遠(yuǎn)比想象中難得多：

一曰多模態(tài)融合難度高。文本、語音、圖像、視頻……不同模態(tài)在結(jié)構(gòu)和時間維度上差異明顯，強(qiáng)制融合反而會導(dǎo)致單模態(tài)任務(wù)效果不佳，樣樣通但樣樣松。

二曰離線理解與流式交互難兼容。模型看懂是一回事，邊看邊說是另一回事。兩種模式的處理邏輯差異巨大，難以在同一架構(gòu)中結(jié)合。

三曰實時交互性能受限?，F(xiàn)有模型能看能聽，但一到實時對話就卡殼，延遲高、響應(yīng)慢，用戶體驗感差。要想模型實時性好，就離不開高質(zhì)量的模型架構(gòu)設(shè)計和基礎(chǔ)設(shè)施部署。

四曰大規(guī)模訓(xùn)練效率低。多模態(tài)模型數(shù)據(jù)量龐大，模塊之間配合復(fù)雜，影響模型訓(xùn)練速度。

而LongCat-Flash-Omni之所以能夠脫穎而出，關(guān)鍵在于它在架構(gòu)層面重構(gòu)了多模態(tài)融合的底層邏輯。

主干部分延續(xù)LongCat系列的高效架構(gòu)設(shè)計，采用完全端到端的統(tǒng)一架構(gòu)ScMoE，能夠同時接收文本、音頻、圖像、視頻及任意組合的多模態(tài)輸入。

實時交互層面，團(tuán)隊設(shè)計了創(chuàng)新的流式音視頻處理機(jī)制，通過分塊式音視頻特征交織策略，模型能夠?qū)⒁纛l與視頻特征按照時間片段同步輸入LLM，實現(xiàn)低延遲的實時語音生成與視覺響應(yīng)。

訓(xùn)練上，模型采用漸進(jìn)式早期多模融合訓(xùn)練，先從純文本預(yù)訓(xùn)練出發(fā)，依次引入音頻和視覺數(shù)據(jù)，再逐步建立跨模態(tài)語義對齊與時序建模能力。

再通過多階段退火（指先大膽探索，再小心收斂）與上下文擴(kuò)展訓(xùn)練，將上下文窗口擴(kuò)展至128K tokens，最終模型在多模態(tài)長時記憶、多輪對話、時序推理等能力上具備顯著優(yōu)勢，并支持超8分鐘的音視頻交互。

而且為了提升多模態(tài)訓(xùn)練效率，團(tuán)隊還提出了模態(tài)解耦并行（MDP）訓(xùn)練方案，可以對LLM及編碼器的性能、內(nèi)存占用進(jìn)行獨立優(yōu)化，確保訓(xùn)練過程中系統(tǒng)長期穩(wěn)定運行。

正是憑借這種全模態(tài)覆蓋+端到端架構(gòu)+大參數(shù)量高效推理，LongCat-Flash-Omni達(dá)成了平衡：既有覆蓋文本、圖像、視頻、語音的全模態(tài)能力，又能在開源體系下達(dá)到與閉源模型相媲美的實時交互體驗，初步解決了參數(shù)大但推理慢的行業(yè)痛點。

軟硬件“兩條腿走路”，美團(tuán)原來下的是這樣一盤棋

u1s1，今年以來美團(tuán)的一系列動作確實給人一種“眼花繚亂”的印象——

7月，它接連領(lǐng)投了兩家明星具身智能企業(yè)它石智航&星海圖；然后從8月底開始，又密集發(fā)布LongCat-Flash-Chat、LongCat-Flash-Thinking、LongCat-Video等一系列模型。

而且推出的AI新品也不少，包括AI編程應(yīng)用NoCode、AI生活助手小美智能體……

人們不禁要問了：美團(tuán)這是要干啥？

帶著同款好奇，量子位在仔細(xì)梳理后發(fā)現(xiàn)，原來美團(tuán)這些看似“東一榔頭西一棒槌”的動作，實則內(nèi)有乾坤。

總結(jié)下來就是，美團(tuán)正在靠著軟硬件“兩條腿走路”，以最終實現(xiàn)數(shù)字世界（比特）和物理世界（原子）的深度連接。

沒錯，又是“連接”這個因為太抽象宏觀而容易被大家忽視的點。記得美團(tuán)方面曾表示：

• 我們是一家連接線下業(yè)務(wù)和線上世界的科技公司。
  在AI時代，我們將繼續(xù)扮演這樣的連接者角色，實現(xiàn)數(shù)字世界和物理世界之間的連接，這是我們的強(qiáng)項所在。

這一目標(biāo)落到實處即為，軟件這邊要朝著“世界模型”不斷邁進(jìn)，硬件這邊則要圍繞“具身智能”加速落地。

這背后的邏輯很清晰：作為一家從移動互聯(lián)網(wǎng)起家的公司，美團(tuán)比誰都清楚軟件的威力。但越往產(chǎn)業(yè)深處走，它越意識到，要將軟件的影響力延伸至物理世界，硬件是不可或缺的載體與瓶頸；而反過來，一個強(qiáng)大的“世界模型”，又能極大降低對硬件性能的苛刻要求，從而找到成本與效率的最優(yōu)解。

有了這一判斷基準(zhǔn)，美團(tuán)之前的所有動作就都能一一對號入座了。

比如說大模型，從最基礎(chǔ)的對話機(jī)器人→深度思考模型→Video與Omni多模態(tài)模型，美團(tuán)無疑是在為構(gòu)建那個能深度理解現(xiàn)實并與其交互的“世界模型”打下根基。

而多年自研并頻頻出手投資具身智能，則是其“世界模型”能力在機(jī)器人、自動駕駛等關(guān)鍵場景中最核心的落地與兌現(xiàn)。

實際上，為了實現(xiàn)“世界模型+具身智能”的完美結(jié)合，美團(tuán)如同一位老謀深算的棋手，其布局遠(yuǎn)比外界看到的更早、也更為體系化。

早在2017年，當(dāng)無人化概念方興未艾，美團(tuán)方面就在一場行業(yè)峰會上提出了著名的“互聯(lián)網(wǎng)下半場”概念——上天、入地、全球化。

其中“上天”即指用高科技賦能全行業(yè)。美團(tuán)那時候就強(qiáng)調(diào)：

• 未來甚至?xí)脽o人駕駛技術(shù)和機(jī)器人來配送。

由此可見，用科技重塑服務(wù)業(yè)的遠(yuǎn)見，早已深植于美團(tuán)的戰(zhàn)略構(gòu)想之中。

通過盤點其歷年投資的代表性項目，我們不難發(fā)現(xiàn)這樣一條清晰的脈絡(luò)：

2018~2020年，以加固美團(tuán)本地生活護(hù)城河為目標(biāo)，投資聚焦在消費領(lǐng)域。要么是美團(tuán)本地生活業(yè)務(wù)延伸，如美菜網(wǎng)、普渡機(jī)器人；要么是消費品牌，如喜茶、蜜雪冰城。

2021年，當(dāng)集團(tuán)戰(zhàn)略升級為“零售+科技”后，雖然消費項目仍是重點之一，但當(dāng)中科技項目的占比開始提升。尤其在無人配送方面，一大批與機(jī)器人和自動駕駛相關(guān)的項目獲得了美團(tuán)青睞。

而從2022年開始，美團(tuán)更是全面加碼了科技投資。從自動駕駛，到半導(dǎo)體AI芯片、再到各類具身機(jī)器人，美團(tuán)持續(xù)押注未來核心基礎(chǔ)設(shè)施。

這些技術(shù)看似龐雜，但其內(nèi)在邏輯高度統(tǒng)一——

美團(tuán)投資的，早已不是某一種單一的機(jī)器人功能，而是“讓整個物理世界都能被精確計算和高效調(diào)度”的整套技術(shù)路徑。

在這條路徑中，AI是大腦，低空飛行與自動駕駛是腿腳，它們共同構(gòu)成了一個超越具身智能的、更宏大的Robotics版圖。

關(guān)于具身智能，在剛剛落幕的2025美團(tuán)機(jī)器人研究院學(xué)術(shù)年會上，美團(tuán)副總裁毛一年清晰指出：

• 未來5到10年，具身智能正是這一切的核心技術(shù)范式。

他表示，美團(tuán)的關(guān)鍵詞是autonomy（無人化）——讓技術(shù)驅(qū)動零售行業(yè)變革。過去數(shù)年，美團(tuán)自研的無人機(jī)開始翻山跨海送漢堡、披薩，無人車完成了數(shù)以百萬計的訂單，風(fēng)雨無阻，而機(jī)場、酒店、園區(qū)場景中，小黃蜂也在承擔(dān)閃購配送任務(wù)。

（注：美團(tuán)還是全國唯一獲得民航局許可在中國全境合法飛行的無人機(jī)，而且在晚上也能飛。）

顯而易見，在美團(tuán)的戰(zhàn)略拼圖中，這些看似獨立的智能終端，正逐漸串聯(lián)成一張覆蓋“低空—地面—社區(qū)”的立體化服務(wù)網(wǎng)絡(luò)。 它們并非簡單的設(shè)備疊加，而是美團(tuán)將技術(shù)能力注入零售場景、實現(xiàn)系統(tǒng)效率躍遷的關(guān)鍵載體。

至此，美團(tuán)在無數(shù)實踐中沉淀出的核心方法論已不言自明——零售是場景，科技是賦能。

當(dāng)AI成為大腦，機(jī)器人成為雙手雙腳，具身智能與世界模型結(jié)合，連接起的就不僅是線上線下，更是比特與原子、虛擬與現(xiàn)實、算法與人類生活。

Anyway，雖然美團(tuán)從未正面講述過它的“科技”圖景，但方向其實早已明明白白——

幫大家吃得更好，生活更好。

只不過這回，美團(tuán)要“喂飽”的，不止是胃，還有未來。

LongCat Chat（APP需自行下載）: https://longcat.ai
Hugging Face: https://huggingface.co/meituan-longcat/LongCat-Flash-Omni
GitHub: https://github.com/meituan-longcat/LongCat-Flash-Omni