LongCat Flash Omni开源：开启全模态实时交互新纪元

11月3日，LongCat-Flash系列迎来重要升级，全新家族成员LongCat-Flash-Omni正式发布并开源，LongCat最新App同步上线开启公测。目前新App已支持联网搜索、语音对话等功能，视频通话功能将稍后上线；Web端则新增了图片上传、文件传输与语音对话等实用功能。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

据了解，LongCat-Flash-Omni基于LongCat-Flash系列的高效架构设计（含Shortcut-Connected MoE与零计算专家机制），创新集成了高效多模态感知模块与语音重建模块。在总参数量达5600亿（其中激活参数270亿）的庞大模型规模下，仍实现了毫秒级的实时音视频交互能力，为开发者的多模态应用场景提供了更优质的技术解决方案。

这款新模型也成为业界首个实现"全模态覆盖、端到端架构、大参数量高效推理"三位一体的开源大语言模型，首次在开源范畴内实现了对标闭源模型的全模态能力，并凭借创新的架构设计与工程优化，让大模型在多模态任务中实现毫秒级响应，有效解决行业内推理延迟的痛点问题。

具体来看，LongCat-Flash-Omni在一体化框架中整合了离线多模态理解与实时音视频交互能力，采用完全端到端的设计理念——以视觉与音频编码器作为多模态感知器，由LLM直接处理输入并生成文本与语音token，再通过轻量级音频解码器重建为自然语音波形，从而实现低延迟的实时交互。所有模块均基于高效流式推理设计，视觉编码器与音频编解码器均为轻量级组件，参数量均约为6亿，延续了LongCat-Flash系列创新型高效架构的精髓，实现了性能与推理效率间的最佳平衡。

▲LongCat-Flash-Omni模型架构

与此同时，新模型突破了"大规模参数与低延迟交互难以兼顾"的技术瓶颈，在大规模架构基础上实现了高效实时音视频交互：模型总参数达5600亿（激活参数270亿），依托LongCat-Flash系列创新的ScMoE架构（含零计算专家）作为LLM骨干，结合高效多模态编解码器和"分块式音视频特征交织机制"，最终实现了低延迟、高质量的音视频处理与流式语音生成。模型支持128K tokens上下文窗口及超8分钟音视频交互，在多模态长时记忆、多轮对话、时序推理等核心能力上表现优异。

全模态模型训练的核心挑战之一是"不同模态的数据分布存在显著异质性"。LongCat-Flash-Omni采用渐进式早期多模态融合训练策略，在平衡数据策略与早期融合训练模式下，逐步融入文本、音频、视频等模态，确保全模态性能强劲且无任何单模态性能退化。

综合评估结果表明，LongCat-Flash-Omni在综合性的全模态基准测试（如Omni-Bench、WorldSense）上达到了开源最先进水平（SOTA），并在文本、图像、音频、视频等各项模态的能力位居开源模型前列，真正实现了"全模态不降智"的卓越成果：

· ▲LongCat-Flash-Omni 的基准测试性能

文本能力：LongCat-Flash-Omni延续了该系列卓越的文本基础能力，且在多个领域均呈现领先优势。相较于LongCat-Flash系列早期版本，该模型不仅未出现文本能力的衰减，反而在部分领域实现了性能提升。这一结果不仅印证了团队训练策略的有效性，更凸显出全模态模型训练中不同模态间的潜在协同价值。

图像理解：LongCat-Flash-Omni在图文理解任务上的表现（RealWorldQA 74.8分）与闭源全模态模型Gemini-2.5-Pro相当，且优于开源模型Qwen3-Omni；多图像任务优势尤为显著，核心收益来源于高质量图文交织、多图像及视频数据集上的训练成果。

音频能力：从自动语音识别（ASR）、文本到语音（TTS）到语音续写维度进行全面评估，该模型在指令层面表现突出：ASR在LibriSpeech、AISHELL-1等数据集上优于Gemini-2.5-Pro；语音到文本翻译（S2TT）在CoVost2表现强劲；音频理解在TUT2017、Nonspeech7k等任务达到当前最优水平；语音对话在OpenAudioBench、VoiceBench表现优异，实时音视频交互评分接近闭源模型，在类人性指标上优于GPT-4o，实现了从基础能力到实用交互的高效转化。

视频理解：LongCat-Flash-Omni在视频到文本任务性能达到当前最优，短视频理解大幅优于现有参评模型，长视频理解比肩Gemini-2.5-Pro与Qwen3-VL，这得益于动态帧采样、分层特征聚合的视频处理策略，以及高效骨干网络对长上下文的支持。

跨模态理解：模型性能优于Gemini-2.5-Flash（非思考模式），比肩Gemini-2.5-Pro（非思考模式）；尤其在真实世界音视频理解WorldSense基准测试上，相较于其他开源全模态模型展现出显著优势，印证了其高效的多模态融合能力，堪称当前综合能力领先的开源全模态模型。

端到端交互：由于目前行业内尚未形成成熟的实时多模态交互评估体系，LongCat团队构建了一套专属的端到端评测方案。该方案由定量用户评分（250名用户评分）与定性专家分析（10名专家，200个对话样本）组成。定量结果显示：围绕端到端交互的自然度与流畅度，LongCat-Flash-Omni在开源模型中展现出显著优势——其评分比当前最优开源模型Qwen3-Omni高出0.56分；定性结果表明：LongCat-Flash-Omni在语义理解、相关性与记忆能力三个维度与顶级模型持平，但在实时性、类人性与准确性三个维度仍存在差距，也将在未来工作中持续优化。