Mindket
简体中文
English简体中文
登录注册
商店MCP技能计算器学习价格博客
发现
研究308写作59商务95法律13财务33营销172开发1,379效率382教育81陪伴14
帮助与支持
语言
English简体中文

LongCat-Next

由 meituan-longcat 制作工具包开发
新上架第 1 版 · 更新于
点赞

概览

把文字、图像和音频作为离散 token 统一处理的原生多模态模型，参数 74.3B。适合构建能看、能听、能生成内容的应用的研究人员和开发者。

LongCat-Next 是一款工具包，属于开发类，由 Mindket 上架。可免费获取。当前为第 1 版，最近更新于 。在本页下载，是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。

速览

你需要
  • Python 和 Hugging Face 工具
  • 约 149 GB 磁盘空间，用于 BF16 权重
  • 能处理 74B 模型的部署环境
用在
  • 用来部署权重的 GPU 服务器
  • 使用已发布分词器的研究代码
  • 用来获取文件的 Windows、macOS 或 Linux
先运行
pip install -U huggingface_hub
hf download meituan-longcat/LongCat-Next

平台

Windows操作系统
macOS操作系统
Linux操作系统

关于

它是什么

LongCat-Next 是一个原生多模态模型，在同一个系统里处理文字、图像和音频。它把图片和声音变成离散 token，所以一个下一个 token 预测目标就能覆盖所有输入类型。它有 743 亿参数，其中约 30 亿处于激活状态，团队也一并发布了它的分词器。

适合谁

适合想要一个既能看图、听音频又能生成内容的开源模型的研究人员和开发者。

IndustryWho uses itHow they use itExample
研究多模态研究人员研究统一的离散 token 训练在一个模型里对比视觉理解和生成
软件应用开发者构建能看、能听、能说的应用回答关于一张照片的问题的助手
媒体内容团队原型化混合文字、图像和音频的工具为一段视频起草字幕

如果你只需要文本模型，可以跳过，因为这个模型是为多种输入类型设计的。

用在哪里

它面向 GPU 内存足够的服务器。下载步骤可在装有 Python 的 Windows、macOS 或 Linux 上进行。

  • 用来部署权重的 GPU 服务器
  • 使用已发布分词器的研究代码
  • 用来获取文件的 Windows、macOS 或 Linux
Use caseWhoWhat they get back
图像理解开发者关于图片内容的回答
图像生成创作者来自同一个模型的新图像
音频任务语音应用开发者通过同一系统实现语音输入和输出

如何设置

你需要 Python 和大量磁盘空间。Hugging Face 标注 BF16 约 149 GB，4 位下估计约 37.1 GB。模型卡提供技术报告和演示的入口，可进一步了解。

  • Python 和 Hugging Face 工具
  • 约 149 GB 磁盘空间，用于 BF16 权重
  • 能处理 74B 模型的部署环境
  1. 安装 Hugging Face 下载工具。
  2. 把仓库文件下载到空间足够的硬盘。
  3. 按模型卡运行模型及其分词器。
pip install -U huggingface_hub
hf download meituan-longcat/LongCat-Next

如何使用

设置好之后，给模型输入文字、图像或音频，然后阅读它的回复。同一个模型涵盖看、创作和说话。模型卡可见的部分没有给出运行命令，请按它自己的说明操作。

ToolWhat it does
hf download把模型文件下载到你的电脑

示例

你给模型看一张照片，问里面有什么。它把图像读成 token，并用文字写出回答。在同一个系统里，你也可以把语音作为输入。

新手与专家

如果你是新手，这是一个研究级模型，能看、能听、能说，面向有服务器硬件的人。可以先读模型卡和技术报告，了解它怎么用。

如果你熟悉这个领域，核心思路是离散原生自回归范式。视觉和音频与文字一起变成共享嵌入空间中的 token，建立在 LongCat-Flash-Lite 混合专家主干之上。作者称这提升了离散视觉建模在理解任务上的表现，并统一了理解与生成。

  1. 文字、图像或音频输入
  2. 分词器生成离散 token
  3. 同一个混合专家模型
  4. 文字、图像或音频输出

注意事项

模型卡把它描述为研究发布，并共享了分词器以便后续工作。

  • License: MIT
  • Cost to run: 没有提到 API 密钥、账号或付费服务，但你需要能运行 74B 模型的 GPU 硬件
  • Data it reaches: 从 Hugging Face 下载的文件，以及你提供的图像、音频和文字
  • Not for: 小型机器，或需要这里没有给出的精确基准数字的场合

README 和文件

README

LongCat-Next

把文字、图像和音频作为离散 token 统一处理的原生多模态模型，参数 74.3B。适合构建能看、能听、能生成内容的应用的研究人员和开发者。

由 meituan-longcat 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：LongCat-Next 是一个原生多模态模型，在同一个系统里处理文字、图像和音频。它把图片和声音变成离散 token，所以一个下一个 token 预测目标就能覆盖所有输入类型。它有 743 亿参数，其中约 30 亿处于激活状态，团队也一并发布了它的分词器。

适合谁：适合想要一个既能看图、听音频又能生成内容的开源模型的研究人员和开发者。

Industry | Who uses it | How they use it | Example
研究 | 多模态研究人员 | 研究统一的离散 token 训练 | 在一个模型里对比视觉理解和生成
软件 | 应用开发者 | 构建能看、能听、能说的应用 | 回答关于一张照片的问题的助手
媒体 | 内容团队 | 原型化混合文字、图像和音频的工具 | 为一段视频起草字幕

如果你只需要文本模型，可以跳过，因为这个模型是为多种输入类型设计的。

用在哪里：它面向 GPU 内存足够的服务器。下载步骤可在装有 Python 的 Windows、macOS 或 Linux 上进行。

  • 用来部署权重的 GPU 服务器
  • 使用已发布分词器的研究代码
  • 用来获取文件的 Windows、macOS 或 Linux
Use case | Who | What they get back
图像理解 | 开发者 | 关于图片内容的回答
图像生成 | 创作者 | 来自同一个模型的新图像
音频任务 | 语音应用开发者 | 通过同一系统实现语音输入和输出

如何设置：你需要 Python 和大量磁盘空间。Hugging Face 标注 BF16 约 149 GB，4 位下估计约 37.1 GB。模型卡提供技术报告和演示的入口，可进一步了解。

  • Python 和 Hugging Face 工具
  • 约 149 GB 磁盘空间，用于 BF16 权重
  • 能处理 74B 模型的部署环境
  1. 安装 Hugging Face 下载工具。
  2. 把仓库文件下载到空间足够的硬盘。
  3. 按模型卡运行模型及其分词器。
pip install -U huggingface_hub
hf download meituan-longcat/LongCat-Next

如何使用：设置好之后，给模型输入文字、图像或音频，然后阅读它的回复。同一个模型涵盖看、创作和说话。模型卡可见的部分没有给出运行命令，请按它自己的说明操作。

Tool | What it does
hf download | 把模型文件下载到你的电脑

示例：你给模型看一张照片，问里面有什么。它把图像读成 token，并用文字写出回答。在同一个系统里，你也可以把语音作为输入。

新手与专家：如果你是新手，这是一个研究级模型，能看、能听、能说，面向有服务器硬件的人。可以先读模型卡和技术报告，了解它怎么用。

如果你熟悉这个领域，核心思路是离散原生自回归范式。视觉和音频与文字一起变成共享嵌入空间中的 token，建立在 LongCat-Flash-Lite 混合专家主干之上。作者称这提升了离散视觉建模在理解任务上的表现，并统一了理解与生成。

文字、图像或音频输入
分词器生成离散 token
同一个混合专家模型
文字、图像或音频输出

注意事项：模型卡把它描述为研究发布，并共享了分词器以便后续工作。

  • License: MIT
  • Cost to run: 没有提到 API 密钥、账号或付费服务，但你需要能运行 74B 模型的 GPU 硬件
  • Data it reaches: 从 Hugging Face 下载的文件，以及你提供的图像、音频和文字
  • Not for: 小型机器，或需要这里没有给出的精确基准数字的场合

Hugging Face 上的数据（2026年11月13日）

  • 任务：any to any
  • 框架：LongCat-Next
  • 参数量：74.3B
  • Weights: about 149 GB in BF16; about 37.1 GB at 4-bit (estimate)
  • Formats: Safetensors
  • 最近 30 天下载：561
  • 点赞：220
  • 许可证：mit
  • Quantized versions: 5
  • Fine-tunes: 1
  • 标签：longcat-next, safetensors, longcat_next, text-generation, transformers, multimodal, any-to-any

链接

  • 模型：https://huggingface.co/meituan-longcat/LongCat-Next
  • 文件：https://huggingface.co/meituan-longcat/LongCat-Next/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download meituan-longcat/LongCat-Next

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。

文件
README.md  5 KB

1 个文件，共 5 KB，以 zip 压缩包下载。

更新内容

  • 第 1 版 · 2026-11-12

同类产品对比

同一分类里与本产品共有标签最多的已上架 Hugging Face 模型。

产品最近 30 天下载点赞参数量许可证最近更新
LongCat-Next 本页56122074.3Bmit
MiniCPM-o 4.5共有 any-to-any · multimodal · transformers170,7931,5719.4Bapache-2.0
Realtime-Venus共有 any-to-any · multimodal · transformers2,101135—apache-2.0
gemma-4-E4B-it共有 any-to-any · transformers · safetensors4,298,3481,8508Bapache-2.0
gemma-4-E2B-it共有 any-to-any · transformers · safetensors3,017,0591,1295.1Bapache-2.0
gemma-4-12B-it共有 any-to-any · transformers · safetensors1,738,9051,73512Bapache-2.0
数据为 Mindket 在 2026-11-12 读取的数值。

评价

还没有评分

写评价

还没有评价。

大家怎么说

Hacker News、Bluesky、X、Reddit、Facebook 和 YouTube 上提到这个项目的帖子和评论，来自每周一次的搜索和 Trendshift。它们不是 Mindket 写的，也未经核实，点开即可在原帖处阅读。

lcampbellLongCat-2.0, a large-scale MoE model with 1.6T total and 48B ActiveI don't think llama.cpp supports any of the LongCat models, actually. They haven't posted weights/inference solutions for LongCat-2.0 [1], but LongCat-Next had transformers support, which I assume means it works with vLLM/SGLang. Given it's 1.6T, "common hardware" is probably out of the question;…Adina YakupLongCat-Next 🐱 A multimodal foundation model released by Meituan huggingface.co/meituan-long... ✨ 74B total - 3B active - MIT ✨ One token space for all modalities ✨ DiNA paradigm for unified learning ✨ Seeing, creating, talking all in one13 赞Sung Kim📄 Paper: github.com/meituan-long... 🔗 GitHub: github.com/meituan-long... 😊 HuggingFace: huggingface.co/meituan-long... 💻 demo: longcat.chat/longcat-next 📖 blog: longcat.chat/longcat-next...3 赞Paper[5/30] 35 Likes, 4 Comments, 1 Posts 2603.27538, cs․CV | cs․CL, 29 Mar 2026 🆕LongCat-Next: Lexicalizing Modalities as Discrete Tokens Meituan LongCat Team, Bin Xiao, Chao Wang, Chengjiang Li, Chi Zhang, Chong Peng, Hang Yu, Hao Yang, Haonan Yan, Haoze Sun, Haozhe Zhao, Hong Liu, Hui Su, Jiaq...1 条回复arXiv cs.CV Computer Vision and Pattern RecognitionMeituan LongCat Team, et al.: LongCat-Next: Lexicalizing Modalities as Discrete Tokens https://arxiv.org/abs/2603.27538 https://arxiv.org/pdf/2603.27538 https://arxiv.org/html/2603.27538

搜索日期

Mindket 的更多商品

查看 Mindket 的全部商品

Nanosaur2-670M

well9472 · 工具包

用一个 670M 参数的小型扩散模型，根据文字提示生成插画，在 ComfyUI 中运行。这是一个低预算的研究模型，适合想试用或训练自己 LoRA 的人。

新上架

waqf-ocr-hand-written-v1

Waqf-AI · 工具包

读取图片中的阿拉伯语手写文字并以文本形式返回。这是微调过的 PaddleOCR-VL 模型，适合要把阿拉伯语手写内容数字化的人。

新上架

Wan2.2-TI2V-5B-Diffusers

Wan-AI · 工具包

根据文本提示或图像加文字生成视频片段，最高 720P、每秒 24 帧，Diffusers 格式，适合单块消费级 GPU。

新上架

开发类的相似商品

查看开发类的全部商品

Wan2.2-S2V-14B

Wan-AI · 工具包

根据音频生成电影感的角色视频，也能给现有视频做口型同步。适合有大显卡的视频创作者、动画师和研究人员。

新上架

Wan2.2-Animate-14B

Wan-AI · 工具包

通过复制表演者的动作和表情，让角色动起来，或把角色换进视频里，是 Wan2.2 视频系列中的一个模型。只能使用你有权使用的面孔和形象。

新上架

d3-turbo

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择、是非、打分、框选和跟踪类问题，并为每个答案给出概率。适合构建路由或视觉检查的人。

新上架