メイトゥアンがオープンソース化したLongCat-Next：3Bパラメータによる統一ビジョン理解・生成・音声

2023年10月までのデータに基づき、以下の内容を日本語に翻訳します。

1M AI Newsの監測によると、MeituanのロンゴマチームはLongCat-Nextをオープンソース化しました。これはMoEアーキテクチャに基づき、活性化パラメータ3Bのネイティブマルチモーダルモデルであり、単一の自己回帰フレームワークの下でテキスト、ビジュアル理解、画像生成、音声理解、音声合成の五つの能力を統一しています。モデルと付属のトークナイザーはMITライセンスで公開されており、重みはHuggingFaceにアップロードされています。

LongCat-Nextのコア設計はDiNA（離散ネイティブ自己回帰）パラダイムです。各モダリティに対してペアのトークナイザーとデコーダーを設計し、視覚と音声信号を離散トークンに変換し、テキストと同じ埋め込み空間を共有します。これにより、次のトークン予測を用いてすべてのタスクを統一的に処理します。視覚側の重要なコンポーネントであるdNaViT（離散ネイティブ解像度ビジョントランスフォーマー）は、画像特徴を「ビジュアルワード」に抽出し、動的トークナイゼーションとデコーディングをサポートします。28倍の圧縮比にもかかわらず、画像生成の品質は高く、特に文字レンダリングにおいて優れた性能を示しています。

同等の活性化パラメータ量（A3B）のモデルと比較した場合、LongCat-Nextの主要なベンチマーク結果は以下の通りです。

1. ビジュアル理解：MMMU-Pro 60.3（Qwen3-Omni 57.0、GPT5-minimal 62.7）、MathVista 83.1（Qwen3-Omni 75.9、GPT5-minimal 50.9）、MathVision 64.7（すべての比較モデルを上回る）、DocVQA 94.2
2. 画像生成：GenEval 84.44、LongText-EN 93.15（FLUX.1-dev 60.70、Emu-3.5 97.60）
3. プログラミング：SWE-Bench 43.0（Kimi-Linear-48B 32.8、Qwen3-Next-80B 37.6）
4. エージェントツール呼び出し：Tau2-Retail 73.68（Qwen3-Next 57.3）、Tau2-Telecom 62.06（Qwen3-Next 13.2）

統一モデルの理解と生成の横断比較において、LongCat-NextのMMMUスコアは70.6で、2位のNEO-unify（68.9）をリードし、BAGEL（55.3）やOvis-U1（51.1）などの従来の統一モデルを大きく上回っています。SWE-Bench 43.0やTau2シリーズのツール呼び出しベンチマークの結果も、このマルチモーダル統一アーキテクチャが純粋なテキストやエージェント能力を犠牲にしていないことを示しています。