11 月 3 日， LongCat-Flash 系列再升级，全新家族成员 LongCat-Flash-Omni 正式发布并开源，LongCat 官方 App 同步上线公测。目前，新 App 已支持联网搜索、语音通话等功能，视频通话等功能会稍后上线；Web 端则增加图片、文件上传和语音通话等功能。
新模型也是业界首个实现 " 全模态覆盖、端到端架构、大参数量高效推理 " 于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，让大参数模型在多模态任务中能实现毫秒级响应，解决行业内推理延迟的痛点。
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，并采用完全端到端的设计，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、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 系列的创新型高效架构设计，实现了性能与推理效率间的最优平衡。
与此同时，新模型突破 " 大参数规模与低延迟交互难以兼顾 " 的瓶颈，在大规模架构基础上实现高效实时音视频交互：模型总参数达 5600 亿（激活参数 270 亿），却依托 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 "，最终实现低延迟、高质量的音视频处理与流式语音生成。模型可支持 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、时序推理等能力上具有优势。
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融合训练策略，在平衡数据策略与早期融合训练范式下，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。
文本：LongCat-Flash-Omni 延续了该系列卓越的文本基础能力，且在多领域均呈现领先性能。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该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 的性能（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，核心得益于高质量交织图文、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）、语音续写维度进行评估，Instruct Model 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 等任务达当前最优；音频到文本对话在 OpenAudioBench、VoiceBench 表现优异，实时音视频交互评分接近闭源模型，类人性指标优于 GPT-4o，实现基础能力到实用交互的高效转化。
视频理解：LongCat-Flash-Omni 视频到文本任务性能达当前最优，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、分层令牌聚合的视频处理策略，及高效骨干网络对长上下文的支持。
跨模态理解：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，相较其他开源全模态模型展现出显著的性能优势，印证其高效的多模态融合能力，是当前综合能力领先的开源全模态模型。
