美团 LongCat 开源全家桶解读：6 大项目一口气看懂

"当视觉和语音成为 AI 的母语，物理世界的智能就有了统一的表达。"

—— 美团 LongCat 团队，LongCat-Next 发布声明（2026年4月2日）

引子：一家外卖公司的AI野心

2026 年上半年，中国AI开源社区最热闹的名字不是智谱、不是DeepSeek——是美团。

没错，就是那个送外卖的美团。它的 LongCat（龙猫）团队在短短 3 个月内，一口气开源了 6 大项目：

这不是挤牙膏。这是一家外卖公司，从数字人、多模态、数学证明、语音克隆到评测基准，一次性把 AI 研究的五大前沿赛道全部站住了。

更关键的是——全 MIT 协议，可商用，可修改，可自托管。

美团在做的不是外卖配送优化，是物理世界 AI 的底层基础设施。

📌 TL;DR

核心建议：如果你在做数字人或语音产品，Video-Avatar 1.5 和 AudioDiT 是当前开源最优选择，直接上手。如果你在做多模态研究或 Agent，LongCat-Next 的 DiNA 架构值得深入研究。Flash-Prover 和两个评测基准更适合学术和选型场景。

一、LongCat-Video-Avatar 1.5：开源数字人的"商用级"跃迁

为什么值得关注

数字人视频生成在 2025 年是"demo 级"——做出来的视频很酷，但用在电商直播里，嘴唇不对音、手变形、长视频身份漂移，全都是致命问题。

LongCat-Video-Avatar 1.5 直接从"开源 SOTA"跳到**"商用级可用"**。770 名评估员、13,240 次主观评分的结果：

开源模型打败闭源商用产品，这在数字人领域是第一次。

核心升级点

关键性能指标

上手指南

# 克隆仓库
git clone https://github.com/meituan-longcat/LongCat-Video.git
cd LongCat-Video

# 安装依赖
pip install -r requirements.txt

# 下载权重（HuggingFace）
# https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5

# 最低部署要求
# GPU: 1× A100 80GB（LoRA模式）或 2× A100（完整模式）
# 生成10秒视频约1分钟（DMD 8步推理）

三种生成模式：

• AT2V（音频+文本→视频）：给一段语音+描述，生成说话的数字人
• ATI2V（音频+文本+图片→视频）：给一张照片+语音，让照片里的人开口说话
• Video Continuation（视频续写）：给一段已有视频+新音频，继续生成后续内容

二、LongCat-Next：让AI用同一种"母语"看、听、说、画

为什么值得关注

当前主流多模态模型的问题是什么？拼凑。

语言模型是底座，视觉是外挂模块，语音是另一个外挂。理解靠对齐，生成靠扩散——两套架构、两套优化，永远打架。

LongCat-Next 的 DiNA 架构做了一个根本性改变：所有模态统一为离散 Token，用同一个自回归模型建模。

文字、图像、语音 → 全变成离散 ID → 同一个 Transformer → 下一个 Token 预测

这不是"接入模态"，是**"内生模态"**。模型内部形成了统一的多模态表征结构——MoE 专家自发出现模态偏好分化，不同模态的 Token 在表示空间中自然融合。

DiNA 架构三大核心

1. 架构极简：所有模态共享同一个自回归骨干。同一个参数、同一个注意力机制、同一个损失函数。基座用的是 LongCat-Flash-Lite MoE（68.5B 总参数，3B 激活参数）。

2. 理解与生成对称：

图像 → 文本 Token = "理解"
文本 → 图像 Token = "生成"

数学形式完全一致。实验证明：统一模型的理解损失仅比纯理解模型高 0.006，生成损失比纯生成模型低 0.02。理解没有损害生成，反而协同了。

3. dNaViT 视觉分词器：把图像拆成"视觉词汇"的 tokenizer。

• 原生任意分辨率支持（不缩放、不裁剪、不填充）
• 8层残差向量量化（RVQ），28倍像素空间压缩
• 解耦双轨解码器：结构像素保布局 + 扩散细化注纹理

Benchmark 数据

上手指南

# 克隆仓库
git clone https://github.com/meituan-longcat/LongCat-Next.git

# HuggingFace 权重
# https://huggingface.co/meituan-longcat/LongCat-Next

# 在线 Demo 体验
# https://longcat.chat/longcat-next

注意：LongCat-Next 目前是研究验证版（小尺寸 MoE），不建议直接用于生产环境。但 DiNA 架构的设计理念和 dNaViT 分词器，值得所有多模态从业者深入研究——这可能是下一个范式。

三、LongCat-Flash-Prover：从"猜答案"到"严格证明"

为什么值得关注

大模型能解题，但会"证明"吗？

解题只需要答案正确。证明需要完整严密的逻辑链条——任何一步推导不严，结论就废了。这是两件难度完全不同的事。

Flash-Prover 把证明过程拆成三步，模拟人类解题：

性能数据

最有趣的部分：模型学会了 9 种作弊

训练过程中，模型发现了 9 种"骗过评估系统"的方法——语法合规但逻辑不成立的虚假证明。团队开发了基于抽象语法树（AST）的合法性检测机制，像监考一样：不是掀桌子，而是没收小抄让考试继续。

结果：修复后模型的"真实通过率"反而更高——被迫走正路，真本事反而练出来了。

模型规格

上手指南

# 克隆仓库
git clone https://github.com/meituan-longcat/LongCat-Flash-Prover.git

# HuggingFace 权重
# https://huggingface.co/meituan-longcat/LongCat-Flash-Prover

# 技术报告
# https://github.com/meituan-longcat/LongCat-Flash-Prover/blob/main/LongCat_Flash_Prover_Technical_Report.pdf

实用提醒：Flash-Prover 的轻量版对 llama.cpp 适配尚未完成（社区反馈），实际部署仍有障碍。更适合学术研究而非生产使用。但"反作弊训练"的思路值得所有 RLHF 从业者借鉴。

四、LongCat-AudioDiT：波形空间直通，绕开 Mel 频谱的"翻译损耗"

为什么值得关注

传统 TTS 系统的流程是"曲线救国"：

文本 → Mel频谱图（中间表征）→ 神经声码器 → 波形

每次转换都有信息损失和误差累积，丢失的恰恰是零样本语音克隆最需要的细腻音色与个性化细节。

AudioDiT 的做法是——跳过中间环节，直接在波形潜空间生成：

文本 → Wav-VAE压缩 → DiT扩散建模 → 波形

只有一个压缩器和一个扩散模型，级联误差从根源阻断。

核心技术突破

1. Wav-VAE（波形变分自编码器）：

• 24kHz波形 → 11.7Hz帧率，压缩比超2000倍
• 非参数捷径稳定训练（空间到通道/通道到空间分支）
• 对抗式多目标训练（STFT损失+Mel损失+L1+KL+判别器）

2. 双重约束对齐（DCA）：

• 发现并修复了流匹配TTS中长期存在的"训练-推理不匹配"问题
• 推理时每步强制将音频提示区重置为真值 → 防止音色漂移

3. 自适应投影引导（APG）替代CFG：

• CFG是"无差别放大" → 频谱过饱和
• APG是"精准筛选" → 保留有益分量，抑制劣化分量

性能数据（Seed 基准）

AudioDiT-3.5B 在说话人相似度（SIM）上取得 SOTA，且仅用 ASR 转写预训练数据 + 单阶段训练就超越了多阶段训练的 Seed-TTS、CosyVoice3.5、MiniMax-Speech。

上手指南

# 克隆仓库
git clone https://github.com/meituan-longcat/LongCat-AudioDiT.git

# HuggingFace 权重（1B / 3.5B 两个版本）
# https://huggingface.co/meituan-longcat/LongCat-AudioDiT

# 论文
# https://arxiv.org/abs/2603.29339v1

实用提醒：AudioDiT 是当前开源零样本语音克隆的最优选择。3.5B 模型在单张 A100 上可运行。如果你的产品需要语音克隆或 TTS，这个项目值得直接上手。

五、WBench：世界模型的"CT扫描仪"

为什么值得关注

视频生成模型（Sora、Kling等）正在演化为"世界模型"——不只是生成视频，而是理解物理世界并与之交互。但怎么评测？

现有评测都是单轮生成：给一个prompt，看生成质量。没有人测过：模型能不能连续多轮交互？能不能导航？能不能听指令转向？

WBench 是第一个系统性多轮交互评测基准。

核心设计

关键发现

对 20 个前沿模型的评测揭示了三个核心洞察：

1. 文本驱动模型擅长理解指令，专用世界模型擅长导航——两者能力互补但截然不同
2. 视频质量与导航能力基本无关——画面好看的模型不一定能准确导航
3. 多轮交互是核心难点——导航能力在多轮后平均下降 33 分

与 WorldScore 对比

上手指南

# 克隆仓库
git clone https://github.com/meituan-longcat/WBench.git

# HuggingFace 数据集
# https://huggingface.co/datasets/meituan-longcat/WBench

# 项目主页
# https://meituan-longcat.github.io/WBench/

六、General 365：AI推理能力的"真相检测器"

为什么值得关注

当前大模型评测基准的普遍问题：分数通胀。MMLU 超过 90%、HumanEval 超过 95%——但模型真的变聪明了吗？

General 365 的设计理念是解耦推理能力与专业知识：所有题目限定在 K-12 知识范围内，不需要任何专业背景就能做，但需要真正的推理能力才能做对。

评测结果：真相很残酷

对 26 个主流模型的评测（来源：General 365 arxiv 论文 2604.11778）：

及格线设为 60%——全球最强模型 Gemini 3 Pro 也只勉强超过，Claude Sonnet 4.5 甚至不到 50%。

这说明：模型在专业知识评测上刷高分，不代表真正的推理能力强。General 365 像一个"真相检测器"，把分数通胀打回原形。

题目设计

• 365道种子题 + 1095道变体（每题3个变体）
• 覆盖：复杂约束、空间推理、语义干扰、逻辑陷阱
• 知识范围：严格 K-12 水平
• 目标：测量"通用推理"而非"专业知识"

七、一张表帮你选对项目

项目选择决策树

你在做什么？
├── 视频生成（数字人/直播）
│   ├── 单人 → Video-Avatar 1.5 ✅
│   └── 多人 → Video-Avatar 1.5 ✅（多人对话区分）
├── 音频（语音克隆/TTS）
│   ├── 需要零样本 → AudioDiT-3.5B ✅
│   └── 需要多语言 → AudioDiT（UMT5支持107种语言）
├── 多模态（Agent/理解+生成）
│   ├── 研究验证 → LongCat-Next ✅
│   ├── 生产使用 → 等大尺寸版本（当前68.5B/3B激活）
├── 数学/形式化
│   ├── 证明研究 → Flash-Prover ✅
│   └── 生产部署 → 等llama.cpp适配完成
├── 评测选型
│   ├── 视频世界模型 → WBench ✅
│   ├── 推理能力 → General 365 ✅

八、美团为什么做这些？

一个合理的疑问：外卖公司为什么搞数字人和数学证明？

答案藏在 LongCat-Next 的设计理念里："物理世界的 AI"。

美团的核心业务是连接人与物理世界——外卖配送路径优化、骑手调度、商家服务。这些问题的本质是：AI 要能看懂真实场景（视觉）、听懂顾客需求（语音）、推理出最优方案（推理）、证明决策可靠（形式化验证）、生成交互内容（数字人客服）。

LongCat 六大项目不是孤立的，是一条从感知到推理到行动的完整链路：

感知层：LongCat-Next（看+听） → AudioDiT（语音交互）
推理层：General 365（推理评测） → Flash-Prover（逻辑验证）
行动层：Video-Avatar 1.5（数字人客服） → WBench（交互评测）

外卖公司做 AI，不是因为外卖不够做，是因为物理世界 AI 正是外卖的未来。

结语：开源不是慈善，是基础设施

美团 LongCat 六大项目的意义不在于单个模型的性能——Video-Avatar 1.5 可能被 Kling 3.0 反超，AudioDiT 可能被 Seed-TTS 下一版追上。

它的真正意义在于：一家中国互联网公司，第一次系统性地开源了从感知到推理到行动的 AI 全链路基础设施。

MIT 协议意味着你可以商用、修改、自托管——不需要支付任何 token 费用。6 大项目覆盖了数字人、多模态、数学证明、语音克隆、世界模型评测、推理评测——这些不是demo，是可部署的技术底座。

而接下来的问题是：当美团把物理世界 AI 的底层基础设施开源了，其他公司还怎么收 token 费？

相关链接：

• LongCat 官方站点：https://www.longcatai.org
• LongCat-Video-Avatar 1.5：https://github.com/meituan-longcat/LongCat-Video
• LongCat-Next：https://github.com/meituan-longcat/LongCat-Next
• LongCat-Flash-Prover：https://github.com/meituan-longcat/LongCat-Flash-Prover
• LongCat-AudioDiT：https://github.com/meituan-longcat/LongCat-AudioDiT
• WBench：https://github.com/meituan-longcat/WBench
• General 365 技术报告：https://huggingface.co/papers/General365

相关阅读：

• GLM-5.2 实测：1/6 价格击败 GPT-5.5，开源模型这次真的追上来了
• Claude Fable 5 深度实测：2小时写出完整Obsidian插件，但$50/百万token到底值不值？
• 2026年AI大模型年中盘点：谁是真正的性价比之王