😺 مدل چندوجهی و بلادرنگ لانگ چت متن‌باز شد!

شرکت Meituan بالاخره سورپرایز بزرگش را منتشر کرد:

مدل LongCat-Flash-Omni، مدلی چندوجهی (متن، تصویر، صدا، ویدیو) با تأخیر فوق‌پایین در حد میلی‌ثانیه و معماری ScMoE که در حال حاضر بهترین عملکرد میان مدل‌های Omni-modal متن‌باز را دارد.

🔧 ویژگی‌های کلیدی:

🧠 معماری ScMoE: دارای‌ ‌۵۶۰ میلیارد پارامتر کل، با ۲۷ میلیارد پارامتر فعال در هر گام.

🔄 پشتیبانی از تمام مدالیته‌ها با شعار «No Single Modality Left Behind»: آموزش اولیه‌ی early-fusion برای یکپارچه‌سازی تمام مدالیته‌ها از ابتدا.

⚡️ تعامل بلادرنگ گفتاری:‌ از ورودی تا خروجی فقط چند میلی‌ثانیه تأخیر.

🕓 طول زمینه 128K پشتیبانی از بیش از ۸ دقیقه تعامل بلادرنگ صوتی-تصویری.

🎧 ورودی خروجی آزاد Omni I/O: ترکیب آزادانه‌ی ورودی‌های متن، تصویر، صدا و ویدیو 👈 خروجی متنی یا گفتاری (با کُدک اختصاصی LongCat-Audio-Codec).

💪 زیرساخت بهینه:‌ با آموزش موازی تفکیک‌شده‌ی مدالیته‌ها، بازدهی بیش از ۹۰٪ در مقایسه با آموزش صرفاً متنی دارد.

📂 کد منبع و مدل‌ها:
👉 github.com/meituan-longcat/LongCat-Flash-Omni

🔴Instagram
🔵Telegram