美团新独立APP，点不了菜只能点AI

鹭羽
2025-11-03
11:42:30

来源：量子位

用外卖的打法做AI模型？美团这是跟“又快又稳”杠上了（doge）。

两个月哐哐发了多款模型后，美团依旧动作不停——

最新开源LongCat-Flash-Omni，从名字你也能看出来了（Omni意为“全能的”），没错，这款模型终于支持多模态了！

任务虽更复杂，但模型实力不减，一出手依旧是“开源即SOTA”：

在综合性的全模态基准测试（如Omni-Bench, WorldSense）上，超越Qwen3-Omni、Gemini-2.5-Flash，这款模型直接达到了开源SOTA水准，而且能和闭源的Gemini-2.5-Pro相媲美。

即使单拉出来文本、图像、音频、视频等各项模态能力，它也依旧能打（单项能力均位居开源模型前列），真正实现了“全模态不降智”。

而且啊，这款模型还有一个亮点，那就是“快”（天下武功唯快不破？）——

继承LongCat-Flash系列“快”的基因，这款Omni模型总参数560B，激活参数仅27B，这种“大总参小激活”的MoE架构，使其在保持庞大知识容量的同时，实现了极高的推理效率。

不妨来直观感受一下它的生成速度：

可以看到，从输入指令到生成第一个token的时间间隔非常短暂，整个过程相当丝滑。

据悉，在当前主流旗舰模型的性能标准和参数规模下，这是首个能够实现全模态实时交互的开源模型。

以及有意思的是，美团发布这一成果时恰逢“Cursor‘自研’模型套壳国产开源”的八卦发酵之际，因此美团AI实力被低估的看法正在受到热议。（网友os：看看人家外卖公司，对比过于惨烈~）

目前，这款模型已在美团旗下的LongCat APP和Web端上线，人人都能免费体验。

老规矩，一手实测火速走起~

实测美团新模型

打开LongCat APP，从首页可以看到，它目前支持文字/语音两种输入方式，并能进行语音通话（视频通话功能正在跑步入场中），Web端还支持上传图片和文件。

别的不说，最近很火的“让AI帮忙数羊哄睡”的服务自然不能落下。

好好好，AI你也偷懒是吧（doge）每数到三就跳到十，还能自圆其说是小羊干的，这下数到100还不是手拿把掐。

而眼见和LongCat聊天有点意思，那视频通话内测当然得继续安排上。

随手拿过一个用光的香水瓶，接连抛出几个问题：

这是什么？你能看到什么？瓶身上的字是什么意思？能带上飞机吗…

没想到LongCat丝毫不慌，仔细“看过”后挨个解答了我们的问题：

看来“能看会说”这种基本功，已经难不倒咱们多模态选手LongCat了。

咳咳，言归正传我们再来测试一下文本/图片的输入情况。

在典中典的六边形小球弹跳问题上，LongCat对物理世界规则的理解也表现不错：

Prompt：显示球在旋转的六边形内弹跳。球应该受到重力和摩擦力的影响，并且必须逼真地从旋转的墙壁上反弹。

由于贴心地附上了代码和可视化方案，所以我们火速把相关代码跑了出来，结果be like：

另外，在图片理解测试中，我们发现LongCat非常适合用来“玩梗”。

随便让它识别一张梗图，当我们还在苦思冥想时，人家秒秒钟给出了正确答案：

3,2,1，答案揭晓：鸭（压）岁钱。

最后再来看一下语音输入，我们找了段复杂环境下的骑手送餐录音，给LongCat上点难度。

nice，即使是在BGM和环境音的干扰下，LongCat也顺利识别出了人声信息，并给出了相应意见。

总之这波实测下来，对LongCat-Flash-Omni最大的感受就两个字——快、稳。

即使面对复杂多模态任务，它也能做到即时响应，整个交互体验尤为丝滑。

而且， 不管是聊天问答、语音识别，还是那种脑筋急转弯式的推理题，它都能第一时间接得住、接得对。

可以说，Omni既延续了LongCat系列在对话和深度思考方面的传统优势，将回答的专业度拉满，又自带“Flash”系列的快基因——

好好好，果然不愧是LongCat-Flash-Chat和LongCat-Flash-Thinking的亲传弟子（Chat主打快、Think主打专业）。

此时回看LongCat系列的成长路径，美团迭代模型的逻辑也很清晰了——先快、再专、后全。

• 第一步，速度优先。先把底层打通，把模型响应、语音识别、实时生成这几件事做到“丝滑不卡”。对用户来说，这就是“好用”的基础门槛。
• 第二步，专业深耕。速度有了，再往深里卷。LongCat在复杂逻辑推理、物理仿真、嘈杂语音识别等领域，明显做了不少优化。可以看出，美团不只是要做一个“会聊的AI”，而是想做能在复杂场景下稳定发挥的“懂业务的AI”。
• 第三步，全面拓展。虽然目前LongCat还没开放图片/视频生成功能，但结合美团在视觉、地图、语音导航这些本地服务领域的深厚积累，全模态路线几乎是板上钉钉。到时候文字、语音、视觉全打通，也就顺理成章了。

毕竟前不久，美团就已经单独发了一个视频模型LongCat-Video，其稳定生成长视频的能力（一般可生成5分钟）也给人留下深刻印象。

又快又全，怎么做到的？

其实，做全模态大模型的并不只有美团——只是要么做得不够好，要么做得没美团快。

毕竟要让AI“听得懂、看得清、反应快”，远比想象中难得多：

一曰多模态融合难度高。文本、语音、图像、视频……不同模态在结构和时间维度上差异明显，强制融合反而会导致单模态任务效果不佳，样样通但样样松。

二曰离线理解与流式交互难兼容。模型看懂是一回事，边看边说是另一回事。两种模式的处理逻辑差异巨大，难以在同一架构中结合。

三曰实时交互性能受限。现有模型能看能听，但一到实时对话就卡壳，延迟高、响应慢，用户体验感差。要想模型实时性好，就离不开高质量的模型架构设计和基础设施部署。

四曰大规模训练效率低。多模态模型数据量庞大，模块之间配合复杂，影响模型训练速度。

而LongCat-Flash-Omni之所以能够脱颖而出，关键在于它在架构层面重构了多模态融合的底层逻辑。

主干部分延续LongCat系列的高效架构设计，采用完全端到端的统一架构ScMoE，能够同时接收文本、音频、图像、视频及任意组合的多模态输入。

实时交互层面，团队设计了创新的流式音视频处理机制，通过分块式音视频特征交织策略，模型能够将音频与视频特征按照时间片段同步输入LLM，实现低延迟的实时语音生成与视觉响应。

训练上，模型采用渐进式早期多模融合训练，先从纯文本预训练出发，依次引入音频和视觉数据，再逐步建立跨模态语义对齐与时序建模能力。

再通过多阶段退火（指先大胆探索，再小心收敛）与上下文扩展训练，将上下文窗口扩展至128K tokens，最终模型在多模态长时记忆、多轮对话、时序推理等能力上具备显著优势，并支持超8分钟的音视频交互。

而且为了提升多模态训练效率，团队还提出了模态解耦并行（MDP）训练方案，可以对LLM及编码器的性能、内存占用进行独立优化，确保训练过程中系统长期稳定运行。

正是凭借这种全模态覆盖+端到端架构+大参数量高效推理，LongCat-Flash-Omni达成了平衡：既有覆盖文本、图像、视频、语音的全模态能力，又能在开源体系下达到与闭源模型相媲美的实时交互体验，初步解决了参数大但推理慢的行业痛点。

软硬件“两条腿走路”，美团原来下的是这样一盘棋

u1s1，今年以来美团的一系列动作确实给人一种“眼花缭乱”的印象——

7月，它接连领投了两家明星具身智能企业它石智航&星海图；然后从8月底开始，又密集发布LongCat-Flash-Chat、LongCat-Flash-Thinking、LongCat-Video等一系列模型。

而且推出的AI新品也不少，包括AI编程应用NoCode、AI生活助手小美智能体……

人们不禁要问了：美团这是要干啥？

带着同款好奇，量子位在仔细梳理后发现，原来美团这些看似“东一榔头西一棒槌”的动作，实则内有乾坤。

总结下来就是，美团正在靠着软硬件“两条腿走路”，以最终实现数字世界（比特）和物理世界（原子）的深度连接。

没错，又是“连接”这个因为太抽象宏观而容易被大家忽视的点。记得美团方面曾表示：

我们是一家连接线下业务和线上世界的科技公司。
在AI时代，我们将继续扮演这样的连接者角色，实现数字世界和物理世界之间的连接，这是我们的强项所在。

这一目标落到实处即为，软件这边要朝着“世界模型”不断迈进，硬件这边则要围绕“具身智能”加速落地。

这背后的逻辑很清晰：作为一家从移动互联网起家的公司，美团比谁都清楚软件的威力。但越往产业深处走，它越意识到，要将软件的影响力延伸至物理世界，硬件是不可或缺的载体与瓶颈；而反过来，一个强大的“世界模型”，又能极大降低对硬件性能的苛刻要求，从而找到成本与效率的最优解。

有了这一判断基准，美团之前的所有动作就都能一一对号入座了。

比如说大模型，从最基础的对话机器人→深度思考模型→Video与Omni多模态模型，美团无疑是在为构建那个能深度理解现实并与其交互的“世界模型”打下根基。

而多年自研并频频出手投资具身智能，则是其“世界模型”能力在机器人、自动驾驶等关键场景中最核心的落地与兑现。

实际上，为了实现“世界模型+具身智能”的完美结合，美团如同一位老谋深算的棋手，其布局远比外界看到的更早、也更为体系化。

早在2017年，当无人化概念方兴未艾，美团方面就在一场行业峰会上提出了著名的“互联网下半场”概念——上天、入地、全球化。

其中“上天”即指用高科技赋能全行业。美团那时候就强调：

未来甚至会利用无人驾驶技术和机器人来配送。

由此可见，用科技重塑服务业的远见，早已深植于美团的战略构想之中。

通过盘点其历年投资的代表性项目，我们不难发现这样一条清晰的脉络：

2018~2020年，以加固美团本地生活护城河为目标，投资聚焦在消费领域。要么是美团本地生活业务延伸，如美菜网、普渡机器人；要么是消费品牌，如喜茶、蜜雪冰城。

2021年，当集团战略升级为“零售+科技”后，虽然消费项目仍是重点之一，但当中科技项目的占比开始提升。尤其在无人配送方面，一大批与机器人和自动驾驶相关的项目获得了美团青睐。

而从2022年开始，美团更是全面加码了科技投资。从自动驾驶，到半导体AI芯片、再到各类具身机器人，美团持续押注未来核心基础设施。

这些技术看似庞杂，但其内在逻辑高度统一——

美团投资的，早已不是某一种单一的机器人功能，而是“让整个物理世界都能被精确计算和高效调度”的整套技术路径。

在这条路径中，AI是大脑，低空飞行与自动驾驶是腿脚，它们共同构成了一个超越具身智能的、更宏大的Robotics版图。

关于具身智能，在刚刚落幕的2025美团机器人研究院学术年会上，美团副总裁毛一年清晰指出：

未来5到10年，具身智能正是这一切的核心技术范式。

他表示，美团的关键词是autonomy（无人化）——让技术驱动零售行业变革。过去数年，美团自研的无人机开始翻山跨海送汉堡、披萨，无人车完成了数以百万计的订单，风雨无阻，而机场、酒店、园区场景中，小黄蜂也在承担闪购配送任务。

（注：美团还是全国唯一获得民航局许可在中国全境合法飞行的无人机，而且在晚上也能飞。）

显而易见，在美团的战略拼图中，这些看似独立的智能终端，正逐渐串联成一张覆盖“低空—地面—社区”的立体化服务网络。 它们并非简单的设备叠加，而是美团将技术能力注入零售场景、实现系统效率跃迁的关键载体。

至此，美团在无数实践中沉淀出的核心方法论已不言自明——零售是场景，科技是赋能。

当AI成为大脑，机器人成为双手双脚，具身智能与世界模型结合，连接起的就不仅是线上线下，更是比特与原子、虚拟与现实、算法与人类生活。

Anyway，虽然美团从未正面讲述过它的“科技”图景，但方向其实早已明明白白——

帮大家吃得更好，生活更好。

只不过这回，美团要“喂饱”的，不止是胃，还有未来。

LongCat Chat（APP需自行下载）: https://longcat.ai
Hugging Face: https://huggingface.co/meituan-longcat/LongCat-Flash-Omni
GitHub: https://github.com/meituan-longcat/LongCat-Flash-Omni

Read More