已收录文章摘要，完整内容可前往原文阅读。
这篇论文要解决的核心问题很直接：为什么多模态模型总是采用 “语言主干 + 外挂模块”，而不是像语言一样被原生建模？LongCat-Next 给出的答案是：把视觉、语音都离散化成 token，并和文本