专题：multimodal_pretraining

美团LongCat推出DiNA架构，将图像、语音统一转换为离散Token，实现多模态统一建模。通过SAE和dNaViT处理视觉，Whisper与RVQ处理语音，模型在多个任务中表现优异，且已开源，为AI多模态研究提供了新方向。