Das multimodale Modell „LongCat-Next“ von MIT wird unter Verwendung seiner neuartigen DiNA-Architektur vorgestellt. Es vereint Text, Bild und Audio nativ in diskrete Token mit einem einzigen Parametersatz und erzielt dabei hervorragende Leistungen bei Aufgaben wie visuellem Schlussfolgern und Dokumentenanalyse. Das als Open Source veröffentlichte Modell soll als Grundlage für KI dienen, die mit der physischen Welt interagiert.