美团开源LongCat Video：高效生成长视频解决方案

10月27日，美团LongCat团队正式发布并开源视频生成模型LongCat-Video。该团队宣称，该模型在统一架构框架下，能够同步支持文本生成视频（Text-to-Video）、图像生成视频（Image-to-Video）以及视频续写等基础任务。其内部测试及公开基准（包括VBench）评价结果显示，该项目在开源范围内取得了行业领先成果。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

▲LongCat-Video在文生、图生视频基础任务上实现开源SOTA突破（资料图）

根据技术报告，LongCat-Video基于Diffusion Transformer（DiT）架构，创新性地采用"条件帧数量"作为任务区分机制：文本生成视频无需输入条件帧，图像生成视频仅需1帧参考图像，视频续写则依赖多帧前置内容。这一设计使得模型无需额外改造即可灵活适配三类生成任务。

为提升长时序生成能力，模型在预训练阶段引入原生的视频续写任务。团队表示，该模型目前已能稳定生成分钟级长视频，并针对跨帧时序一致性与物理运动合理性进行了专项优化，有效缓解了色彩漂移、画质衰减与动作断裂等常见问题。

在效率优化方面，模型结合块稀疏注意力（BSA）与条件token缓存机制，显著降低长序列推理冗余。据称在处理93帧及以上序列时，能够在生成质量与推理效率间保持稳定平衡。针对高分辨率、高帧率场景，模型采用"二阶粗到精（C2F）+ BSA + 蒸馏"组合策略，报告中指出其推理速度较基线提升约10.1倍。

参数规模方面，LongCat-Video基座模型达到约136亿参数。评估体系全面覆盖文本对齐、图像对齐、视觉质量、运动质量与整体质量等维度；团队强调其在文本对齐与运动连贯性等关键指标上表现优异，并在公开基准VBench等测试中取得领先成绩。

LongCat团队将此次发布定位为其"世界模型（World Model）"方向探索的重要里程碑，相关代码与模型已全面开源。以上技术结论与性能数据均引用自团队技术报告与发布材料。