10月27日，美团 LongCat 团队发布并开源视频生成模型 LongCat-Video。团队称，该模型在统一架构下同时支持文本生成视频（Text-to-Video）、图像生成视频（Image-to-Video）与视频续写等基础任务，并在内部与公开基准（含 VBench）测试中取得开源范围内的领先结果。
▲LongCat-Video视频生成模型在文生、图生视频基础任务上达到开源SOTA（资料图）
技术报告显示，LongCat-Video基于 Diffusion Transformer（DiT）架构，采用以“条件帧数量”区分任务的方式：文本生成视频不输入条件帧，图像生成视频输入1帧参考图，视频续写依托多帧前序内容，无需额外模型改造即可覆盖三类任务。
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，模型可稳定生成分钟级长视频，并在跨帧时序一致性与物理运动合理性方面做了针对性优化，以减少色彩漂移、画质衰减与动作断裂等问题。
在效率方面，模型结合块稀疏注意力（BSA）与条件 token 缓存机制，以降低长序列推理冗余；据称在处理93帧及以上序列时，能够在效率与生成质量间保持稳定平衡。针对高分辨率、高帧率场景，模型采用“二阶段粗到精（C2F）+ BSA + 蒸馏”的组合策略，报告称推理速度较基线提升至约10.1倍。
参数规模方面，LongCat-Video基座模型约136亿参数。评测覆盖文本对齐、图像对齐、视觉质量、运动质量与整体质量等维度；团队称在文本对齐与运动连贯等指标上表现突出，并在公开基准 VBench 等测试中取得较好成绩。
LongCat 团队将此次发布定位为其“世界模型（World Model）”方向探索的一步，相关代码与模型已对外开源。上述结论与性能表述均引自团队技术报告与发布材料。
本文来自“腾讯科技”，编译：晓静，36氪经授权发布。
