美團LongCat團隊正式發(fā)布并開源新一代視頻生成模型LongCat-Video。該模型以Diffusion Transformer（DiT）架構為基礎，在文生視頻、圖生視頻兩大核心任務上達到開源領域最先進水平（SOTA），更憑借突破性技術實現(xiàn)5分鐘級別長視頻的穩(wěn)定生成，同時通過三重優(yōu)化將推理速度提升至10.1倍，為長視頻生成技術樹立新標桿。

LongCat-Video的核心優(yōu)勢源于三大關鍵技術創(chuàng)新的深度融合。其采用視頻續(xù)寫任務預訓練策略，搭配Block-CausalAttention機制與GRPO后訓練方法，從底層架構上保障長時序視頻的連貫生成能力。即便處理93幀以上的長序列輸入，模型仍能維持跨幀時序一致性與物理運動合理性，徹底解決了行業(yè)內(nèi)普遍存在的“時長增加則質(zhì)量下降”難題。

為進一步降低長視頻推理的計算冗余，模型創(chuàng)新性融合塊稀疏注意力（BSA）與條件token緩存技術，在生成5分鐘級長視頻時，有效規(guī)避了色彩漂移、畫質(zhì)降解、動作斷裂等常見痛點，實現(xiàn)無質(zhì)量損失的高清輸出。136億參數(shù)的基座模型，通過文本-視頻對齊、視覺質(zhì)量、運動質(zhì)量、整體質(zhì)量四大維度的嚴格驗證，在關鍵指標上展現(xiàn)出顯著優(yōu)勢。

針對高分辨率、高幀率視頻生成的計算瓶頸，LongCat-Video構建了“二階段粗到精生成（C2F）+塊稀疏注意力（BSA）+模型蒸餾”的三重優(yōu)化體系，最終將視頻推理速度提升至10.1倍，實現(xiàn)效率與質(zhì)量的最優(yōu)平衡。這一突破讓高質(zhì)量長視頻生成從“耗時費力”走向“高效便捷”，大幅降低了技術落地的門檻。

在具體功能上，模型通過“條件幀數(shù)量”實現(xiàn)靈活的任務區(qū)分，形成完整任務閉環(huán)：文生視頻無需條件幀，可生成720p、30fps高清內(nèi)容，精準解析文本中的物體、場景、風格等細節(jié)指令；圖生視頻僅需1幀參考圖，就能嚴格保留主體屬性、背景關系與藝術風格，支持詳細指令、簡潔描述乃至空指令等多種輸入形式；視頻續(xù)寫作為核心差異化能力，可基于多幀前序內(nèi)容自然續(xù)接，為長敘事視頻創(chuàng)作提供原生技術支撐。

美團LongCat團隊表示，此次開源LongCat-Video是探索“世界模型”的重要起點。作為能夠建模物理規(guī)律、時空演化與場景邏輯的智能系統(tǒng)，視頻生成技術被視作構建“世界模型”的關鍵路徑——通過壓縮幾何、語義、物理等多維度知識，讓人工智能在數(shù)字空間中模擬真實世界的運行。