美团开源LongCat-Video支持高效长视频生成，迈出“世界模型”探索第一步

美团迈出通向“世界模型”的第一步，并计划用它更好地连接“原子世界”与“比特世界”。

▲美团发布并开源LongCat-Video视频生成模型，迈出通向“世界模型”的第一步（资料图）

10月27日，美团LongCat团队发布并开源LongCat-Video视频生成模型，以统一模型在文生、图生视频基础任务上达到开源SOTA（最先进水平），并依托原生视频续写任务预训练，实现分钟级长视频连贯生成，保障跨帧时序一致性与物理运动合理性，在长视频生成领域具备显著优势。

近年来，“世界模型”（World Model）因让人工智能真正理解、预测甚至重构真实世界，被业界视作通往下一代智能的核心引擎。作为能够建模物理规律、时空演化与场景逻辑的智能系统，“世界模型”赋予人工智能“看见”世界运行本质的能力。而视频生成模型有望成为构建世界模型的关键路径——通过视频生成任务压缩几何、语义、物理等多种形式的知识，人工智能得以在数字空间中模拟、推演乃至预演真实世界的运行。

正因如此，美团LongCat团队认为，此次发布的视频生成模型，是为探索“世界模型”迈出的第一步。未来，凭借精准重构真实世界运行状态的能力，LongCat模型也会融入公司近年来持续投入的自动驾驶、具身智能等深度交互业务场景中，成为公司更好连接“比特世界”和“原子世界”的技术基础。

▲LongCat-Video视频生成模型视频推理速度提升至10.1倍（资料图）

具体来看，此次开源模型的技术报告显示，作为基于Diffusion Transformer（DiT）架构的多功能统一视频生成基座，LongCat-Video创新通过 “条件帧数量” 实现任务区分，原生支持三大核心任务：文生视频无需条件帧、图生视频输入 1 帧参考图、视频续写依托多帧前序内容，且无需额外模型适配，形成“文生/图生/视频续写”完整任务闭环。

此外，依托视频续写任务预训练，新模型可稳定输出5分钟级别的长视频，且无质量损失，达到行业顶尖水平。同时，从根源规避色彩漂移、画质降解、动作断裂等行业痛点，保障跨帧时序一致性与物理运动合理性，适配数字人、具身智能、世界模型等需要长时序动态模拟的场景需求。模型还结合块稀疏注意力（BSA）与条件 token 缓存机制，大幅降低长视频推理冗余——即便处理 93 帧及以上长序列，仍能兼顾效率与生成质量稳定，打破长视频生成“时长与质量不可兼得”的瓶颈。

针对高分辨率、高帧率视频生成的计算瓶颈，LongCat-Video通过“二阶段粗到精生成（C2F）+ 块稀疏注意力（BSA）+ 模型蒸馏”三重优化，视频推理速度提升至10.1倍，实现效率与质量的最优平衡。

▲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）

技术报告还称，LongCat-Video的模型评估围绕内部基准测试和公开基准测试展开，覆盖 Text-to-Video（文本生成视频）、Image-to-Video（图像生成视频）两大核心任务，从多维度（文本对齐、图像对齐、视觉质量、运动质量、整体质量）验证模型性能：136亿参数的视频生成基座模型，在文生视频、图生视频两大核心任务中，综合性能均达到当前开源领域SOTA级别；通过文本 - 视频对齐、视觉质量、运动质量、整体质量四大维度评估，其性能在文本对齐度、运动连贯性等关键指标上展现显著优势；在VBench等公开基准测试中，LongCat-Video在参评模型中整体表现优异。

免责声明：本文观点仅代表作者本人，供参考、交流，不构成任何建议。