美团视频生成模型来了！一出手就是开源SOTA

来源：市场资讯

（来源：量子位）

美团，你是跨界上瘾了是吧！（doge）

没错，最新开源SOTA视频模型，又是来自这家“送外卖”的公司。

模型名为LongCat-Video，参数13.6B，支持文生/图生视频，视频时长可达数分钟。

从官方释出的demo来看，模型生成的视频不仅更加真实自然，而且懂物理的能力又双叒增强了。

无论是空中滑板：

还是一秒特效变身：

抑或是第一视角下，全程需要保持画面一致的骑车视频（时长整整有4分多种）：

仔细看，视频的AI味儿浓度确实降低不少。

而且从测评成绩来看，其表现也相当亮眼——文生视频能力在开源模型中处于顶尖水平，整体质量优于PixVerse-V5和Wan2.2-T2V-A14B，部分核心维度甚至可与谷歌最新、最强闭源模型Veo3媲美。

而且由于采用的是允许商用的MIT协议，连Hugging Face高级主管也用三连问来表示惊叹。

以及其长视频生成能力（稳定输出5分钟）也被视为，“我们离视频AI的终极形态又更进一步”。

so，一家外卖公司出品的视频模型究竟如何？来看更多案例。

整体而言，美团这次发布并开源的LongCat-Video具备以下功能：

文生视频方面，从官方提供的案例来看，这个模型尤为强调对真实世界的理解能力。

一眼看去，主页上一溜的足球、体操、跳舞等视频：

仅以其中的“水上芭蕾”来看，模型面临的挑战不可谓不艰难——既需要具备高度的细节捕捉能力，还需要能够处理复杂的光影效果、环境模拟和动态场景。

而LongCat-Video几乎都考虑到了，整体完成度be like：

图生视频方面，这不双十一到了，所以各大商家也能拿来做一些更实用的宣传视频了：

当然，由于提供了原始参考图，所以图生视频上通常我们更看重模型是否能保持前后一致。

而当给了LongCat-Video一张机器人正在工作的图片后，它直接立马生成了机器人“居家办公”的日常vlog。

一会儿拿桌上的小熊、一会儿拿水杯、甚至下班关电脑……不同动作下，桌面及周围的环境均未发生“异变”，扛住了一致性挑战。

当搞定了一致性这个“老大难”后，LongCat-Video的玩法也就更多了。

白天当壁画，晚上出来打游戏可还行（谁说不是真·破壁呢？）。

还能制作动画大电影：

此外，LongCat-Video最核心的能力还在于视频延长，它能像制作连续剧一样生成分钟级长视频。

一个视频搞定后，只需接着续写提示词，最终就能生成一个完整情节或片段。

比如下面这个接近半分钟的视频，就是通过以下提示词一步步实现的（中译版）：

1、厨房明亮通风，白色橱柜和木质台面交相辉映。一块新鲜出炉的面包放在砧板上，旁边放着一个玻璃杯和一盒牛奶。一位身着碎花围裙的女士站在木质台面旁，熟练地用锋利的刀切着一块金黄色的面包。面包放在砧板上，她切的时候，面包屑四处飞溅。

2、镜头拉远，女人放下手中的刀，伸手去拿牛奶盒，然后将其倒入桌上的玻璃杯中。

3、女人放下牛奶盒。

4、女人拿起牛奶杯，抿了一口。

怎么样？是不是有拍电影电视剧的感jio了~

敲黑板，由于LongCat-Video本身就经过视频连续任务的预训练，所以它能够制作长达数分钟的视频，而不会出现颜色漂移或质量下降的情况（一般可稳定输出5分钟级别的长视频，且无质量损失）。

美团表示，之所以推出LongCat-Video，核心瞄准的还是世界模型这一前沿领域：

而为了构建视频模型LongCat-Video，美团这次在技术方面也是进行了一系列创新和突破。

LongCat-Video只有13.6B，但集成了文生视频、图生视频和视频续生三大任务于一体。

具体来说，整个模型以Diffusion Transformer（DiT）为框架设计，其中每个Transformer块都由3D自注意力层、交叉注意力层，以及采用SwiGLU激活函数的前馈网络组成。

并使用AdaLN-Zero调制机制，将每个Transformer块均集成为专用的调制多层感知机，再在自注意力和交叉注意力模块中，采用RMSNorm归一化以提升训练稳定性，另外还对视觉token的位置编码使用3D RoPE。

然后将所有任务都定义为视频续生任务，通过条件帧数量进行区分：

统一混合输入后，将无噪声的条件帧和待去噪的噪声帧沿着时间轴拼接，结合时序步配置，以实现单模型原生支持多任务。

而为了适配这类输入，研究团队还在架构中设计了一种带键值缓存（KVCache）的块注意力机制，该设计可以确保条件token不受噪声token的影响，且后续可以缓存并复用条件token的KV特征，提升长视频生成效率。

其中最瞩目的长视频生成能力，主要通过原生预训练设计和交互式生成支持两大核心特性实现。

首先LongCat-Video摒弃了传统的“先训练基础视频生成能力，再针对长视频任务微调”的训练路径，而是直接在视频续生任务上预训练。

这样做可以直接从源头解决长视频生成中的累积误差问题，在生成分钟级视频的同时，避免色彩漂移和质量下降。

另外LongCat-Video还支持交互式长视频生成，允许用户为不同片段设置独立指令，进一步扩展了长视频创作的灵活性。

为了提高视频生成的推理效率，团队提出了一种从粗到精的生成范式，先是让模型生成480p、15fps的低分辨率低帧率视频，再通过三线性插值将分辨率升级至720p、30fps，同时由一个LoRA训练的精炼专家模型进行细节优化。

再引入块稀疏注意力，将注意力计算量降至原始的10%以下，配合上下文并行的环形块稀疏注意力，进一步优化高分辨率生成效率。

结合CFG蒸馏和一致性模型（CM）蒸馏，将采样步数从50步缩减至16步，实现在单H800 GPU上，单个720p、30fps视频生成可在分钟内完成，效率提升超10倍。

另外针对视频生成场景，使用组相对策略优化（GRPO）算法，提升GRPO在视频生成任务中的收敛速度与生成质量。

在训练过程中，分别采用三类专用奖励模型：

然后进行多奖励加权融合训练，避免单一奖励的过拟合和奖励欺骗问题，实现视觉、运动、对齐能力的均衡提升。

在完成数据构建和模型训练后，研究团队首先对其进行内部基准测试，主要评估文生视频和图生视频性能。

其中文生视频，包含文本对齐、视觉质量、运动质量、整体质量四个维度。

实验结果表明，LongCat-Video在整体质量得分中超越PixVerse-V5和Wan2.2-T2V-A14B，视觉质量接近Wan2.2-T2V-A14B，仅略逊于闭源模型Veo3。

图生视频则在此基础上，新增图像对齐维度评估，最终结果中LongCat-Video的视觉质量得分最高（3.27），说明整体质量具有竞争力，但图像对齐与运动质量仍有提升空间。

另外研究团队还进行了VBench 2.0的公开基准测试，LongCat-Video总得分位列第三（62.11%），仅次于Veo3（66.72%）和Vidu Q1（62.7%）。

值得注意的是，LongCat-Video在常识性维度（运动合理性、物理定律遵循）上处于第一的领先优势，凸显出该模型优秀的物理世界建模能力。

而这已经不是这家外卖公司第一次“不务正业”了……

从八月底开始，美团龙猫大模型就在不停地发发发，先是端出来了最经典的开源基础模型LongCat-Flash-Chat。

总参数560B，可以在仅激活少量参数的前提下，实现性能比肩市面上的主流模型，尤其是在复杂的Agent任务中表现突出。

而且现已登陆API平台使用～

一个月不到，又上新了LongCat-Flash-Thinking，在逻辑、数学、编码、Agent多任务中均达成SOTA水平，是国内首个同时具备“深度思考+工具调用”和“非形式化+形式化”推理能力的LLM，可以实现更低成本、更优性能。

随后又专为语音LLM推出了LongCat-Audio-Codec，可以同时对语义和声学token以低帧速率（16.7Hz/60ms）并行提取，实现高效离散化，并能够在极低的比特率中保持高清晰度。

以及专为复杂现实生活场景（外卖送餐、餐厅点餐、旅游出行）打造的Agent评测基准——VitaBench，可以系统性衡量Agent在推理、工具使用和自适应交互方面的能力。（泪目，终于回归老本行.jpg）

最后再到今天的视频生成模型，毫无疑问，“跨界”AI正在成为这家外卖公司的新常态。

开源地址：

https://github.com/meituan-longcat/LongCat-Video

https://huggingface.co/meituan-longcat/LongCat-Video

项目主页：

https://meituan-longcat.github.io/LongCat-Video/