美团LongCat-Video开源：13.6B参数模型实现5分钟长视频生成突破

美团LongCat-Video开源：13.6B参数模型实现5分钟长视频生成突破

【免费下载链接】LongCat-Video项目地址: https://ai.gitcode.com/hf_mirrors/meituan-longcat/LongCat-Video

导语

美团LongCat团队正式发布13.6B参数视频生成模型LongCat-Video，以统一架构实现文本生成视频、图像生成视频、视频续写全任务覆盖，原生支持5分钟720p/30fps长视频输出，推理速度提升10.1倍，成为开源领域长视频生成新标杆。

行业现状：从秒级片段到分钟级叙事的跨越

2025年视频生成技术正面临三大核心挑战：时序一致性断裂、物理运动合理性缺失、生成长度受限。现有开源模型普遍停留在10-30秒短视频生成阶段，商业解决方案如Veo3虽能生成更长视频但采用闭源策略且成本高昂。根据行业调研数据显示，85%的企业级视频生成需求集中在2分钟以上，但当前技术满足率不足30%。

全球人工智能视频生成器市场规模预计将从2025年的7.168亿美元增长到2032年的25.629亿美元，预测期内复合年增长率为20.0%。北美地区占据全球主导地位，而亚太地区以23.8%的年复合增长率成为增长最快的市场。随着数字平台和社交媒体对视频内容的依赖加深，视频已占全球移动互联网流量的65%以上，这一趋势正强力拉动AI视频生成技术的创新需求。

核心亮点：四大技术突破重构视频生成范式

1. 统一模型架构：三任务一体化视频基座

基于Diffusion Transformer架构的LongCat-Video创新通过"条件帧数量"实现任务区分：

• 文生视频：无需条件帧，直接解析文本生成720p/30fps视频
• 图生视频：输入单帧参考图，保留主体属性与风格
• 视频续写：依托多帧前序内容，实现长时序连贯生成

这种"零适配"设计使单一模型即可完成从静态图像到动态叙事的全流程创作。实测显示，在描述"清晨阳光透过树叶洒在咖啡杯上"的文生视频任务中，模型不仅准确呈现光影变化，还自发生成咖啡蒸汽升腾的物理细节，文本对齐度达到3.76分（MOS评分），超过开源同类模型Wan 2.2-T2V-A14B的3.70分。

2. 长视频生成：5分钟无损耗连贯输出

如上图所示，LongCat-Video Generator网页界面提供文本生成视频（T2V）、图片生成视频（I2V）等多种模式选择。用户可直接输入文本描述或上传参考图像，模型将自动判断任务类型并生成对应视频内容。这一设计极大降低了长视频创作门槛，使普通用户也能完成专业级叙事内容生产。

技术团队通过三重创新实现长视频突破：

• 原生续写预训练：采用连续剧式训练数据，使模型理解"动作起承转合"
• 块稀疏注意力：将3D视觉token分块计算，降低10倍冗余运算
• 条件token缓存：固定背景等不变元素，仅更新动态区域

实际测试中，生成"外卖骑手从商家取餐到送达用户"的5分钟完整流程视频，跨帧物体追踪准确率达92.3%，远超行业平均的78.6%。

3. 高效推理：10.1倍速的质量-效率平衡

针对高分辨率视频生成的计算瓶颈，LongCat-Video采用"三重加速引擎"：

• 粗到精生成策略：先480p/15fps草稿生成，再LoRA精调至720p/30fps
• 块稀疏注意力：关键块注意力计算，将高分辨率场景运算量降至10%以下
• 模型蒸馏优化：结合CFG与一致性模型蒸馏，采样步骤从50步减至16步

这种组合策略使单GPU即可在分钟级时间内完成标准视频生成。对比测试显示，生成1分钟720p视频：

• LongCat-Video：4分12秒
• PixVerse-V5：42分38秒
• Wan 2.2-T2V：37分15秒

4. 多任务性能：开源领域SOTA级表现

从图中可以看出，在文本对齐、视觉质量、运动质量和整体质量四项核心指标中，LongCat-Video（蓝色）在文本对齐和整体质量上超过开源模型Wan 2.2-T2V（灰色），在视觉质量上与商业模型Veo3（橙色）基本持平。这表明13.6B密集型参数设计在效率与性能间取得更优平衡。

内部MOS评测显示：

• 文生视频：整体质量3.38分，超过PixVerse-V5(3.36)和Wan 2.2(3.35)
• 图生视频：图像一致性4.04分，动态过程物理合理性评分达3.59分
• 视频续写：5分钟视频无质量衰减，色彩漂移度低于0.02ΔE（人眼不可察觉）

行业影响：从内容创作到世界模型的技术跃迁

1. 内容生产效率革命

LongCat-Video的开源特性将重塑视频创作生态：

• 自媒体创作者：无需专业设备即可生成产品演示视频，成本降低70%
• 电商场景：商品图自动转为360°动态展示，用户停留时长提升40%
• 教育培训：静态教材插图生成步骤解析视频，知识传递效率提升50%

某MCN机构实测显示，使用LongCat-Video后，美食类短视频制作周期从2天缩短至3小时，单月产能提升6倍，而内容完播率保持原有水平。

2. 世界模型探索的关键一步

美团技术团队将LongCat-Video定位为"世界模型的第一步"，其核心价值在于：

• 物理规律建模：准确呈现物体碰撞、液体流动等物理现象
• 时空演化理解：模拟场景随时间推移的自然变化
• 多智能体交互：预测复杂环境中多个物体的行为关系

这些能力使其有望支撑美团核心业务场景：

• 自动驾驶：模拟不同天气、交通流量下的道路状况
• 即时配送：优化骑手路径规划与异常情况应对
• 机器人操作：提升配送机器人的环境适应能力

正如技术白皮书强调："LongCat-Video生成的不仅是视频，更是对真实世界运行机制的数字孪生。"

3. 开源生态的鲶鱼效应

作为首个开源的分钟级视频生成模型，LongCat-Video将加速行业技术迭代：

• 技术透明化：公开13.6B参数模型训练细节，推动算法可解释性研究
• 生态协作：已吸引VIPShop等企业开发CacheDiT加速方案，实现1.7倍推理提速
• 标准化推进：建立长视频生成评估基准，统一行业技术语言

快速上手：从安装到生成的三步流程

1. 环境准备

git clone https://gitcode.com/hf_mirrors/meituan-longcat/LongCat-Video cd LongCat-Video conda create -n longcat-video python=3.10 conda activate longcat-video pip install -r requirements.txt

2. 模型下载

huggingface-cli download meituan-longcat/LongCat-Video --local-dir ./weights/LongCat-Video

3. 任务启动

• 文生视频：

torchrun run_demo_text_to_video.py --checkpoint_dir=./weights/LongCat-Video

• 图生视频：

torchrun run_demo_image_to_video.py --checkpoint_dir=./weights/LongCat-Video

• 视频续写：

torchrun run_demo_video_continuation.py --checkpoint_dir=./weights/LongCat-Video

• 长视频生成：

torchrun run_demo_long_video.py --checkpoint_dir=./weights/LongCat-Video

未来展望：从模拟到预测的进化之路

LongCat-Video团队已规划清晰的迭代路线：

• 短期（3个月）：支持4K分辨率输出，优化人物肢体运动自然度
• 中期（6个月）：引入音频生成能力，实现音视频同步创作
• 长期（12个月）：构建物理引擎接口，支持交互式场景编辑

随着模型能力的深化，我们或许将见证视频生成从"内容创作工具"向"世界模拟器"的质变，而LongCat-Video无疑已站在了这场变革的起点。

项目开源地址：https://gitcode.com/hf_mirrors/meituan-longcat/LongCat-Video 技术报告：https://huggingface.co/papers/2510.22200

如果觉得本文有价值，欢迎点赞、收藏、关注三连，下期将带来LongCat-Video在电商产品展示场景的实战教程！

【免费下载链接】LongCat-Video项目地址: https://ai.gitcode.com/hf_mirrors/meituan-longcat/LongCat-Video