美团LongCat-Video视频生成模型重磅发布开启世界模型探索新纪元2025年10月27日美团技术团队正式对外发布了自主研发的LongCat-Video视频生成模型。这款具备里程碑意义的AI模型不仅在文生视频、图生视频等基础任务上达到开源领域最先进水平更凭借原生支持5分钟级长视频连贯生成的核心能力为构建下一代人工智能的世界模型迈出了关键一步。在人工智能向通用智能演进的过程中能够精准建模物理规律、时空演化与场景逻辑的世界模型被公认为核心突破口。视频作为承载多模态信息的重要载体包含几何结构、语义关系、物理运动等丰富知识因此视频生成技术成为训练世界模型的重要路径。美团LongCat团队正是基于这一战略考量历经多年技术积累打造出LongCat-Video模型为自动驾驶、具身智能等需要深度环境交互的业务场景奠定了坚实的技术基础。LongCat-Video采用创新的Diffusion TransformerDiT架构构建了一个真正意义上的多任务一体化视频生成基座。该模型通过条件帧数量这一巧妙设计实现任务区分文生视频任务无需输入条件帧图生视频任务仅需1帧参考图像而视频续写任务则可基于多帧前序内容进行创作形成了覆盖文生/图生/视频续写的完整任务闭环无需额外模型适配即可灵活切换。在文生视频方面LongCat-Video可生成720p高清分辨率、30fps流畅帧率的视频内容能够精准解析文本描述中的物体属性、人物动作、场景布局及艺术风格等细节指令语义理解与视觉呈现能力均达到开源领域SOTA级别。图生视频功能则表现出卓越的内容一致性严格保留参考图像的主体特征、背景关系与整体风格生成的动态过程完全符合物理运动规律支持从详细指令到空指令的多类型输入方式。作为模型的核心差异化优势视频续写能力为长视频创作提供了原生技术支撑。LongCat-Video通过创新的Block-Causual Attention机制和GRPO后训练技术从根本上解决了行业普遍存在的色彩漂移、画质降解、动作断裂等技术痛点。在连续生成5分钟长视频的过程中模型能够保持跨帧时序一致性与物理运动合理性完美满足数字人交互、具身智能训练、世界模型构建等对长时序动态模拟有严苛要求的应用场景。为实现长视频生成的高效推理LongCat-Video创新性地融合了块稀疏注意力BSA与条件token缓存机制。通过将3D视觉token分块并仅对关键块计算注意力模型将计算量降至标准密集注意力的10%以下即使处理93帧及以上的长序列仍能保持效率与质量的双重优势。这种优化使得LongCat-Video在生成5分钟级别长视频时不仅保证零质量损失还大幅降低了推理冗余打破了长视频生成领域时长与质量不可兼得的行业瓶颈。针对高分辨率视频生成的计算资源瓶颈LongCat-Video采用二阶段粗到精生成C2F模型蒸馏的组合优化策略。首先生成480p、15fps的低分辨率视频再通过LoRA精调模块超分至720p、30fps在提升效率的同时优化画面细节。同时结合Classifier-Free GuidanceCFG与一致性模型CM蒸馏技术将采样步骤从50步减至16步使视频推理速度提升10.1倍实现了生成质量与效率的最优平衡。在性能评估方面LongCat-Video通过内部基准测试与公开基准测试的双重验证全面覆盖文本生成视频、图像生成视频两大核心任务。测试结果显示这个拥有136亿参数的视频生成基座模型在文本对齐度、视觉质量、运动连贯性等关键指标上均表现优异综合性能跻身开源领域SOTA行列尤其在VBench等权威公开基准测试中展现出领先优势。目前LongCat-Video项目已在GitHub、Hugging Face等开源平台同步发布相关代码与模型权重开发者可通过项目主页获取完整技术文档和视频生成效果展示。美团技术团队表示将持续推进视频生成技术的创新与应用通过LongCat-Video模型为业界提供高质量的视频生成能力共同探索人工智能世界模型的无限可能。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考