<div id="readability-page-1">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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/386f535f-f446-46c8-9f62-ead9fd2a6108.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="614" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/386f535f-f446-46c8-9f62-ead9fd2a6108.jpeg"/> 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： <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/fbfae86f-3de5-46ef-8495-74d90a0c0e0a?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="614" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/fbfae86f-3de5-46ef-8495-74d90a0c0e0a"/> 还是一秒特效变身： <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/99effe46-77f5-414e-8215-d31d9e4bc360?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="640" height="384" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/99effe46-77f5-414e-8215-d31d9e4bc360"/> 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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/e150e27a-130c-4266-be7f-e2488a8a57b1.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="297" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/e150e27a-130c-4266-be7f-e2488a8a57b1.jpeg"/> <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/bd062c27-e52b-4695-9fcc-0d2aa50f48ce.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="379" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/bd062c27-e52b-4695-9fcc-0d2aa50f48ce.jpeg"/> 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。 <blockquote> 中国团队竟然发布了一个 MIT 协议的基础视频模型？？？ </blockquote> <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/8f44cb78-78b2-428d-a51a-ce2441343a11.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="278" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/8f44cb78-78b2-428d-a51a-ce2441343a11.jpeg"/> 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”。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/dac9974d-a4c1-41cd-abf1-b98e99f412b3.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="580" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/dac9974d-a4c1-41cd-abf1-b98e99f412b3.jpeg"/> so，一家外卖公司出品的视频模型究竟如何？来看更多案例。 <h2>文生/图生视频开源 SOTA，还能像制作连续剧一样生成长视频！</h2> 整体而言，美团这次发布并开源的 LongCat-Video 具备以下功能： <ul> <li> 文生视频：可生成 720p、30fps 高清视频，语义理解与视觉呈现能力达开源 SOTA 级别； </li> <li> 图生视频：能够保留参考图像的主体属性、背景关系与整体风格等； </li> <li> 视频延长：核心差异化能力，可基于多帧条件帧续接视频内容。 </li> </ul> 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： <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/561b48fb-4edc-4d5d-a5a0-d36146edc4c5.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="476" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/561b48fb-4edc-4d5d-a5a0-d36146edc4c5.jpeg"/> 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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/6cac7020-e5aa-405d-a0bd-652f3a721be3?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="640" height="426" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/6cac7020-e5aa-405d-a0bd-652f3a721be3"/> 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： <blockquote> 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 AI“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，AI 得以在数字空间中模拟、推演乃至预演真实世界的运行。 </blockquote> 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。 <h2>背后技术原理</h2> 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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a8e5b386-01ea-48a5-b9d1-3bc9a7bfa903.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="120" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a8e5b386-01ea-48a5-b9d1-3bc9a7bfa903.jpeg"/> 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： <ul> <li> 文本到视频：0 帧条件。 </li> <li> 图像到视频：1 帧条件。 </li> <li> 视频续生：多帧条件。 </li> </ul> 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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/e671c9b9-8cf5-4fb3-9bed-cb8149ffc3d8.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="578" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/e671c9b9-8cf5-4fb3-9bed-cb8149ffc3d8.jpeg"/> 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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/04b098c5-8302-432d-b1a4-37086a9d1cd1.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="616" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/04b098c5-8302-432d-b1a4-37086a9d1cd1.jpeg"/> 在训练过程中，分别采用三类专用奖励模型： <ul> <li> 视觉质量（VQ）：结合 HPSv3-general 和 HPSv3-percentile 进行评估。 </li> <li> 运动质量（MQ）：基于 VideoAlign 模型微调，并使用灰度视频训练避免色彩偏好。 </li> <li> 文本 - 视频对齐度（TA）：同样基于 VideoAlign 模型微调，但保留原始的彩色输入。 </li> </ul> 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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/e535ca09-9ecb-48ed-b44a-612a0dff5c1f.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="292" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/e535ca09-9ecb-48ed-b44a-612a0dff5c1f.jpeg"/> 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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/abd401bc-3f2b-4706-968b-17cb7163fd30.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="233" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/abd401bc-3f2b-4706-968b-17cb7163fd30.jpeg"/> 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%）。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/c58ef32b-e386-4e19-8025-862d4216c32b.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="238" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/c58ef32b-e386-4e19-8025-862d4216c32b.jpeg"/> 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。 <h2>One More Thing</h2> 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～ <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/d990c80c-a761-4f9a-9627-e840390057a4.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="248" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/d990c80c-a761-4f9a-9627-e840390057a4.jpeg"/> 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。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/8145a7e2-04d1-413e-8b96-59ed53f52d61.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="566" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/8145a7e2-04d1-413e-8b96-59ed53f52d61.jpeg"/> 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。 本文作者：一水 鹭羽，来源：量子位，原文标题：《美团视频生成模型来了！一出手就是开源 SOTA》风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。</div>

美团(ADR)

美团-W

美团推出了名为 LongCat-Video 的开源视频生成模型，参数为 13.6B，支持文生和图生视频，时长可达数分钟。该模型在生成视频的真实感和物理理解能力上有显著提升，表现优于其他开源模型，并与谷歌的闭源模型 Veo3 相媲美。LongCat-Video 采用 MIT 协议，具备 720p、30fps 的视频生成能力，强调对真实世界的理解。

- 美团推出 LongCat-Video 视频生成模型，参数 13.6B，支持文生/图生视频。  
- 模型生成视频质量优于 PixVerse-V5 和 Wan2.2-T2V-A14B，具备长视频生成能力。  
- LongCat-Video 采用 MIT 协议，推动视频 AI 领域发展。  