13.6B参数铸就“世界模型”，美团LongCat-Video实现5分钟原生视频生成，定义AI视频新标杆-优快云博客

近日，美团发布了一款名为LongCat-Video的AI视频生成模型，以其原生支持5分钟720p长视频生成的能力，迅速在行业内引起广泛关注。

与多数侧重于风格化生成的模型不同，LongCat-Video将自己定位为更具深度的“世界模型”。它不仅在学习生成画面，更在尝试理解真实世界的动态规律——从滑板运动的物理轨迹，到人物表情的自然变化，都展现出对因果关系的捕捉能力。

这一突破性进展，得益于其独特的“视频续写”预训练方式。模型通过观看“连续剧”般的长序列数据，学会了预测后续内容。结合高效的块因果注意力机制，它在保证长时间连贯性的同时，将生成速度提升了10倍，为实现真正可用的AI视频创作奠定了坚实基础。

美团的此番布局，意图深远。LongCat-Video不仅是内容生成工具，更是其利用AI模拟现实业务场景（如外卖配送、交通预测）的战略基石，标志着美团在探索通用人工智能的道路上迈出了关键一步。

核心亮点

1. 统一模型架构：多任务一体化视频生成基座

LongCat-Video 基于 Diffusion Transformer（DiT）架构构建，创新性地通过“条件帧数量”自动区分生成任务：

文生视频：无需条件帧，直接根据文本生成视频；
图生视频：输入1帧参考图像，实现视觉内容延续；
视频续写：基于多帧前序视频进行连贯续写。

该设计将三大核心任务整合于单一模型中，无需额外适配模块，形成完整的“文-图-视频”生成闭环，在语义理解、内容一致性与动态自然度方面均达到开源SOTA水平。

2. 长视频生成能力：原生支持5分钟级连贯输出

通过视频续写任务的预训练、Block-Causal Attention 机制与GRPO后训练策略，模型能够稳定生成长达5分钟的高清内容（720p/30fps），且在时序一致性、运动合理性方面表现优异，有效规避色彩漂移、画质退化、动作断裂等常见问题。

为提升长序列生成效率，模型引入块稀疏注意力（BSA）与条件Token缓存机制，显著减少冗余计算，即便处理93帧以上长视频仍能保持生成质量与推理速度的平衡，满足数字人、具身智能等长时序模拟场景的需求。

3. 高效推理机制：三重优化实现10倍加速

针对高分辨率视频生成的计算挑战，LongCat-Video 采用三项关键技术实现推理速度的显著提升：

二阶段粗到精生成（C2F）：先生成480p/15fps基础视频，再通过LoRA模块进行超分与帧率提升，兼顾效率与细节还原；
块稀疏注意力（BSA）：对视觉Token进行分块筛选，仅对关键块进行注意力计算，将计算量压缩至标准注意力的10%以下；
模型蒸馏优化：通过蒸馏技术进一步压缩模型规模，提升推理速度。

模型评测

LongCat-Video 在模型评估方面构建了完整的评测体系，涵盖内部基准测试与公开基准测试，围绕文本生成视频（Text-to-Video）与图像生成视频（Image-to-Video）两大核心任务，从以下五个维度进行全面验证：

文本对齐度（文本指令遵循能力）
图像对齐度（参考图像内容一致性）
视觉质量（画面清晰度与真实性）
运动质量（动作自然性与连贯性）
整体质量（综合观感评分）

评估结果表明，LongCat-Video 在多项关键指标上表现优异，综合性能达到当前开源视频生成模型的领先水平（SOTA），具体体现为：

通用性能卓越

作为拥有136亿参数的视频生成基座模型，LongCat-Video 在文生视频、图生视频任务中均展现出强大的综合能力，在文本对齐度、运动连贯性等关键指标上具备显著优势。
公开基准测试表现突出

在 VBench 等权威公开评测基准中，LongCat-Video 在参评模型中整体成绩优异，验证了其在不同场景下的鲁棒性与生成质量。
多维度质量均衡提升

模型在语义理解、视觉细节、动态合理性等维度实现均衡优化，能够生成内容一致、画面稳定、动作自然的高质量视频内容。

社区地址

OpenCSG社区：https://opencsg.com/models/AIWizards/LongCat-Video

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

关于 OpenCSG

OpenCSG 是全球领先的开源大模型社区平台，致力于打造开放、协同、可持续生态，AgenticOps是人工智能领域的一种AI原生方法论，由OpenCSG（开放传神）提出。AgenticOps是Agentic AI的最佳落地实践也是方法论。核心产品 CSGHub 提供模型、数据集、代码与 AI 应用的一站式托管、协作与共享服务，具备业界领先的模型资产管理能力，支持多角色协同和高效复用。