美团开源LongCat-Image，6B参数挑战80B效果，中英双语理解、图像逼真度及复杂指令编辑新突破

刚刚，美团开源6B参数图像模型LongCat-Image。

LongCat-Image 模型，以6B参数量的轻量化设计，在双语文本理解、图像逼真度以及复杂的指令编辑任务中，展示了令人印象深刻的性能。

在多项基准测试中超越更大规模模型，并提供了从推理到训练的全链路开源方案。

参数效率与架构设计

在开源社区中，常见的图像生成模型参数量往往在10B到80B之间，巨大的参数量虽然带来了丰富的语义理解能力，但也极大地推高了推理成本和部署门槛。

LongCat-Image选择了一条不同的路径，将参数量控制在6B。这一设计决策并非简单的减法，而是基于对模型架构的深度优化。

通过基准测试数据可以看到，LongCat-Image在GenEval（生成评估）和DPG（深度概率图）等指标上，以6B的体量与20B甚至80B的模型分庭抗礼。

在GenEval测试中，LongCat-Image取得了0.87的评分，这一成绩与20B参数的Qwen-Image（通义千问图像）持平，并优于12B参数的FLUX.1-dev（0.66）以及80B参数的HunyuanImage-3.0（混元图像3.0）。

这种跨量级的性能表现，揭示了高效模型设计的巨大潜力：通过优化训练策略和数据质量，小模型完全可以在特定领域达到甚至超越大模型的表现。

6B参数模型可以在更广泛的消费级显卡上运行，降低了从实验室走向生产环境的硬件门槛。

对于开发者而言，这意味着更快的迭代速度和更低的运营成本。

攻克中文文本渲染的顽疾

现有的许多主流开源模型在处理英文文本渲染时表现尚可，但在面对结构复杂、笔画繁多的中文字符时，往往会出现乱码、笔画缺失或结构崩坏的现象。

这一直是中文图像生成领域的痛点，也是制约文生图技术在国内电商、广告设计等领域落地的主要障碍。

LongCat-Image在中文文本渲染方面取得了显著突破。

数据显示，在GlyphDraw2（字形绘制）测试中，该模型获得了0.95的高分，优于Qwen-Image的0.93和HunyuanImage-3.0的0.78。

在CVTG-2K（中文文本生成）测试中，其得分0.8658同样表现优异。

更值得关注的是其在Acc（准确率）指标上的表现，达到了78.59%，且CLIPScore（CLIP评分）高达90.7。

CLIPScore反映了生成图像与文本描述的语义一致性，90.7的高分说明模型不仅写对了字，还将字完美地融合进了图像的整体风格中，没有出现生硬的拼贴感。

这种能力得益于行业领先的中文词典覆盖率以及针对性的训练框架，使得模型能够像理解物体形状一样，精准地理解和构建中文字符的拓扑结构。

在主观的人类评估（MOS）中，LongCat-Image在Realism（真实感）上得分为3.60，超越了HunyuanImage-3.0（3.50）和Seedream 4.0（3.54）。

这表明模型在追求文字准确性的同时，并未牺牲图像的整体质感和摄影写实度。

精确可控的图像编辑能力

图像编辑的核心难点在于模型需要准确执行用户的编辑指令（如把猫换成狗），同时必须保持原图中背景、光影、风格等无关区域的绝对一致。

LongCat-Image-Edit是专门为此优化的编辑模型。

在衡量编辑能力的CEdit-Bench（中文编辑基准）和GEdit-Bench（通用编辑基准）测试中，该模型展现了卓越的视觉一致性。

以GEdit-Bench-EN（英文通用编辑）为例，LongCat-Image-Edit在G_SC（结构一致性）得分为8.18，G_PQ（感知质量）得分为8.00。

对比来看，FLUX.1 Kontext [Pro]在同项测试中的G_SC仅为7.02。用户在修改图像局部时，不会意外破坏图像的其他部分。

在与闭源模型和竞品的直接对比中，LongCat-Image-Edit也展现了极强的竞争力。

在人类评估的胜率对比中，LongCat-Image-Edit在综合质量上以60.5%对39.5%的比例战胜了FLUX.1 Kontext [Pro]，在一致性上更是以63%对37%大幅领先。

全链路开源构建开发者生态

LongCat-Image团队提供了一个完整的开源生态系统。

整个发布包含了三个核心版本：

LongCat-Image 是最终发布版，经过充分训练和调优，适合用户开箱即用，直接进行高质量的图像推理。

LongCat-Image-Dev 是开发版，本质上是一个训练中期的检查点（Checkpoint）。对于研究人员和开发者来说，这个版本极具价值，因为它保留了更多的可塑性，非常适合用于Fine-tuning（微调）以适应特定的垂直领域需求。

LongCat-Image-Edit 是专门针对图像编辑任务优化的专用模型。

除了模型权重，团队还开源了完整的训练代码工具链。

支持SFT（监督微调）、LoRA（低秩适应）、DPO（直接偏好优化）以及专门的编辑训练。

对于希望在本地部署高性能图像模型，或需要进行深度定制开发的团队来说，LongCat-Image提供了一个极具吸引力的选项。

参考资料：

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

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

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

https://huggingface.co/meituan-longcat/LongCat-Image-Dev