美团LongCat-Video开源：136亿参数模型实现5分钟长视频生成，推理速度提升10倍
【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团队正式发布并开源136亿参数视频生成模型LongCat-Video，实现文本生成视频、图像生成视频和视频续写三大任务统一架构，支持5分钟720p/30fps长视频稳定输出，推理速度较基线提升10.1倍，开启开源视频生成技术新纪元。
行业现状：从短视频到世界模型的技术突围
2025年视频生成技术正经历从"碎片化创意工具"向"世界建模引擎"的战略转型。根据PPIO《2025上半年AI趋势报告》，视频生成领域呈现两大显著特征：一是图生视频调用量占比高达90%，反映行业对可控性的核心诉求；二是长时序生成成为技术瓶颈，现有方案普遍面临1分钟以上视频的色彩漂移与动作断裂问题。
在这样的背景下，头部科技企业纷纷加大投入。谷歌闭源模型Veo3凭借3.99分的文本对齐分数（MOS评分）占据行业高地，而开源领域长期缺乏能兼顾质量、效率与任务多样性的基础模型。美团LongCat-Video的出现，正是瞄准了这一市场空白——通过136亿参数的Diffusion Transformer架构，首次在单一模型中实现三大任务的统一高效处理。
技术突破：四大核心能力重构视频生成范式
LongCat-Video最引人注目的创新在于其"四合一"的技术架构，通过条件帧数量动态区分任务类型，无需模型改造即可无缝切换：
1. 原生长视频生成能力
模型在预训练阶段即引入视频续写任务，通过块稀疏注意力（BSA）机制处理长序列数据。测试显示，其能稳定生成5分钟720p/30fps视频，跨帧光流一致性较行业平均水平提升40%，彻底解决传统方法的色彩漂移问题。
如上图所示，页面清晰展示了LongCat-Video的开源生态布局，包括项目主页、技术报告、Hugging Face模型库链接及MIT开源许可证标识。这一开源策略使开发者可自由商用该模型，极大降低了视频生成技术的应用门槛。
2. 10倍效率革命
采用"二阶段粗到精生成+块稀疏注意力+模型蒸馏"三重优化策略，推理速度较 baseline 提升10.1倍。具体而言，在生成720p/30fps视频时，单GPU可在3分钟内完成，而行业同类模型平均需要30分钟以上。
3. 统一任务架构
基于Diffusion Transformer架构，通过条件帧数量实现任务区分：
- 文生视频：无需条件帧，纯文本驱动
- 图生视频：输入1帧参考图
- 视频续写：接收多帧前序内容
这种设计使模型参数利用率提升300%，避免了传统多模型方案的资源浪费。
该图展示了LongCat-Video核心的块稀疏注意力计算流程，通过将查询（Q）和键（K）分割为绿色和蓝色立方体块，仅计算Top-R相关块的注意力分数，使长序列处理效率提升60%。这种创新直接支撑了模型的长视频生成能力。
4. 多奖励RLHF优化
采用Group Relative Policy Optimization (GRPO)算法，在文本对齐、视觉质量等五个维度进行强化学习。内部测试显示，其文本对齐分数达3.76（MOS），仅次于谷歌Veo3的3.99，领先开源同类模型15%以上。
性能对标：开源领域的全面领先
在官方公布的VBench基准测试中，LongCat-Video展现出强劲竞争力：
| 评估维度 | LongCat-Video | 开源竞品平均 | 谷歌Veo3 |
|---|---|---|---|
| 文本对齐 | 3.76 | 3.24 | 3.99 |
| 视觉质量 | 3.25 | 2.98 | 3.23 |
| 运动连贯 | 3.74 | 3.12 | 3.86 |
| 整体质量 | 3.38 | 3.01 | 3.48 |
特别值得注意的是，在"常识理解"子项中，模型以70.94%的准确率位居所有开源模型第一，体现出其对物理世界规律的深刻建模能力——这正是美团将其定位为"世界模型第一步"的核心依据。
该对比图直观展示了LongCat-Video在四大核心维度的竞争力，蓝色条形代表模型在各指标上的"优势"（Preferred）占比，橙色代表"平局"（Tie）占比。可以看出，其在文本对齐和运动连贯维度已接近闭源商业模型水平，而在开源领域处于领先位置。
行业影响：从内容创作到世界模型的跨越
美团对LongCat-Video的定位远不止于内容生成工具。技术报告明确指出，该模型是构建"世界模型"的关键一步——通过视频生成任务压缩几何、语义、物理等多模态知识，为自动驾驶、具身智能等领域提供基础能力。
对于开发者而言，模型的MIT许可证意味着商业应用的零门槛。社区开发者已基于该模型衍生出创意短视频生成、产品展示动画等20余种应用场景。特别是在电商领域，商家可通过文本描述自动生成5分钟产品使用教程，内容生产成本降低70%。
快速上手：三步部署你的视频生成系统
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. 任务执行
# 文生视频示例
torchrun run_demo_text_to_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compile
未来展望：视频生成的下一站
LongCat-Video的发布标志着开源视频生成技术进入"长时序、高效率"的新阶段。美团LongCat团队透露，下一代模型将聚焦两个方向：一是引入3D感知能力，提升空间建模精度；二是优化移动端部署，目标将推理延迟降至10秒内。
随着技术的不断成熟，我们有理由相信，视频生成将从专业工具转变为普惠能力，最终实现"文本即视频"的创作自由。对于开发者而言，现在正是拥抱这一变革的最佳时机——通过LongCat-Video的开源生态，参与定义视频AI的未来。
（注：本文性能数据与技术描述均引自美团LongCat团队官方技术报告及发布材料）
【免费下载链接】LongCat-Video 项目地址: https://ai.gitcode.com/hf_mirrors/meituan-longcat/LongCat-Video
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
