美团LongCat-Video开源：136亿参数模型5分钟生成720p视频，视频生成效率提升10倍-编程实验室

美团LongCat-Video开源：136亿参数模型5分钟生成720p视频，视频生成效率提升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136亿参数视频生成模型LongCat-Video，以统一架构支持文生视频、图生视频和视频续写三大任务，实现5分钟级720p/30fps长视频生成，推理速度较同类模型提升10.1倍，开启开源视频生成技术新纪元。

行业现状：长视频生成的三重技术瓶颈

2025年全球AI视频生成市场规模已突破300亿美元，但行业仍面临三大核心挑战：时序一致性（跨帧色彩漂移）、物理合理性（动态违反现实规律）和生成长度限制（多数模型限于10秒内）。据Fortune Business Insights预测，该市场将以20%的年复合增长率持续扩张至2032年的256亿美元，其中长视频生成技术被视为商业化落地的关键突破口。

深度科技研究院院长张孝荣指出："当前视频生成技术正处于从技术演示到工业化应用的关键转折点，而长时序建模能力将直接决定AI能否真正理解并重构物理世界。"在此背景下，美团选择以视频生成模型作为探索"世界模型"的起点，折射出科技巨头对下一代智能系统的战略布局。

如上图所示，该宣传图以黑色为背景，搭配绿色几何连接线条，醒目展示"LongCat-Video 正式发布"及"探索世界模型的第一步"字样。这一视觉设计凸显了LongCat-Video作为美团探索世界模型关键一步的战略意义，为理解模型的技术定位提供了直观印象。

模型亮点：四大技术突破重构视频生成范式

1. 统一模型架构：三任务一体化视频基座

LongCat-Video基于Diffusion Transformer架构，创新通过"条件帧数量"实现任务区分：

文生视频：无需条件帧，直接生成720p/30fps视频
图生视频：输入1帧参考图，保留主体属性与风格
视频续写：基于多帧前序内容续接，形成创作闭环

这种设计使单一模型无需额外适配即可完成从文本创意到长视频制作的全流程，大幅降低开发者使用门槛。在美团内部测试中，该架构使多任务切换效率提升80%，模型部署成本降低60%。

2. 长视频生成：原生支持5分钟连贯输出

LongCat-Video依托视频续写任务预训练，模型可稳定输出5分钟长视频且无质量损失。实测显示，即使处理93帧以上长序列，仍能保持跨帧一致性，打破"时长与质量不可兼得"的行业瓶颈。技术团队特别强调，该能力源于Block-Causual Attention机制和GRPO后训练技术的联合应用，从根源规避了色彩漂移、画质降解、动作断裂等常见问题。

3. 高效推理：三重优化实现速度跃升

针对高分辨率视频生成的计算瓶颈，LongCat-Video采用创新优化策略：

二阶段粗到精生成：先480p/15fps再超分至720p/30fps
块稀疏注意力：仅计算关键视觉块注意力，降低90%计算量
模型蒸馏：结合CFG与一致性模型技术，采样步骤从50步减至16步

三重优化使视频推理速度提升10.1倍，720p视频生成时间缩短至分钟级，在普通GPU集群即可实现高效部署。

4. 性能领先：多维度评测达开源SOTA

在文生视频任务中，LongCat-Video整体质量评分达3.38，超过Wan 2.2-T2V-A14B（3.35）和PixVerse-V5（3.36），尤其在文本语义理解维度表现突出。在图生视频任务中，模型在视觉质量指标上达到3.27，超过Seedance 1.0和Hailuo-02等商业模型。

如上图所示，该条形图展示了LongCat-Video与Veo3、PixVerse-V5、Wan2.2-T2V-A14B三个视频生成模型在文本对齐、视觉质量、运动质量、整体质量四个维度的性能对比。从图中可以看出，LongCat-Video在文本对齐和整体质量上超过开源模型Wan 2.2-T2V，在视觉质量上与商业模型Veo3基本持平，充分体现了其作为开源模型的竞争力。

行业影响：开源生态与商业应用双轮驱动

技术普惠：降低长视频创作门槛

LongCat-Video的开源将打破长视频生成技术垄断，使中小开发者和内容创作者能够：

低成本实现专业级视频制作
探索教育、营销、娱乐等垂直场景应用
基于开源代码二次开发定制化方案

社区反馈显示，已有开发者基于该模型实现虚拟主播实时互动、产品使用教程自动生成等创新应用，预计将催生视频创作新生态。

商业落地：美团的"世界模型"战略布局

美团技术团队表示，LongCat-Video将支撑多业务场景：

本地生活：自动生成商家动态展示视频
自动驾驶：交通场景动态预测与模拟
具身智能：服务机器人环境交互训练

这种"技术基座+业务场景"的双轮模式，或将成为科技企业大模型发展的典范。

如上图所示，LongCat-Video Generator网页界面提供文本生成视频（T2V）、图片生成视频（I2V）等多种模式选择。用户可直接输入文本描述或上传参考图像，模型将自动判断任务类型并生成对应视频内容。这一设计极大降低了长视频创作门槛，使普通用户也能完成专业级叙事内容生产。

快速上手：开发者部署指南

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

模型下载

huggingface-cli download meituan-longcat/LongCat-Video --local-dir ./weights/LongCat-Video

任务启动

# 文生视频 torchrun run_demo_text_to_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compile # 视频续写（长视频生成） torchrun run_demo_video_continuation.py --checkpoint_dir=./weights/LongCat-Video --enable_compile