近日美团 LongCat 团队正式发布并开源其最新视频生成模型——LongCat-Video，该模型凭借原生支持长达5分钟的高质量连贯视频生成能力，迅速引发业界关注。此举不仅标志着美团在生成式人工智能领域的重大技术突破，也为其在“世界模型”方向的研究提供了关键支撑。
LongCat-Video 基于先进的Diffusion Transformer（DiT）架构，以统一模型架构无缝支持三大核心视频生成任务：文本生成视频、图像生成视频和视频续写，实现了任务闭环，无需为不同任务单独微调或部署额外模型。在文生视频方面，模型可生成 720p 分辨率、30fps 帧率的高清视频，能够精准解析文本中关于物体、人物、场景及艺术风格等复杂指令，语义理解与视觉呈现能力达到当前开源领域的最先进水平（SOTA）。图生视频则能严格保留原始图像的关键特征，并确保动态过程符合物理规律。
该模型的核心亮点在于其原生支持5分钟级长视频生成，且在整个生成过程中无明显质量损失。为实现这一目标，LongCat-Video 采用了包括视频续写任务预训练、块因果注意力机制（Block-Causal Attention）以及 GRPO 后训练策略在内的多项创新技术，有效保障了跨帧时序一致性、色彩稳定性与物理运动合理性。此外，通过三重优化策略，模型的推理效率提升高达 10.1 倍，显著缓解了长视频生成中常见的“时长-质量-效率”三角矛盾。
美团 LongCat 团队表示，LongCat-Video 不仅面向内容创作、广告营销等通用场景，未来还将探索在自动驾驶仿真、机器人环境建模等需要高保真动态世界模拟的领域落地应用。作为开源模型，LongCat-Video 的发布有望推动视频生成技术的标准化与生态建设，为全球开发者提供强大且高效的长视频生成工具。
目前，LongCat-Video 已在多个内部与公开基准测试中展现出卓越的通用性能，综合能力位居开源视频生成模型前列，被官方称为达到“行业顶尖水平”。随着长视频生成技术的成熟，AI“看见”并模拟真实世界运行规律的能力正迈入新阶段。
https://github.com/meituan-longcat/LongCat-Video
https://huggingface.co/meituan-longcat/LongCat-Video
https://meituan-longcat.github.io/LongCat-Video/