美团longcat团队近日正式推出全新视频生成模型longcat-video，致力于通过视频生成技术路径深入探索“世界模型”的构建，为自动驾驶、具身智能等前沿应用场景提供坚实的技术支撑。
该模型基于DiT（Diffusion in Time）架构设计，创新性地以“条件帧数量”作为任务区分标准，原生支持文本生成视频、图像生成视频以及视频续写等多种模态任务，实现从输入到输出的完整闭环。模型可生成分辨率为720p、帧率达30fps的高清视频内容，并具备原生支持长达5分钟的长视频生成能力。通过多重技术创新，有效缓解了时序一致性与物理合理性的常见问题；同时，经过三重推理优化，整体推理效率相较基线提升达10.1倍。
其136亿参数规模的基座模型在文生视频和图生视频任务中表现卓越，达到当前开源领域的SOTA水平，在VBench等多项权威评测中成绩领先。全面评估结果显示，LongCat-Video在通用性能方面表现出色，综合能力位居开源模型前列：
- 拥有136亿参数的视频生成基础模型，在文生视频与图生视频两大核心任务上，整体性能均达到现有开源模型中的顶尖水准；
- 在文本-视频对齐、视觉质量、运动连贯性及整体观感四大维度的测试中，于文本匹配度、动态流畅性等关键指标上展现出明显优势；
目前，LongCat-Video模型已全面开源，发布于GitHub、Hugging Face等主流平台，面向全球开发者开放使用。
GitHub：https://www.php.cn/link/8e241a00e2905962b86a2e25a7945c70
Hugging Face：https://www.php.cn/link/1f7c4386bf2c9ff0400445c9e27a1594
Project Page：https://www.php.cn/link/13cd49fe3b1b37f47e6c20a256045cc1
