近日，美团正式发布了其最新的视频生成模型——LongCat-Video，标志着人工智能领域迈出了重要的一步。LongCat-Video 旨在帮助 AI 更好地理解和重建现实世界，推动世界模型的进步。作为一个能够模拟物理规律和场景逻辑的智能系统，LongCat-Video 为 AI 提供了“看到”世界运行本质的能力。
该模型基于扩散变压器（DiT）架构，能够处理各种视频生成任务，包括文本到视频生成、图像到视频生成和视频延续。其独特之处在于，不同的生成任务不需要额外的模型适配，形成一个完整的任务循环。例如，文本到视频生成可以生成720p和30fps的高清视频，准确解读文本指令，并展示出出色的语义理解和视觉呈现能力。图像到视频生成严格保留参考图像的所有特征，确保动态过程遵循物理定律。视频延续是LongCat-Video的核心优势之一，能够基于多帧前置内容进行视频延续，为长视频生成提供了强大的技术支持。
LongCat-Video具有出色的长视频生成能力，能够连续输出长达5分钟的视频，在生成过程中不会造成任何质量损失。该模型通过先进的技术手段有效避免了色彩漂移和质量下降，确保了跨帧的时间一致性和物理运动的合理性。此外，LongCat-Video 结合了区块稀疏注意力和条件 token 缓存机制，显著提高了长视频生成效率，解决了以往长视频生成中长度和质量的矛盾。
在高分辨率、高帧率的视频生成中，LongCat-Video通过多种优化策略提升推理速度，确保生成质量和效率之间的最佳平衡。该模型通过严格的内部和公开基准测试，展示了出色的总体性能，在开源领域达到了领先水平。
LongCat-Video的发布为创作者开启了长视频创作的新征程，让视频生成更简单、更高效。
