今天，美团长猫团队正式发布了其全新的视频生成模型——长猫-视频。这种模型凭借其能够准确重构现实世界的运行状态，标志着美团在“世界模型”领域的探索取得了重大进展。世界模型是下一代人工智能的核心引擎，帮助人工智能更好地理解、预测和重建现实世界的动态。
LongCat-Video 基于先进的 Diffusion Transformer （DiT） 架构，集成了文本转视频、图像转视频和视频延续等核心功能。这种创新模型通过设置“条件帧数”有效地区分了任务，确保了不同输入条件下的出色生成能力。LongCat-Video在文本到视频生成中可以输出720p和30fps的高清视频，在开源领域具有领先的语义理解和视觉呈现能力。此外，图转视频在动态过程中可以严格保留参考图像的属性和风格，呈现出自然、流畅的运动表现。
LongCat-Video 最令人印象深刻的功能是其长视频生成能力。通过对视频延续任务的预训练，模型可以稳定输出长达5分钟的连贯长视频，同时避免了色漂、画质下降、动作断裂等常见问题。这一技术突破不仅提高了视频生成的质量，也为自动驾驶、具身智能等深度交互场景提供了坚实的技术基础。
在高效推理方面，LongCat-Video采用“两阶段粗细生成”策略，结合块稀疏注意力（BSA）和模型蒸馏优化，显著提高了视频生成的速度和质量。该模型的推理速度提高了 10.1 倍，即使在处理长视频时也能确保出色的生成质量。
经过严格的内部和公开基准测试，LongCat-Video 在文本对齐、视觉质量、运动质量等多个维度上都表现出了出色的性能，在当前开源领域达到了 SOTA（State of the Art）水平。团队表示，LongCat-Video 的发布将大大简化长视频的创作过程，让创作者从 1 秒的灵感跳到 5 分钟的成品。
为了让更多人体验这项先进技术，美团在GitHub和Hugging Face上发布了LongCat-Video的相关资源。这个项目不仅为个人创作者提供了强大的工具，也为整个视频创作行业注入了新的活力。
