LongCat-Video是美團LongCat團隊於2025年10月27日發布並開源的視頻生成模型，基於Diffusion Transformer（DiT）架構構建的多功能統一視頻生成基座。該模型原生支持文生視頻、圖生視頻和視頻續寫三大核心任務，通過“條件幀數量”機制區分任務類型（文生無需條件幀、圖生輸入1幀、視頻續寫需多幀前序內容），形成完整任務閉環且無需額外模型適配。其文生視頻任務可生成720p/30fps高清視頻，精準解析文本中的物體、人物、場景及風格細節指令，語義理解與視覺呈現能力達到開源SOTA級別。
模型依託原生視頻續寫任務預訓練，實現5分鐘級別長視頻連貫生成，保持跨幀時序一致性與物理運動合理性，並通過塊稀疏注意力（BSA）與條件token快取機制降低推理冗餘。採用“二階段粗到精生成（C2F）+塊稀疏注意力（BSA）+模型蒸餾”三重最佳化技術，視頻推理速度提升至10.1倍。136億參數基座模型在文生視頻、圖生視頻任務中綜合性能達到開源領域最先進水平，並計畫融入自動駕駛、具身智慧型等深度互動業務場景。
基本介紹
- 外文名：LongCat-Video
- 研發單位：美團LongCat團隊
簡介,發展歷史,
簡介
LongCat-Video將融入自動駕駛、具身智慧型等深度互動業務場。
發展歷史
2025年10月27日，美團LongCat團隊發布並開源LongCat-Video。
