美团，你是跨界上瘾了是吧！（doge）
没错，最新开源 SOTA 视频模型，又是来自这家 "送外卖" 的公司。
模型名为 LongCat-Video，参数 13.6B，支持文生 / 图生视频，视频时长可达数分钟。
从官方释出的 demo 来看，模型生成的视频不仅更加真实自然，而且懂物理的能力又双叒增强了。
无论是空中滑板：
还是一秒特效变身：
抑或是第一视角下，全程需要保持画面一致的骑车视频_（时长整整有 4 分多种）_：
怎么样？是不是有拍电影电视剧的感 jio 了~
敲黑板，由于 LongCat-Video 本身就经过视频连续任务的预训练，所以它能够制作长达数分钟的视频，而不会出现颜色漂移或质量下降的情况_（一般可稳定输出 5 分钟级别的长视频，且无质量损失）_。
美团表示，之所以推出 LongCat-Video，核心瞄准的还是世界模型这一前沿领域：
作为能够建模物理规律、时空演化与场景逻辑的智能系统，世界模型赋予 AI"看见" 世界运行本质的能力。而视频生成模型有望成为构建世界模型的关键路径------通过视频生成任务压缩几何、语义、物理等多种形式的知识，AI 得以在数字空间中模拟、推演乃至预演真实世界的运行。
而为了构建视频模型 LongCat-Video，美团这次在技术方面也是进行了一系列创新和突破。
背后技术原理
LongCat-Video 只有 13.6B，但集成了文生视频、图生视频和视频续生三大任务于一体。
具体来说，整个模型以 Diffusion Transformer _（DiT）_为框架设计，其中每个 Transformer 块都由 3D 自注意力层、交叉注意力层，以及采用 SwiGLU 激活函数的前馈网络组成。
并使用 AdaLN-Zero 调制机制，将每个 Transformer 块均集成为专用的调制多层感知机，再在自注意力和交叉注意力模块中，采用 RMSNorm 归一化以提升训练稳定性，另外还对视觉 token 的位置编码使用 3D RoPE。
然后将所有任务都定义为视频续生任务，通过条件帧数量进行区分：
-
文本到视频：0 帧条件。
-
图像到视频：1 帧条件。
-
视频续生：多帧条件。
统一混合输入后，将无噪声的条件帧和待去噪的噪声帧沿着时间轴拼接，结合时序步配置，以实现单模型原生支持多任务。
而为了适配这类输入，研究团队还在架构中设计了一种带键值缓存_（KVCache）_的块注意力机制，该设计可以确保条件 token 不受噪声 token 的影响，且后续可以缓存并复用条件 token 的 KV 特征，提升长视频生成效率。
其中最瞩目的长视频生成能力，主要通过原生预训练设计和交互式生成支持两大核心特性实现。
首先 LongCat-Video 摒弃了传统的 "先训练基础视频生成能力，再针对长视频任务微调" 的训练路径，而是直接在视频续生任务上预训练。
这样做可以直接从源头解决长视频生成中的累积误差问题，在生成分钟级视频的同时，避免色彩漂移和质量下降。
另外 LongCat-Video 还支持交互式长视频生成，允许用户为不同片段设置独立指令，进一步扩展了长视频创作的灵活性。
为了提高视频生成的推理效率，团队提出了一种从粗到精的生成范式，先是让模型生成 480p、15fps 的低分辨率低帧率视频，再通过三线性插值将分辨率升级至 720p、30fps，同时由一个 LoRA 训练的精炼专家模型进行细节优化。
再引入块稀疏注意力，将注意力计算量降至原始的 10% 以下，配合上下文并行的环形块稀疏注意力，进一步优化高分辨率生成效率。
结合 CFG 蒸馏和一致性模型_（CM）_蒸馏，将采样步数从 50 步缩减至 16 步，实现在单 H800 GPU 上，单个 720p、30fps 视频生成可在分钟内完成，效率提升超 10 倍。
另外针对视频生成场景，使用组相对策略优化 _（GRPO）_算法，提升 GRPO 在视频生成任务中的收敛速度与生成质量。
在训练过程中，分别采用三类专用奖励模型：
-
视觉质量
（VQ）：结合 HPSv3-general 和 HPSv3-percentile 进行评估。
-
运动质量
（MQ）：基于 VideoAlign 模型微调，并使用灰度视频训练避免色彩偏好。
-
文本 - 视频对齐度
（TA）：同样基于 VideoAlign 模型微调，但保留原始的彩色输入。
然后进行多奖励加权融合训练，避免单一奖励的过拟合和奖励欺骗问题，实现视觉、运动、对齐能力的均衡提升。
在完成数据构建和模型训练后，研究团队首先对其进行内部基准测试，主要评估文生视频和图生视频性能。
其中文生视频，包含文本对齐、视觉质量、运动质量、整体质量四个维度。
实验结果表明，LongCat-Video 在整体质量得分中超越 PixVerse-V5 和 Wan2.2-T2V-A14B，视觉质量接近 Wan2.2-T2V-A14B，仅略逊于闭源模型 Veo3。
图生视频则在此基础上，新增图像对齐维度评估，最终结果中 LongCat-Video 的视觉质量得分最高_（3.27）_，说明整体质量具有竞争力，但图像对齐与运动质量仍有提升空间。
另外研究团队还进行了 VBench 2.0 的公开基准测试，LongCat-Video 总得分位列第三_（62.11%），仅次于 Veo3 （66.72%）和 Vidu Q1（62.7%）_。
值得注意的是，LongCat-Video 在常识性维度_（运动合理性、物理定律遵循）_上处于第一的领先优势，凸显出该模型优秀的物理世界建模能力。
One More Thing
而这已经不是这家外卖公司第一次 "不务正业" 了......
从八月底开始，美团龙猫大模型就在不停地发发发，先是端出来了最经典的开源基础模型 LongCat-Flash-Chat。
总参数 560B，可以在仅激活少量参数的前提下，实现性能比肩市面上的主流模型，尤其是在复杂的 Agent 任务中表现突出。
而且现已登陆 API 平台使用～
一个月不到，又上新了 LongCat-Flash-Thinking，在逻辑、数学、编码、Agent 多任务中均达成 SOTA 水平，是国内首个同时具备 "深度思考 + 工具调用" 和"非形式化 + 形式化"推理能力的 LLM，可以实现更低成本、更优性能。
随后又专为语音 LLM 推出了 LongCat-Audio-Codec，可以同时对语义和声学 token 以低帧速率_（16.7Hz/60ms）_并行提取，实现高效离散化，并能够在极低的比特率中保持高清晰度。
以及专为复杂现实生活场景_（外卖送餐、餐厅点餐、旅游出行）打造的 Agent 评测基准------VitaBench，可以系统性衡量 Agent 在推理、工具使用和自适应交互方面的能力。（泪目，终于回归老本行. jpg）_
......
最后再到今天的视频生成模型，毫无疑问，"跨界"AI 正在成为这家外卖公司的新常态。
开源地址：
github.com/meituan-lon...
huggingface.co/meituan-lon...
项目主页：
meituan-longcat.github.io/LongCat-Vid...
*参考链接：
1\][x.com/Meituan_Lon...](https://link.juejin.cn?target=https%3A%2F%2Fx.com%2FMeituan_LongCat%2Fstatus%2F1982083998852763838 "https://x.com/Meituan_LongCat/status/1982083998852763838") \[2\][x.com/reach_vb/st...](https://link.juejin.cn?target=https%3A%2F%2Fx.com%2Freach_vb%2Fstatus%2F1982014895454331341 "https://x.com/reach_vb/status/1982014895454331341") \[3\][mp.weixin.qq.com/s/W2T7P825m...](https://link.juejin.cn?target=https%3A%2F%2Fmp.weixin.qq.com%2Fs%3F__biz%3DMzYyMTA0NTc5NQ%3D%3D%26mid%3D2247484034%26idx%3D1%26sn%3Dc7e938098b4457b7dd97ab4e348c3a08%26scene%3D21%23wechat_redirect "https://mp.weixin.qq.com/s?__biz=MzYyMTA0NTc5NQ==&mid=2247484034&idx=1&sn=c7e938098b4457b7dd97ab4e348c3a08&scene=21#wechat_redirect")* **欢迎在评论区留下你的想法！** --- **完** ---