一段由AI生成的5分钟连贯视频，正悄然打破内容创作的传统边界。
10月27日，美团LongCat团队正式发布并开源LongCat-Video视频生成模型，以统一模型在文生、图生视频基础任务上达到开源最先进水平。
该模型依托原生视频续写任务预训练，实现分钟级长视频连贯生成，保障跨帧时序一致性与物理运动合理性，在长视频生成领域具备显著优势。
01 突破长视频生成瓶颈
近年来，“世界模型”因让人工智能真正理解、预测甚至重构真实世界，被业界视作通往下一代智能的核心引擎。
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”赋予人工智能“看见”世界运行本质的能力。
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，人工智能得以在数字空间中模拟、推演乃至预演真实世界的运行。
正因如此，美团LongCat团队认为，此次发布的视频生成模型，是为探索“世界模型”迈出的第一步。
未来，凭借精准重构真实世界运行状态的能力，LongCat模型也会融入公司近年来持续投入的自动驾驶、具身智能等深度交互业务场景中。
02 三位一体的技术架构
作为基于Diffusion Transformer（DiT）架构的多功能统一视频生成基座，LongCat-Video创新通过 “条件帧数量” 实现任务区分。
该模型原生支持三大核心任务：文生视频无需条件帧、图生视频输入1帧参考图、视频续写依托多帧前序内容，且无需额外模型适配，形成完整任务闭环。
在文生视频方面，LongCat-Video可生成720p、30fps高清视频，能精准解析文本中物体、人物、场景、风格等细节指令，语义理解与视觉呈现能力达开源领先级别。
图生视频则严格保留参考图像的主体属性、背景关系与整体风格，动态过程符合物理规律，内容一致性与动态自然度表现优异。
而视频续写作为LongCat-Video的核心差异化能力，可基于多帧条件帧续接视频内容，为长视频生成提供原生技术支撑。
03 五分钟长视频的奥秘
依托视频续写任务预训练，新模型可稳定输出5分钟级别的长视频，且无质量损失，达到行业顶尖水平。
同时，从根源规避色彩漂移、画质降解、动作断裂等行业痛点，保障跨帧时序一致性与物理运动合理性。
这一技术突破不仅提升了视频生成的质量，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。
模型还结合块稀疏注意力与条件token缓存机制，大幅降低长视频推理冗余——即便处理93帧及以上长序列，仍能兼顾效率与生成质量稳定。
04 三重优化推动效率飞跃
针对高分辨率、高帧率视频生成的计算瓶颈，LongCat-Video通过三重优化实现效率突破。
通过 “二阶段粗到精生成+块稀疏注意力+模型蒸馏” 这三重优化，视频推理速度提升至10.1倍，实现效率与质量的最优平衡。
这一显著的速度提升，使得长视频生成从“实验室概念”走向“实用化工具”成为可能。
技术报告显示，136亿参数的视频生成基座模型，在文生视频、图生视频两大核心任务中，综合性能均达到当前开源领域SOTA级别。
在VBench等公开基准测试中，LongCat-Video在文本对齐度、运动连贯性等关键指标上展现显著优势。
05 连接原子与比特世界
美团LongCat团队表示，LongCat-Video的发布不仅代表着技术的进步，更是美团在智能创作领域迈出的重要一步。
随着这一模型的广泛应用，未来的长视频创作将变得更加简单而富有创意。
据了解，为了让更多人体验这一先进技术，美团已在GitHub和Hugging Face上发布了LongCat-Video的相关资源。
该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。
未来，凭借精准重构真实世界运行状态的能力，LongCat模型将成为公司更好连接 “比特世界”和“原子世界” 的技术基础。
在内容创作领域，一分钟视频曾是一道难以逾越的门槛。多数AI视频工具生成的内容仅限于数十秒，且常伴随画面跳跃、物理运动失真的问题。
LongCat-Video稳定生成5分钟连贯视频的能力，不仅突破了技术瓶颈，更让创作者看到了从“秒级剪辑”迈向“分钟级创作”的可能性。
正如美团LongCat团队所展望的，这场技术变革的意义远超视频生成本身，更是构建能够理解和模拟物理世界的人工智能的重要一步。
关注 “悠AI” 更多干货技巧行业动态
相关文章
