近日，美團LongCat團隊發布并開源LongCat-Video視頻生成模型，以統一模型在文生、圖生視頻基礎任務上達到開源SOTA，并依托原生視頻續寫任務預訓練，實現分鐘級長視頻連貫生成，保障跨幀時序一致性與物理運動合理性。
據研發團隊介紹，作為基于Diffusion Transformer（DiT）架構的多功能統一視頻生成基座，LongCat-Video創新通過“條件幀數量”實現任務區分，原生支持三大核心任務：文生視頻無需條件幀、圖生視頻輸入1幀參考圖、視頻續寫依托多幀前序內容，且無需額外模型適配，形成“文生/圖生/視頻續寫”完整任務閉環。
此外，依托視頻續寫任務預訓練，新模型可穩定輸出5分鐘級別的長視頻，且無質量損失平。同時，從根源規避色彩漂移、畫質降解、動作斷裂等行業痛點，保障跨幀時序一致性與物理運動合理性，適配數字人、具身智能、世界模型等需要長時序動態模擬的場景需求。模型還結合塊稀疏注意力（BSA）與條件token緩存機制，大幅降低長視頻推理冗余——即便處理93幀及以上長序列，仍能兼顧效率與生成質量穩定，打破長視頻生成“時長與質量不可兼得”的瓶頸。
針對高分辨率、高幀率視頻生成的計算瓶頸，LongCat-Video通過“二階段粗到精生成（C2F）+塊稀疏注意力（BSA）+模型蒸餾”三重優化，視頻推理速度提升至10.1倍，實現效率與質量的最優平衡。
研發團隊表示，憑借精準重構真實世界運行狀態的能力，LongCat模型將會融入自動駕駛、具身智能等深度交互業務場景中。