要让 AI 真正读懂、预判并重塑现实，“世界模型”已成下一代智能的点火钥匙。它把物理规则、时空流转与场景因果揉成一套可演算的数字镜像，让机器首次拥有“透视”世界如何运转的瞳仁。而视频生成，被视作锻造这把钥匙的最快钻头——在逐帧压缩几何、语义与动力学知识的过程中，AI 得以在硅基空间里先彩排一遍现实，再反向优化决策。

瞄准这一靶心，美团 LongCat 团队推出 LongCat-Video：一枚统一权重即拿下文生、图生双赛道开源 SOTA 的视频引擎。团队以“续写式”预训练喂饱模型，使其一口气连贯吐出分钟级长片，跨帧时序锁死，物理运动不崩，专治长视频散架顽疾。

凭借对真实世界运行态的高保真复刻，LongCat-Video 成为美团叩开世界模型之门的第一块基石，也为后续自动驾驶、具身智能等重交互业务预埋好技术炸药。

统一模型架构：多任务一体化视频基座

作为以 Diffusion Transformer（DiT）为基座的统一视频生成底座，LongCat-Video 用“条件帧数”一把尺子划清任务边界：零帧即文生，单帧成图生，多帧接力做续写。三大场景同权重共生，无需外挂分支，天然闭环“文-图-续”全链路。

文生视频：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 SOTA 级别。

图生视频：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，支持详细指令、简洁描述、空指令等多类型输入，内容一致性与动态自然度表现优异。

视频续写：视频续写是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。

长视频生成：原生支持5分钟级连贯输出

凭借视频续写式预训练、Block-Causal Attention 与 GRPO 后训练的三板斧，LongCat-Video 一口气稳定输出 5 分钟超长画面，零掉帧、零掉质，稳居行业头把交椅；同时把色彩漂移、画质衰减、动作断裂等顽疾掐灭在源头，跨帧时序锁死，物理运动顺滑，为数字人、具身智能、世界模型等长时动态模拟场景提供“稳态时空引擎”。 模型还引入块稀疏注意力（BSA）+ 条件 token 缓存双刀流，削去长序列推理冗余——哪怕 93 帧起步，也能画质与速度两手抓，彻底捅破“时长越长，质量越差”的天花板。

高效推理：二阶段生成+稀疏注意力+模型蒸馏优化

针对高分辨率、高帧率视频生成的计算瓶颈，LongCat-Video 通过 “二阶段粗到精生成（C2F）+ 块稀疏注意力（BSA）+ 模型蒸馏” 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：

二阶段粗到精生成（C2F）：先生成 480p、15fps 低分辨率视频，再经 LoRA 精调模块超分至 720p、30fps，在降本提效的同时优化画面细节；

块稀疏注意力（BSA）：将 3D 视觉 token 分块后，仅选取 top-r 关键块计算注意力，使计算量降至标准密集注意力的 10% 以下；支持稀疏注意力适配并行训练，进一步提升大模型训练与推理效率；

模型蒸馏优化：结合 Classifier-Free Guidance（CFG）与一致性模型（CM）蒸馏，将采样步骤从 50 步减至 16 步。

LongCat-Video 的模型评估围绕内部基准测试和公开基准测试展开，覆盖 Text-to-Video（文本生成视频）、Image-to-Video（图像生成视频）两大核心任务，从多维度（文本对齐、图像对齐、视觉质量、运动质量、整体质量）验证模型性能：

全面测评结果印证，LongCat-Video 通用战力拉满，稳稳站上开源顶流：

136 亿参数的生成基座，无论文生还是图生，综合分数均刷新开源榜；

围绕文本-视频对齐、视觉、运动与整体四大维度打分，文本契合度与动作流畅度两项关键指标一路领跑；

在 VBench 公开擂台与其他对手同台竞技，LongCat-Video 依旧拿下总榜前排席位。

注：文章转载自美团大模型公众号