美团发布视频生成模型LongCat-Video

10月27日消息，美团LongCat团队正式发布LongCat-Video视频生成模型。作为一款视频生成模型，LongCat-Video凭借其精准重构真实世界运行状态的能力，正在成为美团探索世界模型的第一步，也是关键的一步。同时，这也为后续支撑更多自动驾驶、具身智能等深度交互业务场景，夯实了技术基础。

图源：龙猫LongCat公众号

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 —— 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，原生支持三大核心任务且无需额外模型适配，形成 “文生 / 图生 / 视频续写” 完整任务闭环。

据介绍，依托视频续写任务预训练、Block-Causual Attention机制和 GRPO后训练，LongCat-Video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，完美适配数字人、具身智能、世界模型等需要长时序动态模拟的场景需求。同时，模型结合块稀疏注意力（BSA）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，打破长视频生成 “时长与质量不可兼得” 的瓶颈。