美团发布开源 LongCat-Video 视频生成模型，可稳定输出 5 分钟级内容

美团 LongCat 团队发布并开源 LongCat-Video 视频生成模型。根据官方介绍，其以统一模型在文生、图生视频基础任务上达到开源 SOTA（最先进水平），并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。

根据介绍，近年来，“世界模型”（World Model）可让人工智能真正理解、预测甚至重构真实世界，从而被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。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，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。

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。

• 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。

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，号称达到行业“顶尖”水平。