LongCat-Video 基于先进的 DiffusionTransformer（DiT） 架构，集成了文生视频、图生视频和视频续写等多项核心功能。这一创新模型通过 「条件帧数量」 的设定，有效实现了任务的灵活区分，确保在不同输入条件下均能发挥出色的生成能力。LongCat-Video 在文生视频生成上能够输出 720p、30fps 的高清视频，并具备开源领域领先的语义理解和视觉呈现能力。此外，图生视频能够在动态过程中严格保留参考图像的属性与风格，展现出自然流畅的运动表现。
最为引人瞩目的是 LongCat-Video 的长视频生成能力。该模型通过视频续写任务的预训练，能够稳定输出达 5 分钟的连贯长视频，同时避免常见的色彩漂移、画质降解和动作断裂等问题。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。
在高效推理方面，LongCat-Video 采用了 「二阶段粗到精生成」 策略，并结合块稀疏注意力 （BSA） 和模型蒸馏优化，大幅提升了视频生成的速度和质量。该模型的推理速度提升至 10.1 倍，确保在处理长视频时依旧保持优异的生成质量。
LongCat-Video 经过严格的内部和公开基准测试，显示出在文本对齐、视觉质量和运动质量等多个维度的优秀性能，综合能力达到当前开源领域的 SOTA（StateoftheArt） 水平。团队表示，LongCat-Video 的发布将大大简化长视频的创作过程，使创作者能够从 1 秒钟的灵感跃升至 5 分钟的成片。
为了让更多人体验这一先进技术，美团已在 GitHub 和 HuggingFace 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。
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。
