一支以外卖闻名的团队，悄然在AI视频生成赛道投下了一颗“重磅炸弹”。

10月27日，美团LongCat团队正式发布并开源了LongCat-Video视频生成模型。该模型基于Diffusion Transformer（DiT）架构，原生支持文本生成视频、图像生成视频及视频续写三大任务。

最令人瞩目的是，LongCat-Video可稳定生成5分钟级别的高清长视频，生成内容达到720p/30fps的高清标准。

这意味着AI视频生成从短暂的几秒、几十秒片段，正式迈入了“长视频”时代。

01 三项核心能力

LongCat-Video采用以“条件帧数量”区分任务的方式，无需额外模型改造即可覆盖三类核心任务。

文本生成视频任务不输入条件帧，模型能够生成720p、30fps的高清视频，并对文本指令进行精准解析与视觉呈现。

图像生成视频功能则输入1帧参考图，严格保留原图像特征的同时确保动态过程符合物理规律。

视频续写功能依托多帧前序内容，使模型能够像“故事接龙大师”般延续视频叙事，为长视频生成提供关键技术支撑。

02 技术突破

面对长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”三重优化策略。

这一组合拳将视频推理速度提升至基线的10.1倍。

模型在处理93帧及以上序列时，结合块稀疏注意力与条件token缓存机制，有效降低了长序列推理冗余。

团队在预训练阶段就引入原生视频续写任务，使模型能稳定生成分钟级长视频，并针对性优化跨帧时序一致性与物理运动合理性。

03 性能表现

LongCat-Video的136亿参数基座模型在文生视频、图生视频两大核心任务中达到开源SOTA（最先进水平）。

在公开基准测试中，LongCat-Video表现优异。在文本对齐与运动连贯等关键指标上表现突出。

评测覆盖文本对齐、图像对齐、视觉质量、运动质量与整体质量等多维度。

模型在VBench等测试中取得较好成绩，表明其综合能力在开源范围内处于领先地位。

04 开源生态与应用前景

LongCat团队已将相关代码与模型在GitHub、Hugging Face等平台开源，供开发者自由使用。

这一举措将加速视频生成技术的普及与创新。

美团将此次发布定位为其探索“世界模型”方向的第一步。

未来，凭借精准重构真实世界运行状态的能力，LongCat模型将融入美团持续投入的自动驾驶、具身智能等深度交互业务场景。

团队认为，这对于连接“比特世界”和“原子世界”具有重要技术基础意义。

从外卖战场到AI前沿，美团的这次技术突袭展示了其科技转型的决心。

随着LongCat-Video的开源，视频生成技术将从实验室快速走向产业应用，为自动驾驶、具身智能提供模拟环境。

AI不仅学会了“说话”，正在开始理解世界如何运转。