核心观点： 在人工智能迈向真正理解、预测和重构现实世界的道路上，“世界模型”（World Model）是下一代智能的核心引擎。美团 LongCat 团队发布的 LongCat-Video 视频生成模型，正是通过长视频生成任务，压缩和模拟物理规律、时空演化等知识，为构建世界模型奠定了关键基础。

一、 核心定位与能力

LongCat-Video 不仅是一个高性能的视频生成模型，更是美团探索世界模型的第一步。它旨在通过精准重构真实世界的运行状态，支持未来的自动驾驶、具身智能等深度交互业务场景。

• 世界模型引擎： 赋予 AI “看见”世界运行本质的能力，通过视频生成任务来模拟、推演真实世界的运行逻辑。

• 长视频连贯生成： 凭借原生视频续写任务的预训练，实现 分钟级长视频连贯输出，从根本上保障跨帧时序一致性和物理运动合理性。

二、 技术亮点：三大创新与效率飞跃

LongCat-Video 凭借其统一的模型架构和多重优化策略，在性能和效率上达到了行业顶尖水平。

1. 统一模型架构：多任务一体化视频基座

基于 Diffusion Transformer（DiT）架构，LongCat-Video 创新性地通过**“条件帧数量”**实现任务区分，形成“文生 / 图生 / 视频续写”的完整任务闭环，无需额外模型适配：

• 文生视频： 无条件帧输入，可生成 720p、30fps 高清视频，语义理解和视觉呈现能力达开源 SOTA 级别。

• 图生视频： 输入 1 帧参考图，严格保留主体属性和风格，动态过程自然且符合物理规律。

• 视频续写（核心差异化能力）： 依托多帧前序内容续接视频，为长视频生成提供原生技术支撑。

2. 长视频生成：原生支持 5 分钟级连贯输出

LongCat-Video 稳定输出 5 分钟级别的长视频且无质量损失，处于行业顶尖水平。通过 视频续写预训练、Block-Causual Attention 机制和 GRPO 后训练，有效规避了色彩漂移、画质降解、动作断裂等长视频生成的行业痛点。

• 效率突破： 结合块稀疏注意力（BSA）与条件 token 缓存机制，打破了长视频生成中“时长与质量不可兼得”的瓶颈。

   " >

3. 高效推理：三重优化，速度提升 10.1 倍

针对高分辨率、高帧率视频的计算瓶颈，模型通过“二阶段生成 + 稀疏注意力 + 模型蒸馏”三重优化，将视频推理速度提升至 10.1 倍：

• 二阶段粗到精生成（C2F）： 先生成低分辨率视频，再经 LoRA 超分至 720p、30fps，兼顾降本提效与画面细节。

• 块稀疏注意力（BSA）： 将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。

• 模型蒸馏优化： 结合 CFG 与一致性模型（CM）蒸馏，将采样步骤从 50 步减少至 16 步。

三、 模型性能：开源 SOTA 级综合表现

LongCat-Video 是一款拥有 136 亿参数的视频生成基座模型，在内部与公开基准测试中，其综合能力已跻身开源领域 SOTA（State-of-the-Art）级别。

• 在文生视频、图生视频两大核心任务中，综合性能表现优秀。

• 在文本对齐度、运动连贯性等关键指标上展现出显著优势，并于 VBench 等公开基准测试中整体表现优异。