近日，美团LongCat团队发布并开源LongCat-Video视频生成模型，以统一模型在文生、图生视频基础任务上达到开源SOTA，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。

据研发团队介绍，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，原生支持三大核心任务：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，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。

此外，依托视频续写任务预训练，新模型可稳定输出5分钟级别的长视频，且无质量损失平。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，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。模型还结合块稀疏注意力（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。

针对高分辨率、高帧率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，视频推理速度提升至10.1倍，实现效率与质量的最优平衡。

研发团队表示，凭借精准重构真实世界运行状态的能力，LongCat模型将会融入自动驾驶、具身智能等深度交互业务场景中。