总览 / 实体 / LongCat-Image
↗ 源 Markdown
实体
model architecture training open-source multimodal
创建2026-05-01
更新2026-05-01
阅读量级2 分钟
来源2512.07584
实体导读

美团 LongCat 团队发布的开源双语图像生成基础模型（arXiv 2512.07584，2025-12）。6B 参数，专攻中英双语文字渲染、照片级真实感和高效部署，性能优于 20B+ 的 MoE 架构模型。

  1. 一、核心参数
  2. 二、架构设计
  3. 混合架构
  4. 设计理念
  5. 三、训练策略
  6. 数据管线系统优化
  7. 多阶段训练
  8. AIGC 检测奖励模型

LongCat-Image

美团 LongCat 团队发布的开源双语图像生成基础模型（arXiv 2512.07584，2025-12）。6B 参数，专攻中英双语文字渲染、照片级真实感和高效部署，性能优于 20B+ 的 MoE 架构模型。

一、核心参数

参数 值
总参数量 6B（核心扩散模型）
语言 中英双语
架构 MM-DiT + Single-DiT 混合（继承 Flux1.dev）
文本编码器 Qwen2.5VL-7B
支持任务 文生图、图像编辑

二、架构设计

混合架构

  • MM-DiT + Single-DiT 混合结构：继承 Flux1.dev 的设计哲学
  • Qwen2.5VL-7B 文本编码器：为生成和编辑任务提供统一的强大条件空间
  • 6B 参数规模，远小于常见的 20B+ MoE 架构

设计理念

LongCat 团队的设计哲学："构建高效且强大的模型"。不盲目追求参数规模，而是在 SOTA 性能和效率之间取得最优平衡。

三、训练策略

数据管线系统优化

AIGC 污染防控： - 预训练和中期训练阶段严格排除所有 AIGC 数据 - 少量 AIGC 数据会导致模型过早收敛到狭窄局部最优 - SFT 阶段引入的高质量合成数据经过人工精筛

多阶段训练

  1. 预训练：大规模图像-文本对
  2. 中期训练：高质量数据
  3. SFT：监督微调
  4. RL：使用精心策划的奖励模型

AIGC 检测奖励模型

RL 阶段创新性地将 AIGC 检测模型作为奖励模型之一： - 使用对抗信号引导模型生成具有真实物理世界纹理和保真度的图像 - 有效防止模型生成"AI 感"过强的图像

四、关键能力

1. 中文文字渲染（行业新标准）

  • 支持复杂和生僻汉字
  • 覆盖度超越主要开源和商业方案
  • 渲染精度领先

2. 照片级真实感

  • 严格的数据筛选 + AIGC 检测奖励模型
  • 显著提升美学质量

3. 高效部署

  • 紧凑的 6B 参数设计
  • 最小化 VRAM 占用
  • 快速推理，显著降低部署成本

4. 图像编辑

  • 在标准 benchmark 上达到 SOTA
  • 编辑一致性优于其他开源方案

五、评测表现

Benchmark 表现
GenEval 量化评估领先
DPG 密集复杂提示语义对齐优异
照片级真实感 显著提升
编辑一致性 开源 SOTA

六、开源生态

最全面的开源生态： - 多个模型版本（文生图、图像编辑） - 中期训练和训练后检查点 - 完整训练工具链开源

  • HuggingFace：https://huggingface.co/meituan-longcat/LongCat-Image
  • GitHub：https://github.com/meituan-longcat/LongCat-Image

七、相关页面