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

实体导读

美团 LongCat 团队发布的开源视频生成基础模型（arXiv 2510.22200，2025-10）。13.6B 参数，基于 DiT 框架，支持文生视频、图生视频、视频续写，通过多奖励 RLHF 达到 SOTA 水平。

LongCat-Video

美团 LongCat 团队发布的开源视频生成基础模型（arXiv 2510.22200，2025-10）。13.6B 参数，基于 DiT 框架，支持文生视频、图生视频、视频续写，通过多奖励 RLHF 达到 SOTA 水平。

一、核心参数

参数	值
总参数量	13.6B
架构	Diffusion Transformer (DiT) + Block Sparse Attention
支持任务	Text-to-Video、Image-to-Video、Video-Continuation
长视频	支持分钟级长视频生成，保持时间连贯性
推理速度	720p、30fps 视频在分钟内生成

单个模型统一支持三种任务，通过条件帧数量区分： - Text-to-Video：0 帧条件 - Image-to-Video：1 帧条件 - Video-Continuation：多帧条件

核心效率创新： - 3D 块重排：将时空注意力组织为 3D 块 - 块选择掩码：基于内容的块级稀疏注意力 - Ring Block Sparse Attention：支持上下文并行的环形稀疏注意力 - 在高分辨率下显著提升效率

沿时间和空间轴的粗到细（Coarse-to-Fine）生成： - 先生成低分辨率/低帧率草稿 - 逐步细化到目标分辨率 - 平衡生成质量与推理速度

使用多个奖励模型联合优化： - 视频质量奖励：视觉质量评估 - 文本对齐奖励：生成内容与提示词的对齐度 - 运动流畅度奖励：时间连贯性和运动自然度

效果：多奖励 RLHF 使模型达到与最新闭源和领先开源模型相当的性能。