美团开源 LongCat-Video：13.6B 参数一把梭，T2V/I2V/视频续写三种任务共用一个模型

美团开源 LongCat-Video：13.6B 参数一把梭，T2V/I2V/视频续写三种任务共用一个模型

研究对象：meituan-longcat/LongCat-Video

抓取日期：2026-10-03 ｜ 当日 stars：43

许可证：MIT ｜ 语言：Python

一个模型，三种任务，一个架构

视频生成领域有个老问题：Text-to-Video（文生视频）、Image-to-Video（图生视频）、Video-Continuation（视频续写）这三种任务，过去往往要用三个不同模型，或者一个模型三套权重。训练时各管各的，推理时来回切换，工程成本极高。

LongCat-Video 的第一个卖点是：一个模型原生支持三种任务，不需要任务特定的微调，不需要切换权重。你给它一段文字，它生成视频；你给它一张图加一段文字，它从图开始生成视频；你给它一段视频，它接着往下续写。

这听起来像是个工程优化，但它背后的含义是——模型在预训练阶段就把"视频的时空连续性"作为底层语法学会了，而不是通过后期的任务适配硬凑出来。

长视频生成的"色彩漂移"问题

大多数视频生成模型都有一个通病：视频一长，颜色就开始漂。第 5 秒还正常的画面，到第 30 秒可能整个色调都变了，像被蒙了一层滤镜。这是因为模型在逐帧生成时，没有全局的色彩一致性约束。

LongCat-Video 的解法是在预训练阶段就加入 Video-Continuation 任务。所谓 Video-Continuation，就是给模型一段视频的前 N 秒，让它续写后 M 秒。这个任务强制模型学会"从已有视频帧继承视觉特征"，而不是每一段都从头生成。

结果就是：模型能生成分钟级的长视频，且不会出现色彩漂移或质量退化。这听起来是个小细节，但在实际应用中，"能不能生成 1 分钟以上的视频"和"能不能生成 10 秒以上的视频"是两个完全不同的应用场景。

Block Sparse Attention：长视频推理的算力瓶颈解法

长视频生成的最大障碍不是模型能力，而是算力。一段 720p、30fps、1 分钟的视频有 1800 帧。如果用标准的 Dense Attention，每帧都要和所有其他帧算注意力，计算量是 O(N²) 级别的。720p 长视频根本跑不动。

LongCat-Video 用了一个叫 Block Sparse Attention 的技术。核心思路是：把视频帧分成块，块内用 Dense Attention，块间用 Sparse Attention（只关注关键帧）。这样计算量从 O(N²) 降到接近 O(N·log N)。

配合 coarse-to-fine 生成策略（先低分辨率生成整体，再高分辨率精修），LongCat-Video 能在分钟级别的时间内生成 720p 30fps 的视频。这个"分钟"是推理时间，不是视频长度——也就是说，你等几分钟就能拿到一段可用的长视频。

多奖励 GRPO：让模型学会"人类觉得好看"

视频生成模型最尴尬的处境是：客观指标（PSNR、SSIM）很高，但人类看了觉得"不对劲"。这是因为客观指标测的是像素级相似度，而人类判断视频好坏用的是多维度的主观感受——画面美感、动作流畅度、语义一致性、物理合理性。

LongCat-Video 用了 多奖励 GRPO（Group Relative Policy Optimization） 来对齐人类偏好。GRPO 的核心思路是：

1. 生成一组视频候选（group） 2. 用多个奖励模型分别打分（美感、动作一致性、语义匹配等） 3. 在组内做相对排序（relative policy），而不是绝对打分 4. 用排序信号更新策略

这比传统的 PPO 更稳定，因为相对排序消除了奖励尺度差异的问题。多个奖励模型的组合也避免了"优化单一指标导致其他维度退化"的陷阱。

13.6B 参数：一个值得注意的规模选择

LongCat-Video 的参数量是 13.6B。这个数字值得玩味。

当前视频生成模型的参数规模两极分化：小的 1-3B（如一些轻量级 T2V 模型），大的 30B+（如一些旗舰模型）。13.6B 是一个中间选择——大到能支撑多任务统一架构和长视频生成，小到能在合理的 GPU 配置下推理。

美团的选型逻辑可能是：视频生成模型的商用瓶颈不在模型能力，而在推理成本。一个 30B 的模型即使效果更好，但如果推理一次要等 30 分钟，普通用户根本用不起。13.6B 是一个"效果够用、推理可负担"的平衡点。

美团为什么做视频生成模型？

美团做视频生成模型乍看有点跨界。但仔细想想，美团的核心业务——本地生活服务、餐饮、零售——都需要大量的视觉内容：菜品展示、店铺环境、商品演示、广告素材。这些场景对视频内容的需求量极大，但传统视频制作成本高、周期长。

一个能在分钟级生成 720p 长视频的模型，对美团这样的平台来说，意味着：商家可以用文字描述生成菜品展示视频，运营团队可以批量生成广告素材，用户评价可以从文字升级到短视频。

这和 OpenAI 做 Sora 的逻辑不同——Sora 是通用视频生成平台，LongCat-Video 更像是为本地生活场景定制的视频生成基础设施。美团的 Technical Report 里提到"first step toward world models"（迈向世界模型的第一步），暗示后续会有更宏大的规划。

开源的意义

LongCat-Video 的开源（MIT 协议）对行业有几个影响：

1. 视频生成模型的工程门槛降低。Block Sparse Attention、多奖励 GRPO 这些技术从论文变成了可运行的代码。 2. 国产视频生成模型多了一个选择。在 Sora 不开源、Stable Video Diffusion 效果有限的情况下，LongCat-Video 是一个 13.6B 参数、可商用、效果接近商业方案的开源选项。 3. 长视频生成的可行性验证。之前开源模型大多只能生成 5-10 秒视频，LongCat-Video 证明了分钟级长视频在开源社区也能做到。

一个被低估的细节：Video-Continuation 作为预训练任务

大多数视频生成模型的预训练任务是 T2V 或 I2V，LongCat-Video 把 Video-Continuation 也作为预训练任务（不是后期微调）。这个选择的意义是：

• T2V 教模型"从文字想象画面"
• I2V 教模型"从静态画面想象运动"
• Video-Continuation 教模型"从已有视频理解时空规律"

美团把 Video-Continuation 放到预训练阶段，等于在模型的底层语法里就植入了"时空连续性"的概念。这也是为什么 LongCat-Video 能生成长视频而不漂色——它不是在"生成"长视频，而是在"续写"长视频。

仓库地址：https://github.com/meituan-longcat/LongCat-Video 技术报告：见仓库 README 中的 Technical Report 链接 模型权重：HuggingFace 上可获取

每日 GitHub Trending 深度研究 · 第 83 篇