美团LongCat-Video：5分钟长视频生成，解锁AI“数字孪生”新可能

摘要：10月27日，美团LongCat团队抛出的开源视频生成模型LongCat-Video，给角逐激烈的AI视觉赛道带来了关键突破。136亿参数的精巧体量、Diffusion Transformer（DiT）架构的技术底座，再加上稳定输出5分钟长视频的核心能力，这款

10月27日，美团LongCat团队抛出的开源视频生成模型LongCat-Video，给角逐激烈的AI视觉赛道带来了关键突破。136亿参数的精巧体量、Diffusion Transformer（DiT）架构的技术底座，再加上稳定输出5分钟长视频的核心能力，这款模型不仅刷新了开源领域的性能标杆，更让AI在数字空间模拟真实世界的“世界模型”构想，迈出了坚实的一步。

要理解LongCat-Video的革新性，首先得看清视频生成领域的长期痛点。此前多数模型要么卡在“时长瓶颈”，生成十几秒就出现画质降解；要么栽在“逻辑断层”，人物动作突然断裂、物体位置莫名漂移。而LongCat-Video的核心解法，藏在“视频续写任务预训练”与架构创新的双重组合里。

作为基于DiT架构的统一基座模型，它创造性地通过“条件帧数量”实现任务区分：文生视频无需参考帧，图生视频输入1帧参考图，视频续写则依托多帧前序内容，天然形成“文生/图生/续写”的完整闭环。这种设计避免了传统多任务模型需额外适配的繁琐，就像一台能自动切换模式的精密仪器，既省心又高效。

5分钟长视频的稳定输出，是其最亮眼的技术标签。这背后离不开三大核心支撑：视频续写任务的原生预训练，让模型从一开始就理解“时序延续”的逻辑；Block-Causual Attention机制精准捕捉帧间关联，确保动作衔接自然；再加上GRPO后训练技术的优化，最终实现了无质量损失的长时序生成。要知道，即便是行业先进模型，此前也难以突破分钟级的连贯输出门槛，LongCat-Video的这一表现堪称开源领域的“顶尖水准”。

更关键的是，它解决了长视频生成的“合理性难题”。通过对物理规律、时空演化的深度建模，模型能有效规避色彩漂移、动作断裂等常见问题——让行走的人保持连贯步态，让飘落的树叶符合重力规律，这种对真实世界逻辑的还原能力，正是“世界模型”的核心要义。AI通过视频生成任务压缩几何、语义、物理等多维知识，得以在数字空间模拟甚至预演真实世界的运行，这也是LongCat-Video超越普通生成工具的本质价值。

开源策略与场景适配性，让这款模型的产业价值瞬间放大。在数字人领域，它能支撑虚拟主播完成5分钟连贯播报，避免中途动作僵硬；在具身智能场景，可为机器人生成长时序动作模拟，提前优化交互路径；而在世界模型构建中，其对真实场景的动态还原能力，能为AI提供理解世界的“视觉引擎”。对于开发者而言，无需从零搭建框架，就能直接基于开源模型开发各类长视频应用，大幅降低了技术门槛。