美團最近開源了個視頻生成模型，名字叫——LongCat-Video。
其實之前我們已經認識“LongCat”了，但對於沒接觸過的朋友，第一次看到這個名字，可能以爲是個貓貓短劇模型，結果點開一看，發現是個13.6B參數的長視頻生成大模型。
不過呢，這隻“長貓”可不是美團單純整來拿來賣萌的（雖然名字在這一衆模型中算可愛的），而是和Sora、Veo、Seedance一類的視頻生成模型。
LongCat-Video最大的亮點在於“三合一”：
同一個模型，既能文生視頻（Text-to-Video），又能圖生視頻（Image-to-Video），還能視頻續寫（Video Continuation）。
簡單說，就是一個模型可以從一句話拍出短片，也可以從一張圖接着拍，還能把沒拍完的視頻接下去。
這在目前的開源模型裏算是一體化程度非常高的設計。
技術上，它是基於Diffusion Transformer架構，輸入上用“條件幀數量”區分任務：
0幀是文生視頻，1幀是圖生，多幀是續寫。
這個設計聽起來樸素，但實用得要命——因爲不用換模型。
美團直接做成了個通用視頻生成引擎，像是給自己未來的“世界模型”打地基。
LongCat-Video另一個關鍵點，是“能拍長片”。
團隊在預訓練階段就讓模型做“視頻續寫”，也就是教它從前幾幀猜後幾幀，反覆練到會拍分鐘級長視頻。
報告裏寫，它能穩定生成5分鐘級的連貫視頻，不漂色、不崩壞、不鬼畜。
對比現在市面上很多模型拍個30秒就開始抽風，這已經是“穩健型導演”了。
效率上，美團也下了功夫。
模型結合了塊稀疏注意力（Block Sparse Attention）和條件緩存機制，處理90多幀視頻時依然能保持流暢。
更狠的是，它支持“粗到細”生成——先拍個480p 15fps低清樣片，再升成720p 30fps高清版。
結果是：推理速度比基線快了10倍。
要知道，這個速度，已經可以讓生成視頻從“炫技”變成“能用”。
然後是訓練部分，美團的報告寫得相當“工業級”：
用多階段漸進式訓練，從低分辨率圖像到高清視頻，分階段訓練不同任務；
再用SFT精調，選高質量視頻篩數據；
最後還來了一套RLHF強化學習——用三個獎勵模型分別優化“畫質”“動作”“文本對齊”。
有點像電影學院三位導師分別管攝影、表演、劇本。
從結果看，美團這次是真的有備而來。
在內部測試中，LongCat-Video的文生視頻表現略優於PixVerse-V5、Wan2.2-T2V，但不如谷歌的Veo3；
圖生視頻則還沒打過Hailuo-02和Seedance 1.0。
不過它是MIT協議開源的，這點就很不一樣——能商用，也就是說，美團是來爲大家鋪路而不是刷論文充面子的。
那麼問題來了：美團要視頻生成模型幹嘛？
Sora要拍電影，Kling做短劇，Wan綜合選手，美團呢？
其實在他們的GitHub演示裏就已經可以看到：一堆商業宣傳風的視頻。
各種618大促、產品特寫展示視頻等，都是非常優質的材料，稍加修改直接拿來商用是完全沒問題的（當然，生成別的視頻也沒問題）。
你再想想美團本身的業務——團購、外賣、本地生活。
如果他們用LongCat做本地商戶視頻生成，那量會有多大？
“AI自動拍商家宣傳片”這件事，一下就變得合理了。
這或許是國內第一個明確走“綜合型商業視頻生成”路線的大廠模型。
不是拍藝術短片，也不是追求Sora那種物理擬真，而是直接奔着“能上架、能用、能賣”的方向去。
不妨我們大膽推想，他們後續可能會把它嵌進商家後臺，讓老闆輸入一句話就能生成宣傳視頻。
——從這個角度看，LongCat的“長”，可能不只是視頻長，而是產業鏈長。
AI視頻的戰場已經不只是模型能力的比拼，而是“誰能最快落地賺錢”。
Sora拍短片，Veo拍大片，Seedance拍MV，而美團可能要讓AI拍廣告。
這場戰爭，真有點意思。
更多遊戲資訊請關註：電玩幫遊戲資訊專區
電玩幫圖文攻略 www.vgover.com
