📌 项目地址：meituan-longcat/LongCat-Video | ⭐ 8,687 颗星 | 🔧 Python | 📜 未标注
项目地址：meituan-longcat/LongCat-Video | ⭐ 8,687 | Python
一个模型干三件事
LongCat-Video 是美团的视频生成基础模型，参数量 13.6B。它不区分任务：文生视频、图生视频、视频续写（Video-Continuation），加载同一个模型就能做，不需要为不同任务换不同的权重。
这里最值得展开的是视频续写。大部分视频模型只生成固定时长的片段，做长视频靠多段拼接，拼接处经常出现色彩漂移和画质下降。LongCat-Video 在预训练阶段就把续写作为训练目标，所以长视频能力是原生的。官方的说法是能生成分钟级长度的视频，且无色彩漂移、无质量衰减。这类说法通常要打折扣，但把续写放进预训练目标确实是不多见的做法，技术报告（arXiv:2510.22200）里有详细论证。
速度：几分钟出 720p 30fps
推理效率方面，官方数据是几分钟内生成 720p、30fps 的视频。支撑这个速度的是两个技术：一是时间和空间两个维度上的粗到细生成策略，先出低分辨率草稿再逐步细化；二是 Block Sparse Attention（块稀疏注意力），分辨率越高，这个优化的收益越大。
训练侧用的是多奖励 GRPO（Group Relative Policy Optimization），也就是带多个奖励信号的强化学习。官方在内部和公开基准上都做了评测，结论是性能可比肩主流开源模型和最新商业方案。这个结论的依据在技术报告里，信不信可以自己去验证。
真正的主线：Avatar 系列
如果只看 LongCat-Video 本体，它是一个不错的视频生成模型。但看更新时间线，这个仓库的野心更大：
2025 年 12 月 16 日，发布 LongCat-Video-Avatar，音频驱动的角色动画模型。支持 Audio-Text-to-Video、Audio-Text-Image-to-Video 和视频续写，音频输入兼容单流和多流（比如多个人同时说话的场景）。
2026 年 5 月 21 日，发布 Avatar-1.5，半年一次大版本，改动很实在：
- 音频编码器从 Wav2Vec2 换成 Whisper-Large，唇形同步更准
- 长视频生成达到官方所称的“可生产级”物理合理性和时序稳定性
- 泛化到动漫、动物、复杂真实场景
- 通过步数蒸馏，推理压缩到 8 步
Avatar-1.5 的权重在 Hugging Face 上开放：meituan-longcat/LongCat-Video-Avatar-1.5。半年两次大更新，每次都有具体的能力跃迁，这个迭代节奏在开源视频模型里算快的。
入口汇总
README 节选里没有给出安装命令和推理脚本，所以这里不写“怎么跑起来”，直接看官方文档更靠谱：
- 代码：github.com/meituan-longcat/LongCat-Video
- Avatar-1.5 权重：huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5
- Avatar-1.5 项目页：meigen-ai.github.io/LongCat-Video-Avatar-1.5-Page/
- 技术报告：arxiv.org/abs/2510.22200
下手前想清楚这几件事
显存。 13.6B 参数的模型，本地推理需要高端 GPU，具体需求以官方文档为准。
许可证。 README 节选里没写开源协议和商用条款，商用前必须去仓库确认，别默认能随便用。
内容风险。 音频驱动的人物视频生成天然涉及肖像问题。给真实人物配音配脸，素材授权和平台合规都是绕不开的坎。
版本。 这个项目更新很快，本文信息基于当前 README，实际使用以仓库最新 release 为准。