苹果因应用商店追踪政策被意大利罚款9800万欧元
12月22日消息，据欧洲新闻网报道，意大利竞争管理局对苹果公司、苹果分销国际公司和苹果意大利公司处以 9800 万欧元的罚款，原因...
文章目录
[+]
编辑 | 心缘
智东西10月27日报道，10月25日，美团开源了其首款视频生成大模型——LongCat-Video。该模型面向多任务视频生成场景，旨在以统一架构支持文生视频、图生视频以及视频续写三种能力。
不同于以往针对单一任务训练的模型，LongCat-Video通过多任务联合训练机制，在同一框架内即可处理零帧、单帧及多帧条件输入。
此外，LongCat-Video重点突破了长视频生成难题，原生支持输出5分钟级别的视频。相比常见模型在长时序生成中易出现的画面漂移、色彩偏移等问题，该模型通过在视频续写任务上的原生预训练，保持了较高的时间一致性与视觉稳定性。
在推理效率方面，LongCat-Video借鉴了近年来的高效生成方法，采用“粗到细”两阶段生成策略：先生成480p、15fps的视频，再细化至720p、30fps，并结合块稀疏注意力机制和模型蒸馏，显著降低了高分辨率生成的计算开销，视频生成的推理速度提升到原来的10.1倍，提速幅度超900%。
在后训练阶段，团队引入多奖励强化学习（RLHF）优化方案，利用组相对策略优化（GRPO）方法综合多维度奖励信号，进一步提升模型在多样化任务下的表现。
美团已在多项公开与内部测评中将LongCat-Video与其他视频生成大模型进行了比较。在VBench公开基准测试中，LongCat-Video总得分仅次于Veo3和Vidu Q1。值得注意的是，LongCat-Video在“常识理解”一项中以70.94%的得分位居所有开源模型第一，也超过了Veo3、Seedance 1.0 Pro、Vidu Q1、Kling 1.6、Sora等闭源模型。
目前，美团LongCat-Video已同步开放代码、模型权重及关键模块，模型技术报告也已经发布。
项目主页：
https://meituan-longcat.github.io/LongCat-Video/
模型地址：
https://huggingface.co/meituan-longcat/LongCat-Video技术报告：
https://github.com/meituan-longcat/LongCat-Video/blob/main/longcatvideo_tech_report.pdf01 . 三步走打造高质量训练数据 整体压缩率高达4×16×16倍
在模型架构层面，LongCat-Video采用了基于Diffusion Transformer（扩散Transformer）的单流三维结构，这一设计融合了扩散模型的生成能力与Transformer的长时序建模优势。
每个Transformer模块都包含三维自注意力层、跨模态注意力层以及带SwiGLU激活的前馈网络，并通过RMSNorm与QKNorm保证训练稳定性。
模型使用了3D RoPE位置编码来捕捉时间与空间的信息关系，同时引入AdaLN-Zero机制以提升任务间的调制能力。
在输入数据层面，美团团队借助WAN2.1模型的VAE将视频像素压缩成潜空间token，使视频数据能以更紧凑的形式参与建模，整体压缩率高达4×16×16倍；文本输入则由umT5多语言编码器处理，支持中英文双语，进一步提升了模型的通用性。
02 . 靠“统一任务框架”一次训出三种能力 稀疏注意力让推理效率猛增超900%
在训练LongCat-Video的过程中，美团LongCat团队在任务设计上进行了创新，这也是LongCat-Video能在单一模型内统一文生视频、图生视频和续写视频三类任务的原因。
美团LongCat团队没有为不同的视频生成任务单独设计模型，而是通过“统一任务框架”让三种任务共用同一套网络。模型通过识别输入中“条件帧”的数量自动判断任务类型：当输入为零帧时执行文本生成视频，一帧时执行图像生成视频，多帧时则执行视频续写。
这种机制不仅大幅降低了模型复杂度，也让不同任务之间共享特征空间与训练经验，从而提升整体表现。
为进一步提高长视频生成的效率，模型在注意力机制上设计了可缓存的键值特征，使条件帧的表示可以在采样过程中重复使用，减少了冗余计算。这种机制尤其适合长视频生成，因为它能在保持一致性的同时显著降低计算开销。
强化学习部分是LongCat-Video提升生成质量的关键环节。美团团队基于组相对策略优化方法进行了多重改进，使其适配视频扩散任务。传统的GRPO在视频生成中容易出现奖励信号不稳定和时间归因模糊的问题，团队通过固定随机时间步、引入再加权损失函数以及最大标准差归一化机制，有效解决了这些训练瓶颈。
▲LongCat-Video采用的GRPO方法与基线的生成效果对比
在奖励模型设计上，LongCat-Video采用了三重奖励体系，分别评估视频的视觉质量、运动质量和文本一致性。视觉质量由HPSv3模型打分，衡量画面美感与细节；运动质量通过VideoAlign模型评估，确保动作自然流畅；文本一致性则检验生成视频与输入提示语的语义契合度。
这种多维度的奖励设计让模型在强化学习阶段能够平衡地提升表现，避免过度优化单一指标而导致画面僵化或运动失真。
在高效推理方面，LongCat-Video通过一系列工程创新显著提升了生成速度与分辨率。团队采用“粗到细”的生成策略，先快速生成低分辨率、低帧率的视频，再由LoRA微调的精化模块进行高清复原，最终可输出720p、30帧的成片。
与此同时，LongCat-Video引入块稀疏注意力（Block Sparse Attention）机制，仅计算最相关的10%注意力块，将计算成本降至传统方法的十分之一，几乎不损失生成质量。
这些优化使得LongCat-Video在单卡H800 GPU上几分钟内即可生成一分钟长的视频。再结合一致性模型蒸馏与分类器自由引导（CFG）蒸馏技术，采样步数从传统的50步缩减至16步，推理效率提升至原来的10倍。
▲LongCat-Video在不同设置上的推理速度对比
03 . 多领域测评比肩Veo3 常识理解能力突出
在运动质量方面，LongCat-Video生成的视频动作流畅、镜头移动自然，展现出较强的物理合理性。在文本对齐度上，LongCat-Video表现略差于Veo3。
在图生视频任务中，LongCat-Video画面细节丰富、风格真实，但在图像一致性和动作连贯性上仍有改进空间。技术报告认为，模型在处理高精度参考帧时对细节的保持较为谨慎，这在视觉质量上带来加分，却略微影响了动态平滑度。
在公开评测平台VBench 2.0上，LongCat-Video在“常识理解”一项中以70.94%的得分位居所有开源模型第一，总分达到62.11%，仅次于谷歌Veo 3与生数Vidu Q1等商用闭源模型。
04 . 结语：美团探索世界模型 或与机器人、无人车业务产生协同效应
未来，美团计划在视频生成中更好地建模物理知识，集成多模态记忆，融入大语言模型（LLM）和多模态大模型（MLLM）的知识。在美团分享的演示视频中，LongCat-Video能较为准确地输出机器人操作、汽车驾驶等画面，这或许预示着这款模型，有望与美团在机器人、自动驾驶（无人车）领域的业务布局产生一定的协同效应。（智东西）
你可能想看：
