LongCat-Video
データセット・モデルmeituan-longcat/LongCat-Video
美团 13.6B 動画生成基盤モデルは、テキストからの動画生成と長時間動画生成をサポートする。
概要
LongCat-Video は、美团がオープンソース化した 13.6B の動画生成基盤モデルであり、単一のアーキテクチャでテキストから動画生成、画像から動画生成、動画継続生成の各タスクを統一的にサポートします。粗から細への生成戦略とブロックスパースアテンションにより、色ドリフトのない数分間にわたる高品質な動画を効率的に生成でき、複数報酬 GRPO 強化学習による最適化を採用しています。また、Avatar バージョンでは音声駆動によるデジタルヒューマンアニメーション生成もサポートしています。
README プレビュー
# LongCat-Video\n\n\n \n\n\n\n\n\n \n \n \n \n\n\n \n \n \n \n \n\n\n \n \n \n \n\n \n\n\n## Model Introduction\nWe introduce LongCat-Video, a foundational video generation model with 13.6B parameters, delivering strong performance across *Text-to-Video*, *Image-to-Video*, and *Video-Continuation* generation tasks. It particularly excels in efficient and high-quality long video generation, representing our first step toward world models.\n\n### Key Features\n- 🌟 **Unified architecture for multiple tasks**: LongCat-Video unifies *Text-to-Video*, *Image-to-Video*, and *Video-Continuation* tasks within a single video generation framework. It natively supports all these tasks with a single model and consistently delivers strong performance across each individual task.\n- 🌟 **Long video generation**: LongCat-Video is natively pretrained on *Video-Continuation* tasks, enabling it to produce minutes-long videos without color drifting or quality degradation.\n- 🌟 **Efficient inference**: LongCat-Video generates $720p$, $30fps$ videos within minutes by employing a coarse-to-fine generation strategy along both the temporal and spatial axes. Block Sparse Attention further enhances efficiency, particularly at high resolutions\n- 🌟 **Strong performance with multi-reward RLHF**: Powered by multi-reward Group Relative Policy Optimization (GRPO), comprehensive evaluations on both internal and public benchmarks demonstrate that LongCat-Video achieves performance comparable to leading open-source video generation models as well as the latest commercial solutions.\n\nFor more detail, please refer to the comprehensive [***LongCat-Video Technical Report***](https://arxiv.org/abs/2510.22200).\n\n## 🎥 Teaser Video\n\n\n \n\n\n## 🔥 Latest News!!\n- May 21, 2026: 🚀 We release [***LongCat-Video-Avatar-1.5***](https://meigen-ai.github.io/LongCat-Video-Avatar-1.5-Page/), an upgraded open-source framework for audio-driven human video generation. v1.5 replaces Wav2Vec2
FAQ (1)
ハウツーLongCat-Video-Avatar 1.5 ベースモデルには GRPO 学習が含まれていますか？また、非 DMD ベースライン推論はどのように実行しますか？
ハウツー
LongCat-Video-Avatar 1.5 ベースモデルには GRPO 学習が含まれていますか？また、非 DMD ベースライン推論はどのように実行しますか？はい。公開されている base_model と base_model_int8 の重みは、GRPO（RLHF）トレーニング段階をすでに含んだマージ済みチェックポイントです。lora/dmd_lora.safetensors ファイルは、*非GRPO* のベースバージョンで学習されたDMD2加速アダプターにすぎず、GRPOによる品質向上ではなく、ステップ蒸留を提供するものです。
v1.5の非DMDベースライン品質を評価するには、--use_distill を付けずに avatar-v1.5 を実行し、デフォルトのスケジューラ/設定で推論ステップ数を40に設定してください。--use_distill（DMD）を使用する場合は8ステップで十分であり、メンテナーによると、DMD蒸留のセットアップは非蒸留ベースラインよりも優れた安定性が得られます。