Meituan 正式进军 AI 视频生成领域，首秀便甩出一个 13.6B 的模型——长视频不褪色、不掉质，一上来就抓住眼球！🤣🔥 大厂搞 AI 视频，往往只发论文不放模型，或者放个阉割版。这次 Meituan 直接开源了完整的 13.6B LongCat-Video 模型，原生支持生成数分钟的长视频，全程画质与色彩稳如磐石。🙂👇

✅ 文生视频、图生视频、视频续写，全由一个模型搞定 ✅ 原生支持长视频，数分钟生成且无色彩漂移、无质量下降 ✅ 720p、30fps，几分钟即可出片 ✅ 权重采用 MIT 协议，可免费商用

🔗 https://github.com/meituan-longcat/LongCat-Video

如果你正在做长视频或 AI 视频生成，趁现在赶紧研究并收藏起来！不用再一段一段拼接长视频了！你用 AI 生成过的最长视频是多少秒？评论区聊聊吧 👇

#开源工具 #AI视频

meituan-longcat/LongCat-Video

来源：https://github.com/meituan-longcat/LongCat-Video

LongCat-Video

模型简介

我们推出 LongCat-Video，一个拥有 13.6B 参数的基础视频生成模型，在 文生视频、图生视频 和 视频续写 三类任务上均表现出色。它尤其擅长高效、高质量的长视频生成，是我们迈向世界模型的第一步。

核心特性

• 🌟 多任务统一架构：LongCat-Video 将 文生视频、图生视频 与 视频续写 任务统一到同一个视频生成框架中，单一模型即可原生支持全部任务，并在每一项任务上都保持出色表现。
• 🌟 长视频生成：LongCat-Video 在预训练阶段即针对 视频续写 任务进行原生训练，能够生成数分钟长度的视频而不会出现色彩漂移或质量退化。
• 🌟 高效推理：LongCat-Video 在时间轴和空间轴上采用由粗到细（coarse-to-fine）的生成策略，可在数分钟内生成 720p、30fps 的视频。Block Sparse Attention 进一步提升了推理效率，在高分辨率场景下尤为明显。
• 🌟 多奖励 RLHF 带来的强劲性能：借助多奖励分组相对策略优化（Group Relative Policy Optimization, GRPO），在内部及公开基准上的综合评测表明，LongCat-Video 的性能已可与领先的开源视频生成模型以及最新商用方案相媲美。

更多细节请参阅 LongCat-Video Technical Report (https://arxiv.org/abs/2510.22200)。

🥁 预告视频

🔥 最新动态

• 2026 年 5 月 21 日：🚀 我们发布了 LongCat-Video-Avatar-1.5 (https://meigen-ai.github.io/LongCat-Video-Avatar-1.5-Page/)，这是一个音频驱动数字人视频生成的升级版开源框架。v1.5 用 Whisper-Large 替换了 Wav2Vec2，以实现更精准的口型同步；通过鲁棒的长视频生成，达到可投产的物理合理性与时间稳定性；并可泛化到风格化领域（动漫、动物、复杂真实场景）；支持单流与多流音频输入；同时通过步骤蒸馏将推理加速至 8 步。 [代码 (https://github.com/meituan-longcat/LongCat-Video) | 🤗 权重 (https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5) | 项目主页 (https://meigen-ai.github.io/LongCat-Video-Avatar-1.5-Page/) ]
• 2025 年 12 月 16 日：🚀 我们很高兴地宣布发布 LongCat-Video-Avatar (https://meigen-ai.github.io/LongCat-Video-Avatar/)，这是一个能够生成富有表现力、高度动态的音频驱动角色动画的统一模型，原生支持 音频+文生视频、音频+图生视频 以及 视频续写 等任务，并兼容 单流 与 多流 两种音频输入方式。本次发布包含我们的 技术报告 (https://github.com/meituan-longcat/LongCat-Video)、推理代码 (https://github.com/meituan-longcat/LongCat-Video)、🤗 模型权重 (https://huggingface.co/meituan-longcat/LongCat-Video-Avatar) 以及 项目主页 (https://meigen-ai.github.io/LongCat-Video-Avatar/)。
• 2025 年 10 月 25 日：🚀 我们发布了 LongCat-Video，一个基础视频生成模型。技术报告与模型可在 LongCat-Video Technical Report (https://arxiv.org/abs/2510.22200) 和 🤗 Huggingface (https://huggingface.co/meituan-longcat/LongCat-Video) 中获取！

快速开始

安装

克隆仓库：

git clone --single-branch --branch main https://github.com/meituan-longcat/LongCat-Video
cd LongCat-Video

安装依赖：

# create conda environment
conda create -n longcat-video python=3.10
conda activate longcat-video

# install torch (configure according to your CUDA version)
pip install torch==2.6.0+cu124 torchvision==0.21.0+cu124 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu124

# install flash-attn-2
pip install ninja
pip install psutil
pip install packaging
pip install flash_attn==2.7.4.post1

# install other requirements
pip install -r requirements.txt

# install longcat-video-avatar requirements
conda install -c conda-forge librosa
conda install -c conda-forge ffmpeg
pip install -r requirements_avatar.txt

模型配置中默认启用 FlashAttention-2；安装完成后，你也可以修改模型配置（“./weights/LongCat-Video/dit/config.json”）来改用 FlashAttention-3 或 xformers。

模型下载

使用 huggingface-cli 下载模型：

pip install "huggingface_hub[cli]"
huggingface-cli download meituan-longcat/LongCat-Video --local-dir ./weights/LongCat-Video
huggingface-cli download meituan-longcat/LongCat-Video-Avatar --local-dir ./weights/LongCat-Video-Avatar
huggingface-cli download meituan-longcat/LongCat-Video-Avatar-1.5 --local-dir ./weights/LongCat-Video-Avatar-1.5

运行文生视频（Text-to-Video）

# Single-GPU inference
torchrun run_demo_text_to_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compile

# Multi-GPU inference
torchrun --nproc_per_node=2 run_demo_text_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video --enable_compile

运行图生视频（Image-to-Video）

# Single-GPU inference
torchrun run_demo_image_to_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compile

# Multi-GPU inference
torchrun --nproc_per_node=2 run_demo_image_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video --enable_compile

运行视频续写（Video-Continuation）

# Single-GPU inference
torchrun run_demo_video_continuation.py --checkpoint_dir=./weights/LongCat-Video --enable_compile

# Multi-GPU inference
torchrun --nproc_per_node=2 run_demo_video_continuation.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video --enable_compile

运行长视频生成（Long-Video Generation）

# Single-GPU inference
torchrun run_demo_long_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compile

# Multi-GPU inference
torchrun --nproc_per_node=2 run_demo_long_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video --enable_compile

运行交互式视频生成（Interactive Video Generation）

# Single-GPU inference
torchrun run_demo_interactive_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compile

# Multi-GPU inference
torchrun --nproc_per_node=2 run_demo_interactive_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video --enable_compile

运行 LongCat-Video-Avatar

💡 1.5 版使用提示

• 口型同步精度： Audio CFG 在 3–5 之间表现最佳。提高 Audio CFG 数值可获得更好的同步效果。
• 提示词增强： 更长、描述更丰富的提示词会带来比简短提示词更好的一致性与自然度。我们建议加入丰富的细节，例如角色外貌、动作与场景上下文（如 「一位留着黑色长发的年轻女性正说着话并微笑，身穿白色衬衫，坐在一家明亮的咖啡馆里」），以获得最佳效果。
• 缓解重复动作： 将参考图索引（--ref_img_index，默认为 10）设置在 0 到 24 之间可获得更好的一致性；设为 30 有助于减少重复动作。此外，增大掩码帧范围（--mask_frame_range，默认为 3）也能进一步帮助缓解重复动作，但数值过大可能会引入伪影。
• 超分辨率： 我们的模型兼容 480P 与 720P，可通过 --resolution 控制。
• 双音频模式： 合并模式（将 audio_type 设为 para）要求两段音频长度相等，最终音频为两段音频求和得到；拼接模式（将 audio_type 设为 add）不要求等长输入，最终音频由两段音频依次拼接而成，空隙处用静音填充，默认情况下 person1 先说话、person2 后说话。
• 模型版本： --model_type avatar-v1.0 使用 wav2vec2 音频编码器（默认）；--model_type avatar-v1.5 使用 Whisper-large-v3 音频编码器，可获得更好的口型同步质量。
• 蒸馏模式： 添加 --use_distill 以启用蒸馏采样（步数更少、推理更快）。使用 --model_type avatar-v1.5 时 必须 添加该参数。
• INT8 量化： 添加 --use_int8 可加载 INT8 量化后的 DiT 模型，以降低显存占用。仅支持与 --model_type avatar-v1.5 搭配使用。

💡 1.0 版使用提示

• 口型同步精度：Audio CFG 在 3–5 之间表现最佳。提高 Audio CFG 数值可获得更好的同步效果。
• 提示词增强：在提示词中加入清晰的言语动作提示（如 talking、speaking），可使口型运动更加自然。
• 缓解重复动作：将参考图索引（--ref_img_index，默认为 10）设置在 0 到 24 之间可获得更好的一致性，而选择其他范围（如 -10 或 30）则有助于减少重复动作。此外，增大掩码帧范围（--mask_frame_range，默认为 3）也能进一步帮助缓解重复动作，但数值过大可能会引入伪影。
• 超分辨率：我们的模型兼容 480P 与 720P，可通过 --resolution 控制。
• 双音频模式：合并模式（将 audio_type 设为 para）要求两段音频长度相等，最终音频为两段音频求和得到；拼接模式（将 audio_type 设为 add）不要求等长输入，最终音频由两段音频依次拼接而成，空隙处用静音填充，默认情况下 person1 先说话、person2 后说话。

LongCat-Video-Avatar-1.5

• 单音频视频生成（Single-Audio-to-Video Generation）

# Audio-Text-to-Video
torchrun --nproc_per_node=2 run_demo_avatar_single_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --stage_1=at2v --input_json=assets/avatar/single_example_1.json --use_distill --model_type avatar-v1.5 --use_int8

# Audio-Image-to-Video
torchrun --nproc_per_node=2 run_demo_avatar_single_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --stage_1=ai2v --input_json=assets/avatar/single_example_1.json --use_distill --model_type avatar-v1.5 --use_int8

# Audio-Text-to-Video and Video-Continuation
torchrun --nproc_per_node=2 run_demo_avatar_single_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --stage_1=at2v --input_json=assets/avatar/single_example_1.json --num_segments=5 --ref_img_index=10 --mask_frame_range=3 --use_distill --model_type avatar-v1.5 --use_int8

# Audio-Image-to-Video and Video-Continuation
torchrun --nproc_per_node=2 run_demo_avatar_single_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --stage_1=ai2v --input_json=assets/avatar/single_example_1.json --num_segments=5 --ref_img_index=10 --mask_frame_range=3 --use_distill --model_type avatar-v1.5 --use_int8

• 多音频视频生成（Multi-Audio-to-Video Generation）

# Audio-Image-to-Video
torchrun --nproc_per_node=2 run_demo_avatar_multi_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --input_json=assets/avatar/multi_example_1.json --use_distill --model_type avatar-v1.5 --use_int8

# Audio-Image-to-Video and Video-Continuation
torchrun --nproc_per_node=2 run_demo_avatar_multi_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --input_json=assets/avatar/multi_example_1.json --num_segments=5 --ref_img_index=10 --mask_frame_range=3 --use_distill --model_type avatar-v1.5 --use_int8

运行 Streamlit

# Single-GPU inference
streamlit run ./run_streamlit.py --server.fileWatcherType none --server.headless=false

评测结果

文生视频

文生视频（Text-to-Video）在我们内部基准上的 MOS 评测结果。

图生视频

图生视频（Image-to-Video）在我们内部基准上的 MOS 评测结果。

社区作品

欢迎社区投稿！欢迎提交 PR 或在 Issue 中告知我们，我们将把你的作品添加进来。

• CacheDiT (https://github.com/vipshop/cache-dit) 提供了对 LongCat-Video 的全量缓存加速（Fully Cache Acceleration）支持，结合 DBCache 与 TaylorSeer，在几乎无明显精度损失的情况下实现了接近 1.7 倍的加速。请访问其示例 (https://github.com/vipshop/cache-dit/blob/main/examples/pipeline/run_longcat_video.py) 了解详情。

许可协议

模型权重 以 MIT License 发布。对本仓库的任何贡献均按 MIT License 授权，另有声明除外。本协议不授予使用美团（Meituan）商标或专利的任何权利。完整许可文本请参见 LICENSE 文件。

使用注意事项

本模型并非针对所有可能的下游应用专门设计，也未进行全面评估。开发者应充分考虑大语言模型的已知局限性，包括