Meituanin LongCat-Video Avoin Lähdekoodimalli Käyttöönotossa

Kiinalainen teknologiayhtiö Meituan on julkaissut LongCat-Video-mallin avoimena lähdekoodina MIT-lisenssillä, mikä mahdollistaa sen vapaan käytön ja muokkaamisen.

Malli kykenee tuottamaan videoita useista eri syötteistä, kuten teksti-kehotteista, kuvista ja jatkamalla olemassa olevia videoita. Sen erikoisuutena on kyky luoda minuuttien pituisia videoita, mikä on ollut haaste monille aiemmille avoimen lähdekoodin malleille.

LongCat-Video perustuu 13,6 miljardin parametrin tiheään Transformer-arkkitehtuuriin. Se tukee tekstistä videoon (T2V), kuvasta videoon (I2V) ja videon jatkamis-toimintoja yhtenäisessä kehyksessä. Erityisesti sen kyky jatkaa videoita on kehuttu, sillä se välttää tyypillisiä laatuongelmia, kuten värivirheitä ja liikeepidin epäjohdonmukaisuutta.

Mallin tehokkuus perustuu Block Sparse Attention -mekanismiin, joka mahdollistaa pidempien videoiden luomisen ilman kohtuutonta laskentatehon tarvetta. Meituanin päätös julkaista malli avoimesti pyrkii edistämään yhteisön kehitystä ja innovaatioita videon generoinnin alalla, asettaen sen kilpailukykyiseksi muiden avointen ja suljettujen mallien kanssa.

Malli on saatavilla GitHubissa ja Hugging Facessa, ja sen tekninen raportti on myös julkaistu.