Meituans LongCat-Video Lanseras som Öppen Källkod

Det kinesiska teknikföretaget Meituan har släppt LongCat-Video som öppen källkod under en MIT-licens, vilket tillåter fri användning och modifiering.

Modellen kan producera video från olika ingångar, inklusive textbeskrivningar, bilder och genom att fortsätta befintliga videor. En framstående funktion är dess förmåga att generera videor som är flera minuter långa, en utmaning som många tidigare öppen källkodsmodeller kämpat med.

LongCat-Video bygger på en tät Transformer-arkitektur med 13,6 miljarder parametrar. Den stöder uppgifter som text-till-video (T2V), bild-till-video (I2V) och videoförlängning inom en enhetlig ram. Särskilt dess förmåga att fortsätta videor har fått beröm, då den undviker vanliga kvalitetsproblem som färgskiftningar och inkonsekvent rörelse.

Modellens effektivitet bygger på en Block Sparse Attention-mekanism, vilket möjliggör skapandet av längre videor utan oproportionerligt höga beräkningskostnader. Meituans beslut att släppa modellen öppet syftar till att främja community-driven utveckling och innovation inom videogenerering, vilket positionerar den som en konkurrent till andra öppna och proprietära modeller.

Modellen finns tillgänglig på GitHub och Hugging Face, och dess tekniska rapport har också publicerats.