在长视频生成任务中,角色特征漂移、画面颜色失真以及动作连贯性断裂一直是困扰创作者的核心痛点。美团 LongCat 团队开源的 13.6B 参数视频生成基础模型 LongCat-Video,通过将“视频续写”作为原生预训练任务,从底层架构上为长视频生成提供了一条新的技术路径。该模型采用 MIT 许可证发布,统一架构原生支持文生视频、图生视频和视频续写任务。其核心优势在于,模型原生预训练了视频续写能力,能够生成数分钟长的视频而不出现明显的颜色漂移或质量下降,并支持 720p、30fps 的高清输出。
LongCat-Video 能够实现长时段的高质量生成,得益于其底层的推理效率优化。面对 13.6B 的庞大参数量,模型采用了由粗到细的时空生成策略,结合 Block Sparse Attention 机制。这种设计使得模型在生成高分辨率视频时,能够有效降低计算复杂度,从而在保持长序列视频角色一致性和画面稳定性的同时,实现相对高效的推理。这种原生续写能力,使其在长视频生成和角色一致性维持上具备了底层架构优势。
01本地部署的硬件门槛与工程取舍
对于具备高配 GPU 资源且需要深度定制模型的企业技术团队,本地部署是掌握数据隐私和模型控制权的必然选择。然而,13.6B 参数的 dense 架构决定了其本地部署的硬件门槛极高。根据基于 LongCat-Video-Avatar 衍生版本的实测数据,在单张 40GB 显存的 GPU(如 A800)上,必须使用 INT8 量化与 8-step 蒸馏配置才能勉强运行。即便在如此严苛的优化下,生成一段 82 秒的视频仍需耗时近 1 小时。虽然该实测基于衍生版本,但基座模型的显存需求基本一致。这意味着,本地部署不仅依赖昂贵的企业级算力资源,还伴随着极高的算力时间成本,完全不适合消费级显卡或无专业算力维护能力的中小团队。
02第三方托管的工作流边界与成本预期
对于缺乏企业级算力资源的个人创作者或中小团队,第三方独立工作台提供了浏览器端免安装的替代方案,以直接的算力计费换取环境维护成本。在托管服务下生成长视频,其实际工作流具有明确的边界。起点是用户在浏览器端输入文本提示词或上传参考图片;关键步骤是系统单次最多生成 961 帧(720p/30fps 约 32 秒)的视频片段,若需更长内容,用户必须手动提取当前片段的最后一帧,将其作为新任务的输入,再次发起图生视频请求进行分次拼接;最终的可观察结果是获得多段独立的短视频,需要用户在外部剪辑软件中完成最终的无缝拼接。这种工作流表明,尽管 LongCat-Video 底层支持无缝续写,但当前的第三方托管应用层并未实现全自动化长视频生成,创作者仍需承担较高的人工干预与拼接成本。
在成本方面,第三方托管工作台采用积分计费模式,无需订阅。480p 测试消耗 150 积分,720p 单次生成消耗 300 积分。这种定价策略为缺乏本地算力的用户提供了明确的成本预期。模型权重及代码可通过 Hugging Face 获取,供有能力的团队进行本地化探索。

