LongCat-Video

LongCat-Video

用一个 13.6B 的模型，根据文字提示、一张静态图片，或接着已有片段往下写来生成视频。目标是 720p、每秒 30 帧的长片段，适合有 GPU 的开发者和研究人员。

由 meituan-longcat 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：LongCat-Video 是美团 LongCat 团队的 136 亿参数视频生成模型。同一份权重涵盖三项任务：把文字变成视频、让图片动起来，或者延长一段片段。它是在续写任务上预训练的，作者说这让它能在长达数分钟的片段里保持颜色和质量稳定。他们称它是迈向世界模型的第一步。

适合谁：在自己的 GPU 上运行视频模型、并希望一个模型能做多种视频任务的开发者和研究人员。它是在命令行里运行的代码，所以适合熟悉 Python 和 conda 的人。

Industry | Who uses it | How they use it | Example
媒体 | 视频创作者 | 根据文字或静态图片制作片段 | 根据一段文字提示生成的短场景
软件 | 开发者 | 把视频生成做进自己的工具 | 一个让产品图片动起来的服务
研究 | 视频模型研究人员 | 研究长视频生成 | 检查一个片段在几分钟里能否保持颜色
营销 | 营销团队 | 根据提示词起草视频创意 | 一条活动的概念片段

如果你没有合适的 GPU，或者想要不用设置的托管工具，可以跳过它，因为这里一切都要通过代码运行。

用在哪里：

• 用 torchrun 的命令行，在一块或两块 GPU 上
• 装有 Python 3.10 的 conda 环境
• PyTorch 构建版本和 CUDA 版本相匹配的机器
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

Use case | Who | What they get back
文字生成视频 | 创作者 | 根据一段文字提示生成的视频
图片生成视频 | 设计师 | 从你的图片开始的视频
视频续写 | 研究人员 | 延长已有片段后得到的更长片段

如何设置：

• conda，带一个 Python 3.10 环境
• 与你的 CUDA 版本相匹配的 PyTorch，按模型卡描述安装
• 来自 GitHub 仓库的 LongCat-Video 代码，因为演示脚本在那里
• FlashAttention-2，模型配置默认启用它

1. 从项目的 GitHub 仓库获取代码并打开它的文件夹。克隆命令里有网址，所以这里没有照抄。
2. 创建 conda 环境并激活它。
3. 按你的 CUDA 版本安装 PyTorch。它的命令里有网址，所以请参照模型卡。
4. 安装 flash-attn 和其他依赖。
5. 把模型权重下载到一个 weights 文件夹里。

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

# 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

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

如何使用：用 torchrun 运行三个演示脚本之一，并让它指向权重文件夹。用两块 GPU 时，加上进程数和上下文并行大小。可见的模型卡文字没有显示提示词放在哪里，所以请查看演示脚本本身。

# 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

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

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

Tool | What it does
run_demo_text_to_video.py | 根据文字提示生成视频
run_demo_image_to_video.py | 生成从一张图片开始的视频
run_demo_video_continuation.py | 延长已有的视频片段
torchrun | 在一块或多块 GPU 上启动运行

示例：你在单块 GPU 上运行文字生成视频的演示，并让它指向权重文件夹。脚本会根据它的提示词生成一段视频。作者说，生成 720p、每秒 30 帧的片段需要几分钟。

新手与专家：如果你是新手，先在单块 GPU 上运行文字生成视频的演示，另外两个脚本留到以后。准备好花很长时间设置，因为它需要 conda 环境、匹配的 PyTorch 构建版本和 flash-attn。

如果你熟悉这个领域：作者用一个框架承载三项任务，所以同一份权重服务于每项任务。速度来自沿时间和空间两个方向的由粗到细生成，再加上高分辨率下的 Block Sparse Attention。训练还加入了多奖励的 Group Relative Policy Optimization，你可以在模型配置里把 FlashAttention-2 换成 FlashAttention-3 或 xformers。

文字、图片或视频片段
LongCat-Video，13.6B 参数
由粗到细的生成
720p、每秒 30 帧的视频

注意事项：作者说，他们的测试把这个模型放在与领先的开源视频模型以及部分商业模型相当的水平。这些是他们自己的结果，所以请对照你的需求去核实。

• Size: 13.6B 参数
• Output: 按模型卡描述，720p、每秒 30 帧
• Languages: 英语和中文
• Attention: 默认使用 FlashAttention-2
• License: MIT
• Cost to run: 未提及，不过需要 GPU 硬件
• Data it reaches: 下载到你电脑上的模型文件，以及来自 GitHub 的项目代码
• Not for: 没有合适 GPU 的机器，因为模型卡只展示了 GPU 上的运行

Hugging Face 上的数据（2026年11月13日）

• 任务：text to video
• 框架：diffusers
• Formats: Safetensors
• 最近 30 天下载：3,135
• 点赞：594
• 许可证：mit
• 语言：en, zh
• Quantized versions: 8
• Fine-tunes: 3
• 标签：diffusers, safetensors, transformers, image-to-video, video-continuation, text-to-video

链接

• 模型：https://huggingface.co/meituan-longcat/LongCat-Video
• 文件：https://huggingface.co/meituan-longcat/LongCat-Video/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download meituan-longcat/LongCat-Video

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。