周一美團發(fā)布了他們第一個AI視頻模型，

LongCat-Video，

13.6B參數(shù)，單個模型就能完成文生視頻，圖生視頻，視頻續(xù)寫，以及生成超長視頻，輸出的視頻參數(shù)是720p，30fps 。但我自己電腦有點拖不動比較完整/長時間的測試，所以發(fā)動了面子果實，找到美團LongCat團隊幫我開了內部測試權限。

所以在這篇文章你能看到LongCat-Video完全真實的效果，它到底能不能生成5分鐘不崩的長視頻，以及美團為什么要做AI視頻？

先說結論，

美團LongCat-Video給我的感覺是，它玩的就是真實。

就比如這個視頻，你能看出從第幾秒開始是我用LongCat-Video續(xù)寫出來的嗎？

答案是2秒之后全部都是生成的內容，整個畫面延續(xù)了原片自行車行駛的速度、環(huán)境，動態(tài)非常流暢真實。

LongCat-Video很擅長這種第一視角的穿越視頻，甚至可以一次性生成5分鐘的穿越視頻，中間過程非常自然連貫，與真實世界非常相似。

技術團隊給LongCat-Video的定位是世界模型，跟普通的視頻模型追求生成風格多樣、場景多樣的視頻的目標不同，世界模型，要理解現(xiàn)實世界的動態(tài)、物理規(guī)律和因果關系。

英偉達在GTC上反復強調這個概念，他們給出的應用case，是給智能汽車模擬不同的交通流量模式、路況、天氣和光照，是給機器人開發(fā)空間智能，是給交通樞紐給人群提供視頻分析。

換而言之，世界模型的核心，不是電影制作機，它是模擬器，能投射出真實世界的狀態(tài)。

所以我們這次測評，會專注于它對物理世界和因果邏輯的理解，盡可能的去看LongCat-Video對于真實世界的呈現(xiàn)程度。首先我做了一個經(jīng)典滑板動作，和以往不同，我這次強調讓它做出一個指定的Ollie動作，

對于這種非普遍的固定動作的完成，我沒有補充說明，LongCat-Video靠“Ollie”這個提示詞就跳起來然后穩(wěn)穩(wěn)落地，畫面中各個元素的變化，包括人物和滑板之間的力作用里都很真實，可惜的是滑板本體轉動的時候出現(xiàn)變形。

再看看LongCat-Video做出來的吃播視頻，

是真的有在吃進去，食物進到了嘴巴里的同時盤子中的分量在減少，并且人物是有相應的表現(xiàn)力吃播表情的，如果清晰度和畫面的打光可以少點銳化就好了。以后美團點外賣不會給每道菜都插入吃播吧。。。

再來就是人物講解說話的鏡頭，

重點看人物的嘴形、眨眼、手部動作，雖然目前是沒有聲音的，但一分鐘的畫面里面沒有出現(xiàn)過嘴形來回循環(huán)播放的片段，而且手部晃動這個香水的時候，瓶子里的液體也會對應細微晃動。

看完這幾個case，我最大的感受是，LongCat-Video的世界觀是樸素且正確的。

它可能畫不出Sora那種宏大瑰麗、充滿想象力的超現(xiàn)實史詩，但它能模擬出一個我們每天生活的、符合牛頓定律的世界。 而對于美團來說，后者遠比前者重要一百倍。

最后我搞了點大白話說一下這次LongCat-Video的技術亮點，

為什么可以原生輸出5分鐘的不穿幫的視頻，

它依托了一種叫視頻續(xù)寫任務的預訓練方式。在訓練的時候，LongCat-Video看的不是零碎的短片，而是大量的連續(xù)劇。它的大腦天生就在思考接下來會發(fā)生什么，而不是這個畫面應該長什么樣。

模型在看連續(xù)劇的時候，不是一幀一幀地看，而是一段一段、一個事件一個事件地看。它理解的是“動作的起承轉合”，這是一種叫Block-Causal Attention的機制，這樣生成的長時間的動作不會輕易斷裂。

在生成長視頻時，LongCat-Video還會把前面算過的不變的東西，比如背景里的那棟樓，先緩存起來，不用每一幀都重新算一遍，這樣就可以提升到5分鐘了

https://meituan-longcat.github.io/LongCat-Video/

這里面還有更多放出來的case，可以看到更多風格，現(xiàn)實交互和人物運動等等等等。

其實AI視頻發(fā)展到現(xiàn)在，視頻生成模型的分野已經(jīng)出現(xiàn)了。

一類是為內容服務的，要的是視覺奇觀，是多樣化的畫面風格，是創(chuàng)造一個又一個故事。

而另一類，就是世界模型，它們的目標是模擬現(xiàn)實，是做推演，為產(chǎn)業(yè)提供數(shù)據(jù)模擬。

他們并不是完全獨立，切割開的，一個好的世界模型也會是好的視頻模型。

對美團來說是早晚會踏出的一步，

他們的核心業(yè)務，本質上就是一場規(guī)模龐大，每秒都在發(fā)生的物理實驗。

不需要AI去生成一個賽博朋克城市，

但需要AI告訴他們，

幾點鐘，哪個路口會開始堵車？ 一個騎手在暴雨天氣下，穿過一個有積水的十字路口，需要額外多花多少秒？ 一個無人機配送包裹，在十五公里的時速下，側面吹來的三級風，會如何影響它的電量消耗和穩(wěn)定性？

這些，全部都是世界模型可以解決的問題。

我期待它能接入更多來自美團自有業(yè)務的真實世界數(shù)據(jù)，

模擬一場從國貿到望京的晚高峰擁堵，模擬一個外賣訂單在雷暴天氣下的最優(yōu)配送路徑，模擬一棟寫字樓在午餐高峰期的電梯運行和人流動態(tài)？

當一個AI視頻模型開始真正理解并模擬我們腳下的這片土地時，

它就不再是少數(shù)人的工具。

這是美團做AI視頻，

讓我感到興奮的點。

@ 作者 / 卡爾 & 阿湯

最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點贊｜在看｜轉發(fā)｜評論

如果想要第一時間收到推送，不妨給我個星標

更多的內容正在不斷填坑中……