GitHub Repo
美團發布 LongCat-Video-Avatar 1.6,開放權重並改善長影片生成穩定性
美團於 11 月 15 日宣布發布音訊驅動人物影片模型 LongCat-Video-Avatar 1.6,提供 MIT 授權權重與推論程式。新版結合後訓練與雙 LoRA 蒸餾配置,團隊宣稱可改善超過十分鐘影片的一致性,實際品質與部署成本仍需自行驗證。

美團 LongCat 團隊於 11 月 15 日宣布發布 LongCat-Video-Avatar 1.6,開放音訊驅動人物影片生成的權重與推論程式。模型支援單人與多人場景,可配合語音、文字或參考圖片生成影片,並延續已有片段。此次更新聚焦嘴形自然度,以及長時間續寫影片時逐步累積的誤差。官方發布紀錄
技術改動主要落在後訓練流程。團隊結合強化學習、用於 DMD 少步蒸餾的改良無分類器引導、長影片 rollout 與 on-policy distillation,宣稱能在超過十分鐘的生成中維持較好的畫質、人物身分與時間一致性。這類改進對長篇虛擬人物內容有直接意義:短片嘴形正確,仍不足以證明多次續接後能維持同一張臉與連貫動作;十分鐘能力目前應視為團隊報告的結果。技術變更說明
部署上,1.6 沿用 1.5 的基礎架構,搭配 DMD 與 OPSD 兩個 LoRA。官方範例採八步去噪,前四步使用 DMD,後四步使用 OPSD;開發者可調整混合步數與權重,測試結構穩定性。權重包另提供僅量化權重的 INT8 DiT,並提醒 INT8 與 FP8 模式不可同時啟用。模型卡與推論設定
評估方面,團隊以六套系統進行兩兩比較,收集 33,051 票有效人類偏好投票;1.6 的 Bradley–Terry Elo 為 1068.1,在該測試排名第二,落後 OmniHuman-2.0。這是發布方主持的偏好研究,不能直接推論為所有語言、人物或長度下的品質排名。工程團隊接下來應以目標音訊測試嘴形同步、續接漂移、顯示記憶體占用與每分鐘生成耗時;MIT 授權權重讓這些本地驗證更容易展開。評估與授權說明