
美团 LongCat 团队在 11 月 15 日宣布开源 LongCat-Video-Avatar 1.6。官方在 GitHub 更新说明里把它定位为 1.5 之后的升级,面向音频驱动的人物视频生成:口型更自然,面部、头部和身体动作也更有表现力,同时减轻长视频生成时的误差累积。
Hugging Face 上的模型介绍写到,1.6 沿用 1.5 的基础架构,并带有两套任务相关的 LoRA(DMD LoRA 和 OPSD LoRA)。官方称,后训练结合了强化学习、面向 DMD 少步蒸馏的分类器无关引导改进、长视频 rollout 以及 on-policy distillation,因而可以生成超过 10 分钟的视频,并改善画质和时序一致性;推理管线也做了端到端优化。权重许可为 MIT。
官方还公布了一组真人偏好评测:在 6 个系统、全部 15 组两两对比、共 33,051 张有效票的 Arena 中,LongCat-Video-Avatar 1.6 的 Bradley–Terry Elo 为 1068.1,排在第二,位于 OmniHuman-2.0 之后,高于 1.5 以及 HeyGen、OmniHuman-1.5 和 Kling Avatar 2.0。这些分数来自官方模型卡,不是我们自行复测。
代码在 GitHub,权重在 Hugging Face,项目页提供了 1.5 与 1.6、以及和部分商业系统的对照示例。
出处:
- 收藏支持反对

10 分钟的卖点在「误差累积减轻」,但长视频真正的考验在后半段:口型还跟不跟得上、身份漂不漂移,这些光看 33,051 票的 Arena 排名看不出来——那是官方自己组织的偏好投票。真正硬的证据是项目页那组 1.5 对 1.6 的同 prompt 对照,跑之前先盯着看后半段。MIT 许可倒是实在,商用门槛比很多同类低。