一句话版本
LongCat-Image 是美团 LongCat 团队用 60 亿参数做的双语图像生成与编辑模型。技术报告给出的结论可以浓缩成六条:
- 6B 参数:比同类模型少 70–80% 的参数;「接近 20B 级别」是报告作者的说法,我们不复现排名。
- 预训练数据筛查:主预训练与中训练语料排除 AI 生成图,用来守住写实感;SFT 阶段仍会使用经过挑选的合成数据。
- 多粒度字幕(MGC):四级描述体系,摄影级细节的字幕采样权重达到 65%。
- 字符级文字编码:专门为引号内的文字启用,报告称中文准确率 90.7%。
- 编辑模型独立:编辑能力来自 mid-training 检查点,而不是在最终模型上继续微调。
- 渐进式训练:预训练 → 中训练 → 后训练(含 RLHF 多奖励集成)。
下面逐条讲清楚,以及这些说法对你实际使用意味着什么。
为什么是 6B
行业过去几年的默认反应是「撞墙就加参数」:20B、32B、80B。代价是算力、部署门槛,以及开放研究被拖慢。LongCat-Image 的切入点是把效率当成第一目标:混合架构(MMDIT 承担多模态主干,Single-DIT 承担部分路径)、更干净的数据、更聪明的训练顺序。
对我们这些用模型的人,6B 的实际意义很直接:消费级显卡有机会跑起来,托管成本也更低。本站托管出图每张 80 积分,提交前显示价格。
数据:反 AIGC 与多粒度字幕
预训练数据筛查的取舍
训练集刻意排除 AI 生成图。原因是 AI 图会把「塑料感」和过度平滑的纹理带进模型,长期看会让写实能力退化。代价是数据量变小、清洗成本变高;收益是皮肤、金属、织物这些材质的物理质感更真。
四级字幕
同一张图会被标注成多个粒度:从一句话概括,到摄影级的细节描述(镜头、光线、材质、构图)。训练时摄影级字幕被加权到 65%,相当于反复告诉模型「什么样的描述对应什么样的真实照片」。
对你的提示词写作的启示:既然模型是在这种字幕上训练的,你就该用同样的粒度写提示词——主体、环境、机位、光线、材质、风格,逐项说清楚,而不是堆形容词。
引号触发的字符级编码
这是整篇报告里最实用的一条,也是最多人踩坑的地方。
模型对引号内的文字启用字符级编码:它不是把文字当成「画面语义」去理解,而是当成「必须精确画出来的字形」去渲染。所以提示词里必须带引号,机制才会触发。
不会触发:
A red truck with the words fresh apples painted on the side会触发:
A red truck with the words "fresh apples" painted on the side区别只是两个引号,但结果可能是「车上写着一串乱码」和「车上准确写着 fresh apples」。
报告给出的中文文字基准是 90.7%,这是作者自己的评测口径,不是第三方盲测。我们不引用任何竞品百分比:技术报告与模型仓库对同一组数字的标注并不一致,硬写成「对手只有某个数」等于用猜测冒充测量。想比较就自己跑:同一批中文文案、同样的字号与背景,各生成三次,数错字。
编辑模型为什么是独立的
技术报告明确写了:文生图模型和编辑模型是分开的,这是数据决定的,不是架构偏好。
原因很具体——训练编辑需要大量合成数据(遮罩、局部重绘样本),而这些合成数据会污染主模型的写实能力。于是团队把编辑能力放在 mid-training 阶段的检查点上单独训练,主模型保持干净。
这条对使用者的意义:别指望同一个检查点既做最好的文生图又做最好的编辑。报告也提到未来方向是用「大规模交错的图文语料」替代合成数据,让编辑指令从真实数据里自然长出来——那还是研究阶段的事。
训练三部曲
- 预训练:大规模图文对齐,建立基础生成能力。
- 中训练:加入编辑能力与更高密度的细节,得到可用的 mid-training 检查点。
- 后训练:多奖励 RLHF,把写实度、指令遵循、审美往人偏好的方向拉。
多奖励集成的意思是同时优化多个维度(真实感、文字准确、构图合理),而不是只追一个总分。它解释了为什么这个模型在「物理质感」上比同规模模型稳。
短板也要说清楚
有两处必须说清楚的边界:
- 没有第三方审美评测:作者没有公布可复现的盲测,所以我们不给「整体比谁好」的排名。这条不是短板,是证据边界。
- 分离架构:生成与编辑不能共用一套权重,用户要在两条工作流之间切换。
换句话说:参数效率是这套方案的卖点;至于「谁的提示词跟随更强」「整体审美谁更好」,本文不给结论——没有任何一手来源支持那个方向的说法,我们也不替作者编一个。判断标准还是那句:用你自己的任务各跑三次。
对实际使用的影响
- 写提示词时把文字放进引号,这是能不能正确渲染字形的开关。
- 用摄影级粒度描述,因为训练字幕就是这个粒度。
- 局部编辑要单独走编辑工作流,不要在生成模型上硬凑。
- 别把报告的基准数字当成 SLA:90.7% 是报告口径,你的文案难度、字号、背景复杂度都会改变结果。
一手来源
上面两处是本文所有模型事实的唯一来源;本文没有第三方复现。
相关内容
- LongCat-Image 上手指南:红框局部编辑与出图流程。
- LongCat Video 完整指南:视频模型那条线。
- ComfyUI 超长视频与显存:显存管理的通用做法。
- 查看积分方案:托管出图与视频的现价。