LongCat-Image 上手:6B 模型的中文文字、海报与局部编辑

2026/11/11

先看它擅长什么,再看它不擅长什么

6B 的双语图像模型,真正的差异点是中英文混排的文字和「一处提示词改多处」的局部编辑。

LongCat-Image 是什么

LongCat-Image 是美团 LongCat 团队发布的 60 亿参数图像生成与编辑模型。参数规模不大,但它把两件事做成了差异点:中英双语,尤其是复杂中文文字的渲染;以及单条提示词修改多个画面元素的编辑能力。

需要先分清家族关系:LongCat-Video(13.6B,MIT)负责视频,LongCat-Image(6B,Apache-2.0)负责图像生成与编辑。这是两个独立模型,架构和许可证都不同。

它的优势在哪

  • 文字渲染:中文、英文、中英混排的表现明显好于同期同规模的开源模型。上游和社区的演示都以中文招牌、字幕、包装文字为例。
  • 局部编辑:用参考图上的「红框」标出要改的区域,一条提示词可以同时删一个东西、改一处颜色、加一个物件。
  • 可自建:权重是 Apache-2.0,本地跑没有按张收费;代价是花 GPU 时间。
  • 也可直接用:本站的托管出图每张 80 积分,提交前就显示价格。

关于「中文文字准确率 99%」这类数字:我们在公开资料里没有找到可复现的独立评测,所以本文不引用具体百分比。判断方法是拿你自己的文案去生成三次,看有没有错字、断笔或乱码——那才是你实际会遇到的准确率。

主要能力

1. 文生图

按文字描述出图,擅长商业级构图、材质细节、光影层次,以及多人场景里的人物一致性。分辨率到 1024×1024,风格从写实到插画都能覆盖。

2. 中文文字与排版

这是它最容易被低估的部分。多数图像模型遇到中文会直接画成乱码或者干脆不画,LongCat-Image 能理解文字语义并按正确笔画渲染,多行文字的间距和对齐也能保持。

3. 海报与版式

多层构图、字体与画面的结合、产品展示版式都能做。适合电商主图、活动海报、书封、专辑封面、包装设计这类「文字必须清楚」的场景。

4. 局部编辑

在参考图上画红框圈定区域,写一条编辑提示词,模型只改框内,框外保持原样。传统做法是「删物体一次、改颜色一次、加元素一次」三次生成,红框法一次就能全部完成。

加载中...

硬件与边界

上游没有公布统一的显存下限,实际能不能跑取决于检查点精度、分辨率和你用的注意力实现。能参考的经验是:

  • 12GB 显存属于「能用」的下限,需要量化或把部分权重换到内存。
  • 16GB 更舒服,24GB 才开始有余量做高分辨率批量。
  • 系统内存 16GB 起步,32GB 更稳。
  • 模型文件加缓存大约十几 GB 到上百 GB(取决于你留多少历史图)。

要强调的是:这些是社区经验值,不是官方规格。用三分钟的测试图在自己的机器上量一次,比抄任何表格都可靠。

ComfyUI 安装

  1. 装 ComfyUI:克隆官方仓库,装依赖,再装对应 CUDA 版本的 PyTorch。
  2. 装 LongCat 节点:在 custom_nodes 里装社区封装(带 LongCat Image Loader 和 Generate 节点的那一个),把提交哈希记下来,避免节点改名一次全部工作流报废。
  3. 下模型:把检查点放进 models/diffusion_models/,文本编码器和 VAE 分别放进 text_encoders/ 和 vae/。文件名和目录对不上,加载器会直接报错。
  4. 验证:先用官方示例工作流跑一张已知能出的图,确认链路通了,再改任何参数。

第一次出图

加载 longcat-image-dev 检查点,加一个生成节点,然后设参数:

  • 分辨率:1024×1024 方图,或 1280×720 横图
  • 采样步数:50 标准、30 快速、100 最高质量
  • guidance scale:4.5 默认,越高越贴提示词
  • 种子:-1 随机,填数字可复现

提示词框架用六段:

[主体和动作], 在[具体环境与细节]中, [机位与视角], [光线与色调], [风格与媒介], [技术质量要求]

三个可直接改的示例(示意写法,未在本站实际生成):

产品摄影:一只深棕色真皮手提包,白色背景,柔光棚拍, 浅景深,焦点锐利,杂志封面质感,4K 中文文字:现代茶室室内,木质长桌与暖光, 墙面有红色书法招牌写着「品茶馆」,几位客人在喝茶, 室内摄影,暖色调,高端质感,4K 海报:科幻惊悚电影海报,粗体标题排版, 深阴影与戏剧性布光,宇宙背景, 主角面部特写,电影级调色

红框局部编辑怎么用

  1. 上传或生成一张参考图。
  2. 在要改的地方画红色方框(多个框可以同时存在)。
  3. 写一条编辑提示词,按「改什么 → 改成什么」的顺序描述。
  4. 生成,只改框内,框外不动。

一条提示词同时做三件事的例子:「把左边的人去掉,墙改成浅黄色,右侧加一只陶罐。」这是它相对「一次一个操作」的模型最实际的效率差。

编辑要成功,有三个前提:框要盖住完整对象(只框一半会留下残影);提示词要说明改完之后的样子,而不只是「改一下」;参考图的光线方向要和你的描述一致,否则拼进去的元素会像贴纸。

跟同类模型的差别

  • 对比 Nano Banana:中文文字是 LongCat-Image 的明显优势;通用审美和某些风格化取向两边各有胜负,建议用你自己的图各跑三次再判断。
  • 对比 Qwen-Image:两者都以中文文字见长,差异更多在版式和编辑工作流上,而不是「谁绝对更好」。

我们不在这些比较里放评分或星级:没有可复现的盲测,写出来就是编的。

常见故障

中文变成乱码

  • 一次别塞太多字,一句招牌比一段正文稳。
  • 明确写「红色书法字体」「白色无衬线字体」这类具体描述。
  • 文字太小时提高分辨率,小字最容易糊。

编辑没有生效

  • 检查红框是否完整覆盖目标对象。
  • 提示词里写清「改完之后是什么样」。
  • 降低 guidance 会让改动更自由,但也更容易跑偏;先按 4.5 试。

画面有脏点或重影

  • 采样步数太低,加到 50 以上再试。
  • 换一个种子复现,判断是偶发还是系统性问题。

显存不足

  • 降分辨率,或换更低的量化精度。
  • 关掉同时开着的其它 GPU 程序。
  • 真的不够就用量化检查点,别硬上全精度。

相关阅读