12月18日，美团 LongCat 团队正式对外开源了其 SOTA 级虚拟人视频生成模型——LongCat-Video-Avatar。该消息最早由“龙猫+LongCat”微信公众号发布。

该模型基于 LongCat-Video 基座打造，延续了“一个模型支持多任务”的核心设计理念，原生支持音频/文本生成视频、音频/文本/图像生成视频以及视频续写等核心功能。同时，其在底层架构上进行了全面升级，实现了动作拟真度、长视频稳定性与身份一致性三大维度的显著突破。

据介绍，该模型具备以下几大技术亮点。

告别僵硬，迎接鲜活：它不仅能够精准驱动口型，还能同步指挥眼神、表情和肢体动作，实现丰富饱满的情感表达。

“不说话”的时候，也很像人：美团采用了 Disentangled Unconditional Guidance（解耦无条件引导）训练方法，让模型理解“静音”不等于“死机”。在说话的间隙，虚拟人也会像人类一样自然地眨眼、调整坐姿、放松肩膀。

据介绍，LongCat-Video-Avatar 因此成为首个同时支持文字、图片、视频三种生成模式的“全能选手”，虚拟人从此拥有了“真正的生命力”。

在 HDTF、CelebV-HQ、EMTD 和 EvalTalker 等权威公开数据集上的定量测评表明，LongCat-Video-Avatar 在多项核心指标上达到了 SOTA 领先水平。