美团发布LongCat-Image图像生成模型，编辑能力登顶开源SOTA

尽管近年来AIGC关键技术不断突破，但图像生成领域始终面临着一个“两难困境”：闭源模型性能强大但难以私有化部署；开源方案在轻量化与高性能之间难以取舍，且缺乏面向商用的专项能力。 针对这一行业痛点，美团LongCat团队近日宣布，开源其最新研发的LongCat-Image模型。该模型通过高性能模型架构设计、系统性的训练策略和数据工程，以6B的紧凑参数规模，在文生图与图像编辑核心能力上逼近了更大尺寸的头部模型，为开发者与产业界提供了一个“高性能、低门槛、全开放”的全新选择。 ▲模型架构 据介绍，LongCat-Image的核心优势在于其架构设计与训练策略。 具体来看，模型采用文生图与图像编辑同源的架构，结合渐进式学习策略，成功在6B参数下实现了指令遵循精准度、生图质量与文字渲染能力的高效协同。 在图像编辑方面，LongCat-Image的“可控性”表现突出，而性能突破的关键在于一套紧密协同的训练范式和数据策略。 为有效继承文生图模型的知识和美感，同时避免文生图后训练阶段收窄的状态空间对编辑指令多样性的限制，团队一方面基于文生图Mid-training阶段模型进行初始化，并采用指令编辑与文生图多任务联合学习机制，深化对复杂多样化指令的理解；另一方面，通过预训练阶段的多源数据及指令改写策略，以及结合SFT阶段引入的人工精标数据，最终实现了指令遵循精准度、泛化性和编辑前后视觉一致性的共同提升。 在GEdit-Bench和ImgEdit-Bench等权威基准测试中，LongCat-Image均达到开源SOTA（当前最佳）水平，可精准响应用户的多样化修改需求。 在中文文本渲染这一长期困扰业界的难题上，LongCat-Image也取得了很大进展，通过课程学习策略提升字符覆盖度和渲染精准度：预训练阶段