ITCOW牛新网 12月8日消息，美团旗下的LongCat团队近日发布并开源了一款名为LongCat-Image的图像生成模型，该模型凭借其卓越的性能和创新的架构设计，在图像生成和编辑领域取得了较大突破，尤其是在6B参数规模下，成功逼近了更大尺寸模型的效果，引发了业界的广泛关注。
LongCat-Image模型采用了文生图与图像编辑同源的架构设计，并结合了渐进式学习策略。这一独特的设计使得模型在仅6B的紧凑参数规模下，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提升。特别是在单图编辑的可控性和文字生成的汉字覆盖度方面，LongCat-Image展现出了独特的优势，为用户提供了更加精准和高效的图像生成与编辑体验。
据ITCOW牛新网了解，LongCat-Image在图像编辑领域取得了多项突破。在GEdit-Bench、ImgEdit-Bench等关键基准测试中，该模型均达到了开源SOTA（State of the Art，即最先进水平）标准。
模型基于文生图Mid-training阶段进行初始化，并采用指令编辑与文生图多任务联合学习机制，从而深化了对复杂多样化指令的理解。此外，通过预训练阶段的多源数据及指令改写策略，以及SFT（Supervised Fine-Tuning，即监督微调）阶段引入的人工精标数据，LongCat-Image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。
在中文文字生成方面，LongCat-Image同样展现出了强大的能力。针对中文文本渲染这一行业难题，该模型通过课程学习策略显著提升了字符覆盖度和渲染精准度。在预训练阶段，模型基于千万量级合成数据学习字形，覆盖了通用规范汉字表的8105个汉字；在SFT阶段，引入真实世界文本图像数据，进一步提升了在字体、排版布局上的泛化能力；而在RL（Reinforcement Learning，即强化学习）阶段，融入OCR与美学双奖励模型，更是提升了文本准确性与背景融合的自然度。
值得一提的是，通过对prompt中指定渲染的文本采用字符级编码，LongCat-Image大幅降低了模型记忆负担，实现了文字生成学习效率的跨越式提升。这一系列技术革新，使得LongCat-Image能够有效支持海报设计、商业广告作图等场景中复杂笔画结构汉字的渲染，以及古诗词插图、对联、门店招牌、文字Logo等设计场景的生僻字渲染。
除了在图像编辑和文字生成方面的卓越表现，LongCat-Image还通过系统性的数据筛选与对抗训练框架，显著提升了出图纹理细节和真实感。在预训练和中期训练阶段，模型严格过滤AIGC数据，避免了陷入“塑料感”纹理的局部最优；在SFT阶段，所有数据均经过人工精筛，以对齐大众审美；而在RL阶段，创新性地引入AIGC内容检测器作为奖励模型，利用其对抗信号逆向引导模型学习真实世界的物理纹理、光影和质感。这些措施共同作用，使得LongCat-Image生成的图像在细节和真实感上达到了新的高度。
在客观基准评测中，LongCat-Image的综合性能得到了充分验证。在图像编辑任务中，该模型在ImgEdit-Bench（得分4.50）、GEdit-Bench中英文得分（7.60/7.64）等关键指标上均达到了开源SOTA水平，且逼近头部闭源模型水平。
在文字渲染方面，ChineseWord评测以90.7分的高分大幅领先所有参评模型，实现了常用字、生僻字的全量精准覆盖。在文生图任务上，GenEval 0.87分、DPG-Bench 86.8分的出色表现，使得LongCat-Image在生图基础能力上相比头部开源与闭源模型依然具备强竞争力。
在综合主观评测中，LongCat-Image同样表现出色。采用业界公认的主观评价方法，对模型在“文生图”与“图像编辑”两大核心场景下的表现进行了系统评估。在文生图方面，通过大规模的人工主观评分（MOS）方法，覆盖文本-图像对齐、视觉合理度、视觉真实度、美学质量四个维度，LongCat-Image在真实度方面相比主流开闭源模型表现出色，同时在文本-图像对齐与合理度上达到开源SOTA水平。
在图像编辑方面，采用严格的并列对比评估（Side-by-Side, SBS）方法，聚焦于综合编辑质量、视觉一致性这两个用户体验的维度，评测结果表明，尽管与Nano Banana、Seedream 4.0等商业模型存在一定差距，但LongCat-Image显著超越了其他开源方案。
美团LongCat团队全面开源了文生图的多阶段模型（Mid-training、Post-training）和图像编辑模型。目前，LongCat-Image模型的相关资源已上线Hugging Face和GitHub平台。