美团开源LongCat-Image图像生成模型，以编辑可控性与中文渲染为核心突破

智东西12月8日信息，今天，美团公司正式推出了其开源的图像生成模型LongCat-Image，这是一个参数规模达6B的先进模型，在图像编辑能力上达到了开源领域的SOTA水平，主要专注于文本到图像生成和单图像编辑两大关键应用场景。

▲图源：Hugging Face

根据官方发布的基准测试结果，LongCat-Image主要与Seedream4.0、Qwen-Image、HunyuanImage-3.0、Nano Banana以及FLUX.1-dev等主流开源和闭源图像生成模型进行对标，其核心优化点集中在“编辑可控性”和“中文文字渲染”两项关键能力上。在实际体验中，模型在连续图像修改、风格转换和材质细节表现方面较为出色，但在复杂排版场景下，中文文字渲染仍存在一定的不稳定性。对于复杂UI设计、游戏界面生成等任务，模型的审美表现也显露出一些不足，这可能与模型缺乏联网搜索能力有关。

在访问入口方面，美团提供了多种使用方式。移动端用户可以通过LongCat APP体验文生图和图生图功能；网页端用户则可通过https://longcat.ai/进入图片生成界面进行试用。对于开发者，LongCat-Image的模型权重和代码已全面开源：Hugging Face地址为 https://huggingface.co/meituan-longcat/LongCat-Image，GitHub地址为 https://github.com/meituan-longcat/LongCat-Image。接下来，我们将深入探讨LongCat-Image的模型架构、评测表现和实际测试效果。

01. 从模型设计到性能评估，LongCat-Image主攻编辑可控性和中文渲染

在模型设计上，LongCat-Image采用了文生图与图像编辑同源的统一架构，通过渐进式学习策略，在仅6B参数规模下实现了指令遵循精度、生成图像质量和文字渲染能力的协同优化。该训练方法并非从零开始，而是基于文生图中期训练模型进行初始化，并采用多任务联合学习机制，结合文生图和指令编辑任务，以避免编辑能力在后训练阶段被削弱。

▲模型架构

在图像编辑能力方面，LongCat-Image在GEdit-Bench、ImgEdit-Bench等多个编辑类基准测试中取得了开源SOTA成绩。通过多源数据预训练、指令改写策略和人工精标SFT数据的引入，模型在应对复杂编辑需求时能更有效地避免风格漂移和结构失真。

▲客观基准测试性能对比

针对中文文字渲染这一长期挑战，LongCat-Image采用了覆盖8105个规范汉字的合成字形数据进行预训练，并在SFT阶段引入真实世界文本图片以增强排版和字体泛化能力，在RL阶段还结合OCR与美学双奖励模型进行约束，最终在ChineseWord评测中获得了90.7分的高分，领先于现有开源模型。在真实感表现上，模型通过对抗训练和严格数据筛选，避免了AIGC常见的“塑料感”纹理问题，并在RL阶段引入AIGC检测器作为奖励信号，以引导模型学习真实世界的物理纹理和光影变化。

综合评测显示，在人类主观评分（MOS）维度上，LongCat-Image在文本对齐、视觉真实度和美学质量等多个子项的表现已接近Seedream4.0等商业模型水平。

▲人类主观评分（MOS）对比

▲并列对比评估胜率（SBS）

在图像编辑任务的并列对比评估（SBS）中，LongCat-Image-Edit在综合质量与一致性两项关键指标上，对NanoBanana和Qwen-Image-Edit等模型均取得了较高胜率。总体来看，LongCat-Image在图像编辑任务上已逼近部分闭源模型水平，在文生图基础能力上也保持在开源头部阵营。

02. 实测表现：连续编辑稳定，但中文渲染和游戏界面生成仍有提升空间

从实际测试来看，LongCat-Image在“连续指令可编辑性”方面表现稳定。我们以近期热门的《疯狂动物城2》相关图片为例，在同一角色基础上进行多轮修改测试。

▲参考图

指令：修改为像素风格作品。模型成功将图像转换为像素风格，保持了角色结构。

指令：重绘为彩色，保留像素质感。模型在彩色化过程中保持了像素质感。

指令：图片角色重绘为模仿乐高积木主题的动物。模型成功将角色转换为乐高积木风格，整体结构稳定。

在漫画图像测试中，通过像素风、彩色像素重绘和乐高积木主题的连续重绘指令，模型能够保持角色结构稳定，同时完成风格与材质的多轮迁移。多次修改过程中，人物轮廓和构图未出现明显错误。

进一步测试电影海报制作场景时，模型对参考图的继承能力较强，角色形象和动态姿势与原始图片保持较高一致度，中英文主标题渲染清晰。但在“小字”区域，细节文字仍存在乱码与英文混杂问题，表明中文文字渲染在复杂排版下仍有不稳定性。

指令：电影《疯狂动物城2》的宣传海报，海报的主画面是电影主角的精彩场面，主标题用艺术手写字体“疯狂动物城2”，下面附上英文名“Zootopia”，另外附上电影海报需要的其他小字，文字清晰可辨认。

在人物档案式中文海报测试中，模型能够正确渲染部分核心字段信息，但中英文错位与局部乱码问题仍然存在。

指令：生成动画电影角色的人物档案式宣传海报，用文字体现以下信息： 尼克•王尔德（Nick Wilde），是一只在迪士尼动画电影《疯狂动物城》中出场的狐狸。 中文名：尼克狐尼克。 外文名：Nick Wilde。 原型：赤狐。 职业：从骗子到警察。 搭档：兔子警官朱迪。 经典台词：“伤了你的小心脏？”

在产品级渲染测试中，朱迪警官玩偶在影棚光、台灯暖光、自然光客厅与床品光照等多个现实场景下的质感表现稳定。短绒毛细节、眼睛高光反射、沙发布料与玩偶绒毛之间的材质对比都能被准确呈现，整体接近商业产品渲染效果。

相比之下，在游戏界面生成场景中，LongCat-Image的短板较为明显。无论是卡牌游戏、射击游戏，还是MOBA类第一视角界面，整体风格偏向较旧的UI设计审美，与当下主流游戏产品存在代差。

指令：生成一个卡牌游戏界面。

指令：生成一个射击游戏界面。

指令：生成一个英雄联盟的游戏界面。

指令：生成一个王者荣耀第一视角的游戏界面。

从测试结果看，LongCat-Image在改图与产品渲染类任务中具有较高可用性，而在游戏界面与复杂排版场景中表现一般。

03. 总结：开源图像模型竞争转向“可控编辑”，AI生图战场持续升级

从LongCat-Image的整体定位来看，美团并未试图通过更大参数规模冲击旗舰级生图模型，而是明确选择在可控性、连续编辑和中文渲染等方向深入挖掘。图像模型的竞争焦点正快速向能否真正融入设计、产品、品牌等具体生产流程的实用能力集中。随着开源生态的推进，AI生图技术有望在更多实际应用场景中发挥价值，推动行业创新。