美团LongCat-Image开源图像生成模型实测：6B参数下的中文渲染与精准编辑能力

文生图领域的竞争日趋激烈。近日，美团LongCat团队正式发布并开源了其LongCat-Image多模态图像生成模型。在当下动辄百亿参数的大模型竞赛中，LongCat-Image选择在6B这一更易于部署的参数量级上，着力解决开源模型长期存在的两大痛点：中文生成质量与精准图像编辑。

官方将其定位为一款在文生图任务上追求“快、真、准”的模型，尤其强调其在中文场景下的精准渲染和摄影棚级质感。面对6B参数能否挑战更高性能的疑问，我们通过一系列贴近真实场景的测试来验证其实际表现。

实际场景测试：6B参数表现几何？

我们设计了五个测试案例，重点考察其中文生成与复杂编辑能力。

测试一：复杂中文招牌生成
汉字生成一直是AIGC领域的难点。LongCat-Image宣称覆盖了8105个通用规范汉字，我们直接挑战极限，要求生成一张“簋街火凤凰”的餐饮招牌。

结果显示，即使是“簋”、“凰”等笔画复杂的汉字，其字形结构也被准确渲染。招牌的立体金属质感、字体包边以及与环境光影的融合都处理得当，未出现常见的字形扭曲或崩坏。

测试二：高质感商业海报
我们测试其处理复杂商业排版与物理质感的能力，输入一组茶咖海报的生成指令。

生成的图像在排版上还原了“大字+小字列表”的布局，左下角的数字“0”与汉字“添加”的搭配清晰。上方茶汤的飞溅效果通透，液体与光线的交互自然，避免了AI绘图常有的“塑料感”。

测试三：手绘风科普卡片
此案例测试模型对多种字体风格混排及逻辑图表的理解能力，要求生成一张“绿豆薏米茶”的水彩手绘食谱。

完成度颇高。背景呈现了宣纸纹理与水彩晕染的韵味。模型成功区分了字体风格：标题“绿豆薏米茶”为苍劲的毛笔书法，而左侧的食材清单则为清晰的手写硬笔字体，且图文对应逻辑严谨。

测试四：IP形象实体化
我们使用一张流行的“高雅人士”表情包进行图生图测试，指令要求将其转化为PVC材质手办，并构建包含包装盒和Blender建模屏幕的复杂场景。

模型较好地理解了材质转换，企鹅手中的报纸呈现出磨砂塑料质感，底座类似亚克力。背景的建模界面为场景增添了合理的景深与故事性。

测试五：精准局部编辑
最后测试其指令跟随与局部编辑能力。我们上传一张金毛犬照片，仅输入指令：“给狗戴上一副红色的墨镜。”

模型准确地在指定区域添加了红色墨镜，并生成了合理的镜片反光。最关键的是，它最大限度地保留了原图的草地背景、光影结构和狗狗的毛发细节，实现了“指哪改哪”的精准编辑。

技术解析：6B模型如何实现高性能？

实测表明，LongCat-Image在6B参数下的表现超出预期。其核心突破源于创新的架构设计与训练策略。

1. 文生图与编辑的同源架构
不同于将文生图与图像编辑割裂的方案，LongCat-Image采用文生图与编辑任务同源的架构（MM-DiT + Single-DiT混合主干）。这种设计使得编辑任务能直接复用文生图阶段学习到的构图、光影等先验知识。

配合Mid-training初始化与多任务联合学习，模型在执行风格迁移或属性编辑时，能出色地保持原图的主体结构与视觉一致性。

2. “课程学习”攻克中文生成难题
针对中文渲染，模型采用了分阶段的课程学习策略：

• 预训练阶段：在海量合成数据上学习基础字形。
• SFT阶段：引入真实世界的招牌、海报数据，提升排版审美。
• RL阶段：引入OCR奖励模型，通过强化学习进一步优化字符准确性。
  这一策略有效解决了从字形正确到排版美观的渐进式学习问题。

3. 对抗训练提升图像真实感
为消除AI图像的“塑料感”，模型在强化学习阶段创新性地引入了AIGC内容检测器作为奖励模型的一部分。这是一种逆向的对抗训练思路，迫使模型学习更接近真实世界的物理纹理、光影和材质细节，从而提升出图质感。

4. 客观基准测试数据
在公开评测基准上，LongCat-Image也展现了竞争力：

• 图像编辑：在GEdit-Bench、ImgEdit-Bench等榜单上达到开源SOTA水平，部分指标接近闭源模型。
• 中文能力：在ChineseWord评测中以90.7分领先，实现了对常用字与生僻字的有效覆盖。

全量开源与获取方式

美团此次采用了全流程开源策略，不仅开源了最终模型，还提供了从Mid-training到Post-training的多阶段检查点，方便开发者进行二次微调。

开源地址：

• Hugging Face：https://huggingface.co/meituan-longcat/LongCat-Image
• GitHub：https://github.com/meituan-longcat/LongCat-Image

此外，用户也可通过官方应用LongCat APP或其网页端（longcat.ai）直接体验，平台已提供图生图功能及多种创意模板。

LongCat-Image在6B参数级别上，为中文场景下的高质量图像生成与精准编辑提供了一个新的开源选择，其技术路径对相关领域的研究与开发具有参考价值。