智东西作者｜江宇编辑｜漠影

智东西12月8日报道，今日，美团正式发布并开源图像生成模型LongCat-Image，这是一款在图像编辑能力上达到开源SOTA水准的6B参数模型，重点瞄准文生图与单图编辑两大核心场景。

▲图源：Hugging Face

从官方披露的基准测试结果来看，LongCat-Image主要对标了Seedream4.0、Qwen-Image、HunyuanImage-3.0、Nano Banana以及FLUX.1-dev等主流开源与闭源生图模型，其核心优化集中在“编辑可控性”和“中文文字渲染”两项能力上。

而在实际体验中，它在连续改图、风格变化和材质细节上表现较好，但在复杂排版场景下，中文文字渲染仍存在不稳定的情况。在涉及复杂UI设计、游戏界面生成等任务时，模型的审美也暴露出一定短板，这或许与其不具备联网搜索能力有关。

在体验入口方面，美团也同步提供了多种使用方式。在移动端，LongCat APP已支持文生图与图生图能力；在网页端，用户也可通过 https://longcat.ai/ 进入图片生成入口进行体验。

对于开发者而言，LongCat-Image的模型权重与代码也已同步开源：

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

下面我们就来看看LongCat-Image的模型结构、评测成绩和具体的实测表现。

一、从模型结构到评测成绩，LongCat-Image把“编辑可控性”和“中文渲染”作为主攻方向

从模型设计上看，LongCat-Image采用了文生图与图像编辑同源的统一架构，并通过渐进式学习策略，在仅6B参数规模下兼顾了指令遵循精准度、生图质量与文字渲染三项能力的协同提升。

▲模型架构

这套训练路线并非从零开始堆参数，而是基于文生图中期训练模型进行初始化，并在后续阶段采用文生图与指令编辑的多任务联合学习机制，来避免编辑能力在后训练阶段被压缩的问题。

在图像编辑能力上，LongCat-Image在GEdit-Bench、ImgEdit-Bench等多个编辑类基准中取得了开源SOTA成绩。

▲客观基准测试性能对比

LongCat-Image通过多源数据预训练、指令改写策略与人工精标SFT数据的引入，使模型在面对复杂编辑要求时更不容易出现风格漂移和结构失真。

针对中文文字渲染这一长期痛点，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强化排版与字体泛化能力，在RL阶段还引入OCR与美学双奖励模型共同约束，最终在ChineseWord评测中取得90.7分的成绩，领先于现有开源模型。

在真实感方面，LongCat-Image通过对抗训练和严格的数据筛选机制，刻意绕开AIGC“塑料感”的纹理陷阱，并在RL阶段引入AIGC检测器作为奖励信号，反向引导模型学习真实世界的物理纹理与光影变化。

综合评测结果显示，在人类主观评分（MOS）维度上，LongCat-Image在文本对齐、视觉真实度与美学质量等多个子项中的表现已接近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等模型均取得较高胜率。

整体来看，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。

二、从漫画重绘到玩偶产品渲染，连续编辑稳定，但中文渲染仍是短板

从实际体验过程来看，LongCat-Image在“连续指令可编辑性”上的表现是较为稳定的，我们直接拿近期大火的《疯狂动物城2》相关图片进行测试，在同一角色基础上连续进行多轮修改。

▲参考图

指令：修改为像素风格作品。

指令：重绘为彩色，保留像素质感。

指令：图片角色重绘为模仿乐高积木主题的动物。

在漫画图像测试中，通过像素风、彩色像素重绘以及模仿乐高积木动物主题的连续重绘指令，模型可以保持角色结构稳定，同时完成风格与材质的多轮迁移。多次修改过程中，人物轮廓和构图基本未出现明显错误。

在此基础上，我们也进一步尝试了电影海报的制作场景，用同一角色图进行主视觉海报生成与多语言标题渲染测试。

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。

在电影海报场景中，模型对参考图的继承能力较为稳定，无论是角色形象还是动态姿势，都能与原始图片保持较高一致度，中英文标题的主标题表现也较为清晰。不过在“小字”区域，一系列细节文字仍然存在乱码与英文混杂的问题，说明中文文字渲染在复杂排版场景下依然存在不稳定性。

进一步测试人物档案式中文海报时，模型可以正确渲染部分核心字段信息，但仍不可避免地出现中英文错位与局部乱码。

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相对稳定。短绒毛的细节、眼睛的高光反射、沙发布料与玩偶绒毛之间的材质对比都能够被较为准确地表现出来，整体更接近商业产品渲染效果。

相比之下，在主流模型较为擅长的游戏界面生成场景中，LongCat-Image的短板更为明显。无论是卡牌游戏、射击游戏，还是MOBA类第一视角界面，整体风格都偏向十多年前的UI设计审美，与当下主流游戏产品存在明显代差。

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。

从本次测试结果来看，LongCat-Image在改图与产品渲染类任务中的可用性更高，而在游戏界面与复杂排版场景中的表现相对一般。

结语：开源图像模型进入“可控编辑”竞赛，AI生图战况升级

从LongCat-Image的整体定位来看，美团并没有试图用更大的参数规模去正面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这几个方向上深挖。

图像模型的竞争焦点，正在快速向“能否真正进入设计、产品、品牌等具体生产流程”的实用能力集中。