Meituan hat mit LongCat-Video-Avatar 1.6 die nächste Version seines offenen Frameworks für audio-gesteuerte Videogenerierung veröffentlicht: Aus Tonspur und Bildmaterial entsteht eine sprechende Figur mit Lippensynchronisation, Mimik und Körperbewegung [1]. Das Repository wurde am 13. November 2026 angelegt (Plattform-API); Gewichte und Code stehen unter der MIT-Lizenz, auch das zugrunde liegende Basismodell LongCat-Video ist MIT-lizenziert [1][2][3].
Was Version 1.6 verbessert
Die Modellkarte nennt drei Schwerpunkte: natürlichere, stabilere Lippenanimation (weniger übertriebene Mundbewegungen, weniger Farbverfärbungen, weniger zeitliches Flackern im Mundbereich), stabilere Langvideos - mehr als zehn Minuten am Stück sollen Bildqualität, Identität und zeitliche Kohärenz halten, indem die Fehlerakkumulation der autoregressiven Fortsetzung gedämpft wird - und eine schnellere End-to-End-Inferenz durch Pipeline- und Ausführungsoptimierungen [1]. Ein Technikbericht ist auf GitHub verlinkt; wir haben ihn nicht geöffnet und beziehen uns hier ausschließlich auf die Modellkarte [1].
Eckdaten
Gleiche Basisarchitektur wie Version 1.5, ergänzt um zwei aufgabenspezifische LoRA-Adapter: DMD und OPSD · Standard: 8 Denoising-Schritte, die ersten vier mit DMD, die restlichen vier mit OPSD (über mix_steps und mix_alpha steuerbar) · optionaler INT8-DiT (nur Gewichte) per --use_int8, alternativ FP8 über Transformer Engine per --use_fp8 - nicht beides zugleich · benötigt separat die Gewichte des Basismodells LongCat-Video · Referenz-Stack: Python 3.10, PyTorch 2.6.0 (cu124), FlashAttention 2.7.4; für Hopper-GPUs (H20/H100/H200/H800) wird FlashAttention 3 empfohlen · Sprachen laut Karte: Englisch und Chinesisch · Lizenz MIT [1][2][3].
Hersteller-Studie: Rang 2 von sechs Systemen
Meituan verweist auf eine paarweise Nutzerstudie: 33.051 gültige Einzelstimmen über alle 15 Paarungen von sechs Systemen - LongCat-Video-Avatar 1.6, Version 1.5, OmniHuman-2.0, HeyGen, OmniHuman-1.5 und Kling Avatar 2.0 [1]. Danach liegt Version 1.6 mit einem Bradley-Terry-Elo von 1068,1 auf Rang 2: hinter OmniHuman-2.0, vor Version 1.5, HeyGen, OmniHuman-1.5 und Kling Avatar 2.0 [1]. Zahlenwerte nennt die Karte nur für das eigene Modell; es ist eine Hersteller-Studie ohne unabhängige Bestätigung - und drei der Vergleichssysteme sind kommerzielle Dienste, deren offene Konkurrenz damit zumindest in dieser Messung mithält.
Betrieb: Quantisierung, Kompilierung, Mehr-GPU
Die Karte dokumentiert den Inferenzpfad ungewöhnlich konkret: Der optionale INT8-DiT und der FP8-Modus schließen einander aus; bei aktiviertem --compile_dit und --compile_vae sind die ersten Läufe wegen Graph-Tracing und Kompilierung langsamer, danach werden kompilierte Graphen bei gleichen Eingabeformen wiederverwendet; auf Hopper-GPUs kann FlashAttention 3 laut Karte einen deutlichen Geschwindigkeitsgewinn gegenüber FA2 bringen; bei mehr als zwei GPUs empfiehlt sich der optimierte All-to-All-Arbeitsbereich (LONGCAT_A2A_WORKSPACE=1) [1]. Konkrete VRAM-Mindestanforderungen nennen die von uns gelesenen Quellen nicht - der Betrieb setzt jedenfalls CUDA-GPUs voraus [1].
Einordnung
Zwei Tage nach Duo v1 ist dies das zweite Avatar-Release in dieser Woche - mit umgekehrten Vorzeichen: Duo ist ein interaktives Weltmodell mit territorial eingeschränkter Lizenz, LongCat-Video-Avatar 1.6 eine Generierungspipeline unter der MIT-Lizenz, die auf Lizenzebene auch eine kommerzielle Nutzung erlaubt und sich auf eigener Infrastruktur betreiben lässt, sodass Bild- und Audiomaterial das Haus nicht verlassen müssen - wobei Rechte an den eingesetzten Gesichtern und Stimmen sowie weitergehende regulatorische Pflichten davon unberührt bleiben. Die offenen Fragen sind ähnlich wie immer: Wie gut die Langzeit-Stabilität jenseits der Hersteller-Demos ist, welche GPU-Klasse praktisch nötig wird und ob die Platzierung in der Nutzerstudie unabhängiger Prüfung standhält. MIT-Lizenz und dokumentierter Inferenzpfad machen es einfach, genau das selbst zu prüfen.
Methode
Recherche am 15. November 2026 gegen 6 Uhr UTC (7 Uhr MEZ): Modellkarte und Plattform-API von LongCat-Video-Avatar 1.6, Plattform-API des Basismodells LongCat-Video und das GitHub-Repository meituan-longcat/LongCat-Video, alle selbst geöffnet und gelesen. Den verlinkten Technikbericht (PDF) und die Projektvideos haben wir nicht geöffnet. Eigene Generierungstests haben wir nicht durchgeführt.
Grenzen
Qualitäts- und Tempoangaben stammen vom Hersteller; die Nutzerstudie ist herstellerseitig und nennt Zahlenwerte nur für das eigene Modell. VRAM-Mindestanforderungen, Trainingsdetails und Datengrundlage gehen aus den von uns gelesenen Quellen nicht hervor; dafür verweist die Karte auf den von uns nicht geöffneten Technikbericht.
Quellen
- meituan-longcat/LongCat-Video-Avatar-1.6 (Modellkarte und Plattform-API), Hugging Face (abgerufen 2026-11-15) ↩1 ↩2 ↩3 ↩4 ↩5 ↩6
- meituan-longcat/LongCat-Video (Basismodell, Plattform-API), Hugging Face (abgerufen 2026-11-15) ↩1 ↩2 ↩3
- meituan-longcat/LongCat-Video (Code, Repository-API), GitHub (abgerufen 2026-11-15) ↩1 ↩2
