LongCat-Image Technical Report
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告为图像生成与编辑技术报告，含预训练与中训及 SFT、RL 数据策略、扩散架构设计、多基准评测及完整训练与微调代码开源发布。
关键要点
- 该报告提出 LongCat-Image，核心扩散模型约 6B 参数，小于文中常见的近 20B 或更大 MoE 架构。
- 训练语料经筛选后规模约 1.2 billion samples，并分预训练、中训、SFT、RL 多阶段使用。
- 文本编码器采用 Qwen2.5VL-7B，对引号内需渲染文本做字符级编码。
- LongCat-Image 在 GenEval 上 Overall 为 0.87。
- 在 DPG-Bench 上 Overall 为 86.80。
- 发布中训 checkpoint 及从预训练到 RL 的完整训练与微调代码库。