今日，美团LongCat团队宣布正式发布并开源了图像生成模型LongCat-Image。该模型以6B参数规模，在文生图和图像编辑的核心能力上接近更大尺寸模型的效果。LongCat-Image采用文生图与图像编辑同源的架构设计，并结合渐进式学习策略，实现了指令遵循精准度、生图质量与文字渲染能力的高效协同提升，尤其在单图编辑的可控性和文字生成的汉字覆盖度方面表现突出。

LongCat-Image在图像编辑领域的多个重要基准测试中达到开源SOTA水平，其性能突破的背后是一套紧密协同的训练范式和数据策略。模型基于文生图Mid-training阶段模型进行初始化，并采用指令编辑与文生图多任务联合学习机制，深化对复杂多样化指令的理解。此外，通过预训练阶段的多源数据及指令改写策略，以及SFT阶段引入人工精标数据，实现了指令遵循精准度、泛化性和编辑前后视觉一致性的共同提升。

针对中文文本渲染的行业痛点，LongCat-Image通过课程学习策略提升字符覆盖度和渲染精准度。预训练阶段基于千万量级合成数据学习字形，覆盖通用规范汉字表的8105个汉字；SFT阶段引入真实世界文本图像数据，提升在字体、排版布局上的泛化能力；RL阶段融入OCR与美学双奖励模型，进一步提升文本准确性与背景融合自然度。通过对prompt中指定渲染的文本采用字符级编码，大幅降低模型记忆负担，实现文字生成学习效率的跨越式提升。