LongCat-Video: un modelo chino y gratis se pone a la altura de Veo3
Meituan publica LongCat-Video, un modelo de vídeo open source de 13,6B parámetros con licencia MIT que planta cara a Veo3 en texto a vídeo y se queda último en imagen a vídeo. Y por debajo hay un aviso de hardware que casi nadie cuenta.
Durante años la respuesta rápida a «¿puedo generar vídeo con IA en mi máquina?» era un no. Los modelos buenos estaban detrás de una API de pago y los abiertos se quedaban a mucha distancia. LongCat-Video, el modelo que acaba de publicar Meituan, discute esa segunda parte: es open source, es gratis y, según sus propios números, se pone a la altura de Veo3 en texto a vídeo.
Y hay un detalle que hace la historia más interesante: quien lo publica no es un laboratorio de IA. Es Meituan, la empresa china de reparto de comida y servicios locales.
Qué es LongCat-Video
Un modelo fundacional de vídeo de 13,6B parámetros con licencia MIT, tanto para el código como para los pesos. Lo interesante no es el tamaño, sino que unifica tres tareas en un solo modelo: texto a vídeo, imagen a vídeo y continuación de vídeo, en lugar de tener un modelo distinto para cada cosa.
El repo acumula 8.073 estrellas, 1.440 forks y 79 issues abiertas, y lo mantiene un equipo de 7 personas dentro de Meituan. Se publicó el 25 de octubre de 2025 y el último commit es del 27 de mayo de 2026: lleva unos cuatro meses parado, y no hay ninguna release publicada.
Los números: dónde gana
En texto a vídeo, la comparativa que publican es esta. La métrica es MOS (valoración humana) sobre su propio benchmark interno:
- Veo3: 3,48
- LongCat-Video: 3,38
- PixVerse-V5: 3,36
- Wan 2.2: 3,35
Queda por debajo de Veo3, pero por delante de los otros dos, y ahí está el titular que les interesa: le gana a Wan 2.2, que es un modelo MoE de 28B parámetros con 14B activos, usando la mitad de parámetros (13,6B dense).
Y dónde pierde (esto también lo publican ellos)
En imagen a vídeo la cosa cambia bastante:
- Seedance 1.0: 3,35
- Hailuo-02: 3,27
- Wan 2.2: 3,26
- LongCat-Video: 3,17 — último
También queda último en calidad de movimiento (3,59 frente a los 3,80 de Hailuo-02) y solo gana en calidad visual. Traducción: muy bueno cuando le describes la escena con texto, más flojo cuando le das una imagen de partida.
Lo técnicamente interesante
- Vídeo largo sin degradarse. Está preentrenado en continuación de vídeo, así que genera tomas de varios minutos sin la deriva de color ni la pérdida de nitidez que suelen aparecer.
- Coarse-to-fine en tiempo y espacio más Block Sparse Attention: es lo que permite sacar 720p a 30 fps en minutos.
- RLHF con multi-reward GRPO para alinear el resultado.
- Se presenta como primer paso hacia los world models, la idea de que un modelo de vídeo acabe simulando mundos y no solo pintando fotogramas.
El aviso que no sale en el titular: el hardware
Aquí es donde se cae el «open source igual a gratis». Los pesos son enormes: 77,6 GB el modelo base, 69,7 GB la versión de avatar y 119,7 GB la anterior.
Y la VRAM no es un detalle menor. En las issues del propio repositorio hay un caso de alguien con 48 GB de VRAM que no consigue arrancarlo: le salta CUDA out of memory con la tarjeta prácticamente llena. Hay usuarios preguntando si les vale con dos V100 de 32 GB y otros preguntando si corre en un MacBook con M4.
Dos consecuencias prácticas: necesita CUDA (usa FlashAttention-2, así que en un Mac con Apple Silicon no arranca) y no existe demo oficial en Hugging Face, solo espacios clonados por usuarios y sin mantenimiento. Probarlo de verdad significa alquilar una GPU por horas y descargar decenas de gigas.
Y la parte que más nos interesa
El repositorio incluye LongCat-Video-Avatar-1.5, un modelo que genera a una persona hablando a partir de un audio. La versión 1.5 cambia Wav2Vec2 por Whisper-Large para clavar mejor la sincronía de los labios, aguanta tomas largas, acepta una o varias pistas de audio y generaliza a estilos como el anime o los animales. Además baja a 8 pasos de inferencia gracias a la destilación.
Para quien trabaja con presentadores virtuales esto cambia la cuenta: es la diferencia entre pagar por cada vídeo que generas y montarte el tuyo una sola vez, con tu personaje, sobre una GPU alquilada.
La lección de siempre
Es el mismo ejercicio que hicimos con las descargas de Muse: leer el dato entero en vez del titular. Antes de creerse un «open source que supera a X» conviene hacer tres preguntas:
- ¿En qué tarea gana y en cuál no? Aquí gana en texto a vídeo y pierde en imagen a vídeo.
- ¿Contra quién compite y con qué benchmark? Su tabla es su propio benchmark interno, no un test público y reproducible.
- ¿Puedo ejecutarlo yo? 77 GB de pesos y 48 GB de VRAM que no bastan responden a esa pregunta antes de que la hagas.
Practícalo en Codeia
Entender qué modelo abierto merece la pena, cuál solo se puede alquilar y cuál no cabe en tu portátil es parte del mapa que se trabaja en los cursos de Codeia. Y en la comunidad puedes contar si lo has probado y qué tal se porta.
Fuentes
Sobre el autor
Paulo Formador IA - Desarrollo y automatizaciones Fullstack: PHP, React, NextJS, Angular, Vue, Nuxt