Ein leistungsfähiges Bildmodell muss nicht zwangsläufig riesig sein – das zeigt Meituan mit LongCat-Image eindrucksvoll. Aber was steckt wirklich hinter diesem Ansatz?
Im Kern verfolgt LongCat-Image eine klare Gegenstrategie zum aktuellen Trend der immer weiter wachsenden Modellgrößen. Mit nur sechs Milliarden Parametern gelingt es dem Open-Source-Modell, in Benchmarks mit deutlich größeren Systemen mitzuhalten oder diese sogar zu übertreffen. Entscheidend dafür ist nicht rohe Rechengewalt, sondern eine durchdachte Architektur auf Basis eines hybriden multimodalen Diffusion Transformers. Bild- und Textinformationen werden zunächst getrennt verarbeitet und erst gezielt zusammengeführt, was die Steuerbarkeit verbessert und Ressourcen schont.
Besonders bemerkenswert ist der konsequente Umgang mit Trainingsdaten. Meituan setzt auf eine strenge Filterung und hält KI-generierte Bilder lange vollständig aus dem Trainingsprozess heraus. Damit adressiert das Team ein zentrales Qualitätsproblem moderner Bild-KI: künstlich wirkende Texturen und die bekannte „Plastik-Optik“. Ergänzt wird dieser Ansatz durch Reinforcement Learning mit einer speziellen Belohnungsfunktion, die visuelle Artefakte aktiv bestraft und realitätsnahe Ergebnisse fördert.
Auch bei der Textdarstellung geht LongCat-Image neue Wege. Durch eine hybride Textkodierung kann das Modell zwischen semantischem Verständnis und buchstabenweiser Verarbeitung wechseln. Gerade bei Schrift im Bild sorgt dieser Character-Level-Ansatz für deutlich präzisere Ergebnisse – ein Schwachpunkt vieler etablierter Modelle.
Statt alles in ein einziges System zu pressen, trennt Meituan zudem Bildgenerierung und Bildbearbeitung bewusst. Ein eigenes Edit-Modell erlaubt präzise Änderungen, ohne die fotorealistische Qualität der Generierung zu verwässern. Für Entwickler besonders interessant: Neben den finalen Modellen stellt Meituan auch Checkpoints aus früheren Trainingsphasen sowie den kompletten Trainingscode offen zur Verfügung.