LongCat‑Video Edit（Image‑to‑Video）クイックスタート¶

このガイドでは、LongCat‑Video の image‑to‑video ワークフローの学習と検証を説明します。フレーバーを切り替える必要はありません。同じ final チェックポイントが text‑to‑video と image‑to‑video の両方をカバーします。違いはデータセットと検証設定にあります。

1) ベース LongCat‑Video との違い¶

引き継ぐコア既定値 - shift 12.0 のフローマッチング。 - アスペクトバケットは 64px 固定。 - Qwen‑2.5‑VL テキストエンコーダ。CFG 有効時は空のネガティブが自動追加されます。 - 既定フレーム数: 93（(frames-1)%4==0 を満たす）。

2) 設定変更（CLI/WebUI）¶

{
  "model_family": "longcat_video",
  "model_flavour": "final",
  "model_type": "lora",
  "train_batch_size": 1,
  "gradient_checkpointing": true,
  "lora_rank": 8,
  "learning_rate": 1e-4,
  "validation_resolution": "480x832",
  "validation_num_video_frames": 93,
  "validation_num_inference_steps": 40,
  "validation_guidance": 4.0,
  "validation_using_datasets": true,
  "eval_dataset_id": "longcat-video-val"
}

aspect_bucket_alignment は 64 のままにしてください。最初の latent フレームは開始画像として固定されます。VAE ストライドルール (frames - 1) % 4 == 0 をすでに満たす 93 フレームを基本とし、強い理由がない限り変更しないでください。

クイックセットアップ:

cp config/config.json.example config/config.json

CUDA の attention オプション: - CUDA では、LongCat‑Video はバンドルされた block‑sparse Triton カーネルがあれば自動優先し、なければ標準ディスパッチャへフォールバックします。手動トグルは不要です。 - xFormers を強制する場合は、設定/CLI に attention_implementation: "xformers" を指定します。

3) データローダー: クリップと開始フレームのペア¶

• 2 つのデータセットを用意します:
• クリップ: 目標動画 + キャプション（編集指示）。is_i2v: true を付け、conditioning_data に開始フレームのデータセット ID を指定します。
• 開始フレーム: 1 クリップにつき 1 枚の画像。ファイル名は一致させ、キャプションは不要です。
• どちらも 64px グリッド（例: 480x832）に揃えます。高さ/幅は 16 で割り切れる必要があります。フレーム数は (frames - 1) % 4 == 0 を満たしてください。93 は有効値です。
• クリップと開始フレームで VAE キャッシュは分けてください。

例 multidatabackend.json:

[
  {
    "id": "longcat-video-train",
    "type": "local",
    "dataset_type": "video",
    "is_i2v": true,
    "instance_data_dir": "/data/video-clips",
    "caption_strategy": "textfile",
    "resolution": 480,
    "cache_dir_vae": "/cache/vae/longcat/video",
    "conditioning_data": ["longcat-video-cond"]
  },
  {
    "id": "longcat-video-cond",
    "type": "local",
    "dataset_type": "conditioning",
    "instance_data_dir": "/data/video-start-frames",
    "caption_strategy": null,
    "resolution": 480,
    "cache_dir_vae": "/cache/vae/longcat/video-cond"
  }
]

caption_strategy のオプションと要件については DATALOADER.md を参照してください。

4) 検証の注意点¶

• 学習と同じペア構造の小さな検証スプリットを用意します。validation_using_datasets: true を設定し、eval_dataset_id をそのスプリット（例: longcat-video-val）に向けて、検証時に開始フレームを自動取得します。
• WebUI プレビュー: simpletuner server を起動し、LongCat‑Video edit を選んで開始フレーム + プロンプトを入力します。
• ガイダンス: 3.5〜5.0 が良好。CFG 有効時は空のネガティブが自動補完されます。
• 低 VRAM のプレビュー/学習では、musubi_blocks_to_swap（4〜8 から）と必要に応じて musubi_block_swap_device を設定し、最後の Transformer ブロックを CPU からストリーミングします。スループットは落ちますがピーク VRAM は下がります。
• 条件フレームはサンプリング中に固定され、後続フレームのみがデノイズされます。

5) トレーニング開始（CLI）¶

設定とデータローダーの準備後:

simpletuner train --config config/config.json

6) トラブルシューティング¶

• 条件画像がない: conditioning_data で条件データセットを指定し、ファイル名が一致していることを確認してください。検証では eval_dataset_id を検証スプリット ID に設定します。
• 高さ/幅エラー: 16 で割り切れ、64px グリッドに揃っていることを確認してください。
• 最初のフレームがドリフト: ガイダンスを下げる（3.5〜4.0）か、ステップ数を減らしてください。