本研究提出了一种名为Loong的自回归模型，解决生成长视频的难题。通过统一建模文本和视频标记，并采用渐进式训练，Loong能有效生成符合文本提示的长视频，从10秒扩展到分钟级，具有创新性和实用性。

本研究提出了一种名为Loong的新型自回归模型，通过将文本和视频标记统一建模，并采用渐进式训练方法，提升了生成长视频的能力。该模型能从10秒视频扩展生成符合文本提示的长视频，具有创新性和实用性。