LanDiff – 浙大联合月之暗面推出的文本到视频生成混合框架

LanDiff是用于高质量的 文本到视频 （T2V）生成的创新混合框架，结合了自回归语言模型（LLM）和扩散模型（Diffusion Model）的优势，通过粗到细的生成方式，有效克服了单一方法在语义理解和视觉质量上的局限性。在VBench T2V基准测试中取得了85.43的高分，超越了包括13B的Hunyuan Video在内的多个开源和商业模型。

官网：https://arxiv.org/pdf/2503.04606

立即打开官网