超越文本条件：用于视频生成的 MLLM-DiT 融合系统研究

英文标题：Beyond Text Conditioning: A Systematic Study of MLLM-DiT Fusion for Video Generation

该论文研究将多模态大语言模型（MLLM）与扩散 Transformer（DiT）融合，以提升视频生成中的高层语义规划能力。论文指出，DiT 已成为高保真视频生成的主流范式，但其复杂语义规划能力仍然有限。研究聚焦混合架构中 MLLM 与扩散骨干网络的融合方式，旨在为视频生成模型的设计与评估提供系统性参考。对开发者而言，这项工作有助于理解如何通过 MLLM 增强视频生成系统的语义理解、规划和条件控制能力。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB