一种生成模型：能够从单张图像生成高分辨率和多视角一致的人体，并提出了有效的训练策略。 一种扩散Transformer架构：专为增强多视角生成和视角控制而设计。 一种注意力偏置技术：能够在推理时生成比训练时多5倍以上的视角。 一种新颖的3D一致性指标 ...

业界领先的文本生成图像和视频能力，在多个基准测试中创下新纪录。 创新性地引入 Rectified Flow Transformer，提高图像-视频的联合生成质量。 构建大规模高质量数据集，结合 MLLM & LLM 提高文本描述质量。 优化计算效率与训练稳定性，支持大规模分布式训练 ...