刷到阶跃星辰有人在讲他们Step-Video系列的关键技术。视频生成比图像难的地方就在时序一致性和算力开销，帧和帧之间怎么保持连贯又不炸显存，是这类模型的核心工程难题。
国内团队愿意把技术细节拿出来讲的不多，能公开分享一些设计取舍，对做底层的还是有参考价值的，起码能看到别人踩过的坑和思路。
等有更详细的技术文档出来再深看一遍。
1 个赞
时序一致性确实是老大难
国内肯讲技术细节的太少了，支持
蹲详细技术文档
显存炸这块太真实了 
视频生成的工程复杂度比图像高一个量级
+1，做底层的关注下