STIV

STIV（Scalable Text and Image Conditioned Video Generation）是由苹果公司开发的先进视频生成大模型，具备8.7亿参数，专注于文本到视频（T2V）及文本图像到视频（TI2V）任务。该模型通过集成联合图像-文本分类器自由引导（JIT-CFG）技术，显著提升了视频生成的质量。STIV基于PixArt-Alpha架构，并融合了时空注意力机制、旋转位置编码（RoPE）以及流匹配训练目标，增强了视频生成的稳定性与效率。该模型广泛应用于视频预测、帧插值及长视频生成等多种下游任务。