LanDiff是用于高质量的（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。

LanDiff – 浙大联合月之暗面推出的文本到视频生成混合框架 第1张
（图片来源网络，侵删）
LanDiff – 浙大联合月之暗面推出的文本到视频生成混合框架 第2张
（图片来源网络，侵删）