STIV（Scalable Text and Image Conditioned Video Generation）是苹果公司推出的大模型。STIV拥有8.7亿参数，能处理文本到视频（T2V）和文本图像到视频（TI2V）任务，基于联合图像-文本分类器自由引导（JIT-CFG）提升视频生成质量。STIV模型基于PixArt-Alpha架构，融合时空注意力机制、旋转位置编码（RoPE）和流匹配训练目标，增强视频生成的稳定性和效率。STIV支持多种下游应用，如视频预测、帧插值和长视频生成等。

STIV – 苹果公司推出的视频生成大模型 第1张
（图片来源网络，侵删）
STIV – 苹果公司推出的视频生成大模型 第2张
（图片来源网络，侵删）