豆包捏法

豆包团队视频生成新突破：无需语言模型，仅凭“视觉”就能学习复杂任务 现有的视频生成模型，大多依赖语言或标签数据学习知识，很少涉及纯视觉信号的学习，比如Sora。然而，语言并不能捕捉真实世界中的所有知识，例如，折纸、打领...