dit

LingBot-Video提出了一个基于DiT的视频预训练框架，采用Mixture-of-Experts架构、专用数据增强和多维奖励系统，用于具身智能应用。

PhysisForcing 是一种训练框架，通过基于 DiT 架构的像素级轨迹对齐和语义级关系对齐损失来强制物理一致性，从而增强机器人操作的具身视频生成，在基准测试上取得了显著改进。

字节跳动开源了 Bernini-R，一种视频扩散渲染器，结合了基于 MLLM 的语义规划器和基于 DiT 的渲染器，用于统一的视频生成和编辑，在视频编辑上达到顶尖性能。

百度发布了ERNIE-Image-Turbo，一个蒸馏文本到图像生成模型，可在8步推理中实现快速生成，同时保持强大的文本渲染、指令遵循和结构化图像生成能力。