标签
ControlNet作者敏神开源了FramePack视频生成模型，仅需6GB显存即可运行13B模型，生成1分钟30帧视频，RTX 4090上每帧1.5秒，并提供Windows一键包。
本文提出可识别令牌对应（Identifiable Token Correspondence）方法，通过建模跨时间帧的令牌对应关系，提升基于Transformer的世界模型在视觉强化学习中的时间一致性，在多个基准测试中取得最先进结果。