七火山发布Etna文生视频模型，可生成8-15秒4K高清视频，帧率高达60FPS，它采用最新DiT架构，加入时空卷积和注意力层，同时保持稳定和连续，超20亿参数训练，视频流畅自然，最高分辨率3840*2160，画面细腻逼真。

DiT扩散模型，出自谢赛宁与Sora研发之一威廉·皮波尔斯合著的一篇论文《Scalable diffusion models with transformers》，它不仅将 Transformer 成功应用到了扩散模型上，还深入探究了transformer架构在扩散模型上的scalability能力。