vLLM團隊推出首個“全模態”推理框架vLLM-Omni，將文本、圖像、音頻、視頻的統一生成從概念驗證變爲可落地的代碼。該框架採用解耦流水線架構，包括模態編碼器（如ViT、Whisper）、LLM核心（沿用vLLM自迴歸引擎）和模態生成器（如DiT、Stable Diffusion），支持多模態輸入與輸出。開發者可通過GitHub和ReadTheDocs獲取，並立即pip安裝使用。
阿里巴巴開源Z-Image圖像生成模型，僅6B參數實現高效生成與編輯，視覺質量接近20B級別商業模型。該模型採用單流DiT架構，生成速度快、資源佔用低，有望推動AI圖像工具普及消費級應用。
騰訊元寶推出新功能，用戶用一句話或一張圖片即可生成高清視頻。基於HunyuanVideo1.5開源模型，採用DiT架構，8.3億參數，支持5-10秒視頻生成，簡化內容創作流程。
騰訊發佈輕量級視頻生成模型HunyuanVideo1.5，採用DiT架構，參數量8.3B，可生成5-10秒高清視頻。該模型已在“元寶”平臺上線，支持文字描述生成視頻及圖片結合文字生成功能，用戶可體驗多樣化視頻創作。
基於 DiT 的人類圖像動畫框架，實現精細控制與長效一致性。
探索多模態擴散變換器中的注意力控制，實現無需調優的多提示長視頻生成
基於DiT的視頻生成模型，即時生成高質量視頻。
基於DIT模型自注意力能力的單概念遷移研究
Alibaba
-
輸入tokens/百萬
輸出tokens/百萬
上下文長度
Deepseek
$4
$12
128
Chatglm
$16
32
$2
$8
Minimax
Stepfun
Baidu
diffusers
FLUX.2-dev是基於NF4量化的DiT和文本編碼器的圖像生成與編輯模型，提供高質量的圖像生成和編輯能力，適用於圖像領域的開發應用。
valiantcat
Qwen-Image-Edit-MeiTu是基於Qwen-Image-Edit的改進版本，採用DiT架構微調，專注於提升複雜圖像編輯中的視覺一致性、美學質量和結構對齊能力。
Lightricks
首個基於DiT架構的即時高質量視頻生成模型，支持1216×704分辨率30FPS生成
首個基於DiT架構的即時高質量視頻生成模型，能以30幀/秒生成1216×704分辨率視頻
DiTy
該模型是基於google/gemma-2-9b-it針對函數調用任務進行微調的版本，訓練數據完全由人工標註，使用了俄語版本的DiTy/function-calling數據集。
kaupane
基於Wikiart數據集訓練的擴散變換器模型，用於生成藝術作品圖像
基於Wikiart數據集訓練的擴散變換器模型，用於生成藝術風格圖像
基於DiT架構的即時高質量視頻生成模型，支持文本轉視頻及圖像轉視頻兩種應用場景
首個基於DiT的視頻生成模型，能夠即時生成高質量視頻，支持文本轉視頻及圖像+文本轉視頻兩種場景
ByteDance
InfiniteYou（InfU）是一個基於FLUX擴散變換器（DiT）的身份保持圖像生成框架，能夠在保持身份特徵的同時實現靈活的圖片重塑。
jobs-git
首個基於DiT架構的即時高質量視頻生成模型，支持文本到視頻和圖像到視頻生成
首個基於DiT的視頻生成模型，能夠即時生成高質量視頻，支持文本轉視頻和圖像+文本轉視頻兩種場景。
conjuncts
該模型是一個基於transformers庫的模型，具體功能和用途需要進一步信息確認。
THUDM
CogView3-Plus-3B是CogView3的DiT版本，支持512至2048像素的文本生成圖像功能。
3DTopia
3DTopia-XL是一個基於擴散變換器（DiT）和PrimX表示的高質量3D資產生成模型，能夠從文本或圖像輸入快速生成3D PBR資產。
cmarkea
基於microsoft/dit-base微調的文檔圖像佈局檢測模型，可識別11類文檔元素
基於DeepPavlov/rubert-base-cased預訓練模型並通過MS-MARCO俄語段落排序數據集微調的sentence-transformers模型，用於俄語信息檢索任務。
基於DeepPavlov/rubert-base-cased預訓練模型，使用MS-MARCO俄語段落排序數據集微調的sentence-transformers模型，用於俄語的非對稱語義搜索。
jzju
基於DIT架構的文檔圖像分割模型，專門用於識別和分割文檔中的不同元素類型。
DiTo97
基於SegFormer-B3架構微調的文檔圖像二值化模型，在DIBCO評估指標上表現優異
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
