vLLM团队推出首个“全模态”推理框架vLLM-Omni，将文本、图像、音频、视频的统一生成从概念验证变为可落地的代码。该框架采用解耦流水线架构，包括模态编码器（如ViT、Whisper）、LLM核心（沿用vLLM自回归引擎）和模态生成器（如DiT、Stable Diffusion），支持多模态输入与输出。开发者可通过GitHub和ReadTheDocs获取，并立即pip安装使用。
阿里巴巴开源Z-Image图像生成模型，仅6B参数实现高效生成与编辑，视觉质量接近20B级别商业模型。该模型采用单流DiT架构，生成速度快、资源占用低，有望推动AI图像工具普及消费级应用。
腾讯元宝推出新功能，用户用一句话或一张图片即可生成高清视频。基于HunyuanVideo1.5开源模型，采用DiT架构，8.3亿参数，支持5-10秒视频生成，简化内容创作流程。
腾讯发布轻量级视频生成模型HunyuanVideo1.5，采用DiT架构，参数量8.3B，可生成5-10秒高清视频。该模型已在“元宝”平台上线，支持文字描述生成视频及图片结合文字生成功能，用户可体验多样化视频创作。
基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。
探索多模态扩散变换器中的注意力控制，实现无需调优的多提示长视频生成
基于DiT的视频生成模型，实时生成高质量视频。
基于DIT模型自注意力能力的单概念迁移研究
Alibaba
-
输入tokens/百万
输出tokens/百万
上下文长度
Deepseek
$4
$12
128
Chatglm
$16
32
$2
$8
Minimax
Stepfun
Baidu
diffusers
FLUX.2-dev是基于NF4量化的DiT和文本编码器的图像生成与编辑模型，提供高质量的图像生成和编辑能力，适用于图像领域的开发应用。
valiantcat
Qwen-Image-Edit-MeiTu是基于Qwen-Image-Edit的改进版本，采用DiT架构微调，专注于提升复杂图像编辑中的视觉一致性、美学质量和结构对齐能力。
Lightricks
首个基于DiT架构的实时高质量视频生成模型，支持1216×704分辨率30FPS生成
首个基于DiT架构的实时高质量视频生成模型，能以30帧/秒生成1216×704分辨率视频
DiTy
该模型是基于google/gemma-2-9b-it针对函数调用任务进行微调的版本，训练数据完全由人工标注，使用了俄语版本的DiTy/function-calling数据集。
kaupane
基于Wikiart数据集训练的扩散变换器模型，用于生成艺术作品图像
基于Wikiart数据集训练的扩散变换器模型，用于生成艺术风格图像
基于DiT架构的实时高质量视频生成模型，支持文本转视频及图像转视频两种应用场景
首个基于DiT的视频生成模型，能够实时生成高质量视频，支持文本转视频及图像+文本转视频两种场景
ByteDance
InfiniteYou（InfU）是一个基于FLUX扩散变换器（DiT）的身份保持图像生成框架，能够在保持身份特征的同时实现灵活的图片重塑。
jobs-git
首个基于DiT架构的实时高质量视频生成模型，支持文本到视频和图像到视频生成
首个基于DiT的视频生成模型，能够实时生成高质量视频，支持文本转视频和图像+文本转视频两种场景。
conjuncts
该模型是一个基于transformers库的模型，具体功能和用途需要进一步信息确认。
THUDM
CogView3-Plus-3B是CogView3的DiT版本，支持512至2048像素的文本生成图像功能。
3DTopia
3DTopia-XL是一个基于扩散变换器（DiT）和PrimX表示的高质量3D资产生成模型，能够从文本或图像输入快速生成3D PBR资产。
cmarkea
基于microsoft/dit-base微调的文档图像布局检测模型，可识别11类文档元素
基于DeepPavlov/rubert-base-cased预训练模型并通过MS-MARCO俄语段落排序数据集微调的sentence-transformers模型，用于俄语信息检索任务。
基于DeepPavlov/rubert-base-cased预训练模型，使用MS-MARCO俄语段落排序数据集微调的sentence-transformers模型，用于俄语的非对称语义搜索。
jzju
基于DIT架构的文档图像分割模型，专门用于识别和分割文档中的不同元素类型。
DiTo97
基于SegFormer-B3架构微调的文档图像二值化模型，在DIBCO评估指标上表现优异
%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)
