待验证85% 置信事实时间未知
早期视频生成模型基于U-Net架构，而扩散变换器将Transformer的注意力机制引入扩散过程
1
来源数
85%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
Veo 4.0视频生成效果实测：两段视频吃掉86%算力配额
bilibiliSUSU未來可期
涉及实体
相关事实
待验证文生视频模型架构中，早期多采用U-Net结构（如Stable Video Diffusion），新一代模型倾向于使用Transformer架构（如DiT）79% 相似待验证视频Transformer需在三维时空上建立注意力矩阵，计算量呈立方级增长，这是视频生成模型对算力要求远超图像生成的根本原因76% 相似待验证Transformers框架近期对视频生成模型、推理优化（如量化、KV Cache）等方向的支持力度明显加大76% 相似待验证现代视频扩散模型通常采用U-Net或DiT（Diffusion Transformer）架构来预测每一步添加的噪声76% 相似待验证基于Transformer的时序建模方法已成为自动视频摘要领域的主流，其自注意力机制能对视频中任意两个时间点的帧建立长距离依赖关系76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/17903API
curl https://kongchang.com/api/v1/knowledge/claims/17903MCP
get_claim(id=17903)