LoomVideo

LoomVideo 是一个轻量级统一视频生成与编辑模型，支持文本到视频生成、视频指令编辑、图像到视频生成及参考图像驱动的视频编辑四种任务。其核心采用5B参数规模的MLLM+DiT混合架构，通过Deepstack Injection实现多粒度语义注入，Scale-and-Add Conditioning消除token拼接开销，Negative Temporal RoPE支持多图时序建模，显著降低计算成本（推理提速5.41×）且保持高性能。适用于需兼顾效率与质量的视频AIGC研究与应用，如内容创作辅助、教育视频生成、广告素材快速迭代等场景。