文本可控生成

TV2TV：面向交错语言与视频生成的统一框架

TV2TV: A Unified Framework for Interleaved Language and Video Generation

把视频生成拆成交错的文本推理与视频流匹配两步，用 Mixture-of-Transformers 让语言塔决定「接下来发生什么」、视频塔负责出帧，可直接借鉴到需要长程语义分支的视频生成与推理时文本干预控制。