Sa2VA 是字节跳动联合加州大学默塞德分校、武汉大学和北京大学共同推出的多模态大语言模型，是 SAM2 和 LLaVA 结合而成，能实现对图像和视频的密集、细粒度理解。

VideoCrafter2 是一个由腾讯 AI 实验室开发的视频生成模型，旨在克服高质量视频数据获取的局限性，训练出能够生成高质量视频的模型。

Luma Ray2 是 Luma AI 推出的最新视频生成模型，Ray2 基于 Luma 新的多模态架构训练后展现出先进功能，该架构的计算能力是 Ray1 的 10 倍。

包括 Pika 1.0 和 Pika 2.0，这些模型在处理活动主体的真实性方面进行了优化，尽管在复杂行为生成上仍面临挑战。

Stable Video Diffusion 是 Stability AI 发布的一种开源潜在扩散模型，支持文本生成视频和图像生成视频以及物体从单一视角到多视角的 3D 合成。

PixVerse V系列包含 PixVerse V1 和 V2，这些模型在生成视频时注重画质和动作流畅性，随着版本迭代，性能有所提升。