# 多模态输入支持

DAM-3B是一个30亿参数的视觉语言模型，能够根据用户指定的图像区域生成精细化局部描述。

SkyReels V2是一个无限长度电影生成模型，采用自回归扩散强制架构，支持文生视频和图生视频任务，能够生成高质量的长视频内容。

由NABLAS开发的日语视觉语言模型（VLM），支持图像、多图像及视频输入，适用于多种多模态任务。

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

腾讯混元社区版的文本生成视频模型，支持通过文本提示生成高质量视频内容。