字节开源统一框架Bernini：给DiT配个“大模型军师”，AI视频编辑先理解再动手
量子位3715 字 (约 15 分钟)
87
字节跳动开源统一视频生成与编辑框架Bernini，通过多模态大模型（MLLM）先理解语义指令并规划，再由DiT扩散模型执行高质量渲染，实现从“听指令”到“先理解再动手”的AI视频创作范式升级，支持天气、风格、动作、视角等可控编辑及参考图/视频生成。
入选理由：Bernini采用MLLM-based planner + DiT-based renderer双阶段架构，实现语义理解与视觉生成的解耦。
精选文章#AI视频生成#视频编辑#Bernini#DiT#多模态大模型中文