国元证券AI视频生成报告对DiT技术的发展趋势进行了深入分析。2022年12月《Scalable Diffusion Models with Transformers》论文发表，提出将传统扩散模型的U-Net替换为Transformer。2024年2月OpenAI发布Sora，验证了Diffusion和Transformer结合的有效性，并带动DiT架构成为当前重点方向。国内厂商迅速跟进：可灵采用DiT架构并对隐空间编/解码、时序建模等模块进行升维处理；Seedance1.0引入精确描述模型和统一预训练框架。时长、速度、质量、声音等多维度持续突破，AI视频生成正从技术验证走向规模化商用。

扩散模型已成为视觉生成领域的主导技术路线，但在DiT之前，扩散模型主要基于U-Net架构。2022年12月William Peebles等发表《Scalable Diffusion Models with Transformers》，提出将传统扩散模型的U-Net替换为Transformer，采用AdaLN-Zero（自适应归一化）注入条件信息（文本/图像/轨迹），取代交叉注意力，从而提升传统扩散模型的可扩展性。DiT的核心优势在于：Transformer架构具备更强的扩展性，能够有效利用更大规模的数据和参数；注意力机制能更好地建模像素点之间的上下文关系；统一的架构便于多模态输入的融合。这一架构革命为后续Sora的成功奠定了理论基础。

2024年2月OpenAI发布Sora，成为DiT架构的里程碑式验证。根据Sora发布的技术文章，Sora先将视频压缩到低维潜在空间中，然后将表示分解为时空patch，实现视频“patch化”，采用DiT架构在多个领域展示了显著的扩展性能。对比过去的视频生成模型，Sora生成视频时长显著提升至60秒，对于自然语言和物理世界规律有了更强的理解能力。Sora不仅能够生成高质量视频，还展现出模拟物理世界某些方面的能力，如物体持久性、简单交互等，被业界视为“世界模拟器”的初步实现。Sora的成功为行业带来深刻启发，不少厂商迅速跟进DiT架构并进行差异化创新。

国内厂商在DiT架构上进行了大量创新。可灵使用DiT架构，同时对模型中的隐空间编/解码、时序建模等模块进行了升维处理。在隐空间编/解码上，快手自研了3D VAE网络，实现时空同步压缩；在时序信息建模上，设计了计算高效的含注意力机制作为时空建模模块，能精准捕捉视频帧内局部空间特征及跨帧时间动态特征。Seedance1.0引入精确描述模型提升数据多样性与可用性，统一高效的预训练框架实现多镜头切换与多模态输入，后训练构建复合奖励系统提升画面生动性、稳定性和美感。MiniMax Hailuo02在模型架构上构建了解耦空间层和时间层的扩散Transformer模型，多镜头多模态旋转位置编码，统一的任务框架使一个模型可实现多种任务。国内厂商在DiT基础架构上的差异化创新，正推动视频生成能力持续向商用标准迈进。

DiT架构下的视频生成正沿着多个维度持续突破。时长方面，Veo2支持理论最高2分钟的4K视频生成，可灵大师版可以通过续写方式将视频延长至3分钟，时长突破有望进一步满足叙事需求、扩展下游应用。生成速度方面，以Seedance1.0为例，5秒1080p视频生成推理耗时仅41.4秒（基于L20测试），效率大幅提升。生成质量方面，随着产品迭代“抽卡率”有望降低。丰富度方面，Veo3通过将视频像素转化为语义信号实时生成匹配声音，大大增强视频生成可用性。DiT架构的可扩展性意味着未来模型能力仍有巨大提升空间，AI视频生成正加速从“辅助工具”向“核心生产力工具”演进。

DiT架构核心优势与国产厂商创新

架构/厂商	核心创新	关键突破
DiT（基础架构）	U-Net→Transformer	可扩展性大幅提升
Sora	时空patch化	60秒视频，物理模拟
可灵	3D VAE+时序注意力	视频延长至3分钟
Seedance1.0	精确描述模型+复合奖励	多镜头切换，多模态输入
Hailuo02	解耦时空扩散Transformer	统一任务框架