首个工业级720p视频生成模型！字节提出离散自回归模型InfinityStar，VBench斩获83.74高分，代码模型已开源。

字节推出的 InfinityStar 是一个统一的时空自回归框架，用于高分辨率图像和动态视频合成。

• 统一时空模型：一种纯粹离散的自回归方法，在一个优雅的架构中共同捕捉空间和时间依赖性。

• 多功能生成：这种统一的设计自然地支持各种生成任务，例如文本到图像、文本到视频、图像到视频以及通过简单的时序自回归进行长交互式视频合成。

• 领先的性能和速度：通过大量的实验，InfinityStar 在 VBench 上获得了83.74分，大幅超越了所有自回归模型，甚至超越了 HunyuanVideo 等扩散型竞争对手，速度比领先的基于扩散的方法快约10 倍。

• 开创高分辨率自回归生成：据我们所知，InfinityStar 是第一款能够生成工业级 720p 视频的离散自回归视频生成器，为同类产品树立了新的质量标准。

  全身美学
  动漫与3D
  运动

  长篇互动视频

unsetunset相关链接unsetunset

• 论文：https://arxiv.org/pdf/2511.04675
• 代码：https://github.com/FoundationVision/InfinityStar
• 模型：https://huggingface.co/FoundationVision/InfinityStar

unsetunset介绍unsetunset

字节推出的InfinityStar是一个用于高分辨率图像和动态视频合成的统一时空自回归框架。基于自回归建模在视觉和语言领域的最新成功，论文采用纯离散方法，在单一架构中同时捕捉空间和时间依赖性。

这种统一的设计自然地支持各种生成任务，例如文本到图像、文本到视频、图像到视频以及通过简单的时序自回归生成长交互式视频。大量实验表明，InfinityStar 在 VBench 测试中取得了 83.74 分，大幅优于所有自回归模型，甚至超越了一些基于扩散的竞争对手，例如 HunyuanVideo。

无需额外优化，模型生成 5 秒、720p 视频的速度比领先的基于扩散的方法快约 10 倍。InfinityStar 是首个能够生成工业级 720p 视频的离散自回归视频生成器。我们发布所有代码和模型，以促进对高效、高质量视频生成技术的进一步研究。

unsetunset方法概述unsetunset

• 统一建模，用于图像、视频生成和长交互式视频合成：InfinityStar 的时空金字塔建模。InfinityStar 采用统一的自回归 管道构建，能够在一个模型中完成文本到图像、文本到视频、图像到视频以及视频 外推等任务。

unsetunset可视化unsetunset

文本转图像示例

图片转视频示例

视频外推示例

unsetunset基准unsetunset

在图像生成基准测试中达到最高性能：

在视频生成基准测试中达到最高性能：

超越混源视频*等分销竞争对手：

unsetunset结论unsetunset

InfinityStar是一个统一的时空自回归框架，能够合成高分辨率图像和动态、高运动视频。InfinityStar 通过在纯离散架构中无缝集成空间和时间预测，支持各种生成任务，同时保持一流的质量和卓越的效率。我们广泛的评估表明，InfinityStar 的性能优于以往的自回归视频模型，并可与领先的基于扩散的方法相媲美，仅需十分之一的推理时间即可生成 5 秒的 720p 视频。此外还扩展了 InfinityStar，使其支持生成长交互式视频。作为首个能够实现工业级 720p 视频合成的离散自回归模型，预期 InfinityStar 将推动未来对快速、长视频生成的研究。