概览
Step-Video-T2V 是阶跃星辰（StepFun）于 2025 年 2 月 17 日以 MIT 许可开源的文生视频模型，参数量 300 亿，单条最长可生成 204 帧，支持 768×768（204 帧）、544×992（204 帧 / 136 帧）等配置。架构上采用深度压缩 Video-VAE（空间 16×16、时间 8 倍压缩）与带 3D 全注意力的 DiT，并用直接偏好优化（DPO）提升生成质量。团队同时开源了评测集 Step-Video-T2V-Eval：128 条中文提示，覆盖运动、动物、影视镜头、超现实等 11 个类别。衍生版本包括推理步数蒸馏的 Step-Video-T2V-Turbo 与 2025 年 3 月 17 日发布的图生视频模型 Step-Video-TI2V。
- 模态
- 视频
- 参数量
- 30B
- 许可说明
- 开源 · MIT
能力
- 文生视频，单条最长 204 帧
- 支持 768×768、544×992 等多种分辨率配置
- 深度压缩 Video-VAE：空间 16×16、时间 8× 压缩比
- DiT + 3D 全注意力架构，并用直接偏好优化（DPO）提升画质
- 配套开源中文视频生成评测集 Step-Video-T2V-Eval