StepFun presentó formalmente Step-Video-T2V, un modelo abierto de generación de video a partir de texto de 30.000 millones de parámetros basado en una arquitectura Transformer de Difusión (DiT) profunda, posicionándose como uno de los modelos abiertos más grandes y capaces del ecosistema audiovisual. Diseñado para superar los desafíos históricos de estabilidad temporal y realismo cinemático que limitaban a los modelos abiertos frente a alternativas privativas como OpenAI Sora o Runway Gen-3, Step-Video-T2V genera clips nativos en resolución 1080p con simulación física precisa de fluidos, dinámicas de iluminación volumétrica y adherencia estricta a prompts narrativos extensos en inglés y chino gracias a un sistema dual de codificadores textuales.
Capítulo 01
La noticia en una frase
StepFun lanza Step-Video-T2V, modelo abierto de 30B con arquitectura DiT profunda para generación de video de alta fidelidad y consistencia temporal.
La arquitectura de 30B parámetros integra modelado espaciotemporal unificado para crear secuencias de video realistas con movimientos de cámara cinemáticos.
Capítulo 02
El alcance que cambia la lectura
La frontera de la generación de video de alta resolución deja de ser un monopolio de plataformas SaaS cerradas: creadores de efectos visuales, agencias de publicidad y desarrolladores de motores de videojuegos pueden desplegar y ajustar finamente un modelo fundacional de 30B en sus propios clústeres de infraestructura.
