본 논문은 트랜스포머 기반의 확산 모델을 사용하여 고품질 비디오를 생성하는 텍스트-투-비디오(T2V) 생성 모델의 한계를 극복하기 위해, 스트리밍 비디오 생성 모델인 StreamDiT를 제안합니다. StreamDiT는 flow matching 기반의 학습, 혼합 훈련, adaLN DiT 기반 모델링, 그리고 다단계 증류 방법을 활용하여 40억 개의 매개변수를 가진 모델을 구축했습니다. 이를 통해 512p 해상도에서 16 FPS의 실시간 성능을 달성하여 스트리밍 생성, 인터랙티브 생성 및 비디오-투-비디오와 같은 실시간 애플리케이션에 적용할 수 있도록 했습니다.
