先看几个关键信息：腾讯混元团队这次联合了中山大学和香港科技大学，推出一款全新的图生视频模型——Follow-Your-Pose-v2。相关研究成果已发表在arXiv上，论文DOI同样公开（10.48550/arXiv.2406.03035）。

这个模型的核心能力非常直观：你只需提供一张人物图片，再加上一段动作视频，它就能让图片中的人物跟随视频里的动作“活”起来，生成时长可达10秒的动态视频。听起来是不是有点像魔法？其实底层原理是扩散模型的变体在发挥作用。

和前代模型相比，这次最大的升级在于效率。在推理耗时显著减少的前提下，Follow-Your-Pose-v2竟然还能支持多人同时生成动作视频——这并非简单的拼接，而是确保了每个人物动作的独立性与一致性。效果方面，它的泛化能力相当扎实：无论输入的人物是孩子还是老人，服装风格多种多样，背景杂乱无章，甚至动作复杂到让人眼花缭乱，它基本都能输出质量在线的视频结果。

顺便提一句，腾讯还公布了一个针对混元DiT开源大模型的加速库，号称将生图时间缩短了75%。这意味着用户在使用ComfyUI这类图形化界面时，操作门槛进一步降低——拖拖拽拽就能跑通全流程，对不想折腾命令行的创作者来说，无疑是一项实实在在的福利。