LoomVideo 5B 對決 13B+ 主流框架，零開銷條件注入打破影片編輯序列翻倍死結

統一影片生成與編輯框架長期被一個計算瓶頸卡住：把來源影片 token 直接拼接進序列後，序列長度翻倍，self-attention 複雜度四倍暴增，讓實際部署成本高到難以接受。LoomVideo 提出一套 5B 參數的統一架構，對比主流做法慣用的 13B 以上參數規模，宣稱在不拉長序列的前提下同時處理影片生成與編輯任務。

架構設計有兩個關鍵動作：一，以 MLLM（多模態大型語言模型）取代標準文字編碼器，再透過 Deepstack 注入機制將 MLLM 多層特徵對齊至擴散 Transformer（DiT）；二，引入 Scale-and-Add 條件注入，對 clean latent 直接縮放相加，不額外擴充序列長度，論文稱此設計為「零開銷」。

對在做影片生成產品的團隊，這份工作指出一個值得關注的方向：編輯能力不必非得靠拼接序列換來。主流「13B+ 拼接」路線的計算代價限制了商業部署空間，LoomVideo 的做法理論上意味著以架構設計壓縮計算成本，而非靠堆參數換性能邊界。需注意的是，上述宣稱來自單一 HF 論文，尚未經獨立實測驗證，後續同行審閱結果仍是關鍵變數。