**LoomVideo: 统一多模态输入的视频生成与编辑**

_LoomVideo: Unifying Multimodal Inputs into Video Generation and Editing_

> LoomVideo是一种高效的5B参数统一框架，用于视频生成和编辑。它采用多模态大语言模型替换标准文本编码器，并引入零开销的Scale-and-Add条件机制，避免了标记拼接带来的计算开销。实验表明，LoomVideo在综合基准上达到最先进的性能，尤其在电商和时尚生成场景中表现卓越，推理速度比同类模型快至少5.41倍。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.06042)