此前视频扩散模型采用 U-Net 架构存在限制，Sora 采用 DiT 架构有所突破，但基于 Transformer 的扩散模型在生成可控动作视频方面有待探索。阿里研究者提出 Tora，这是首个面向轨迹的 DiT 架构，能集成多种条件生成视频，设计与 DiT 可扩展性契合，实验证明其表现出色。Tora 采用 OpenSora 作为基础模型，包含轨迹提取器、时空 DiT 和运动引导融合器。在实验中，Tora 与流行方法比较，对帧数变化稳健，运动控制能力卓越，轨迹误差渐进增加，视觉质量更好，保真度更高。
