已收录文章摘要，完整内容可前往原文阅读。
给一个强大的视频生成 base model 加新能力，业内的惯性做法是"缺什么补什么"——要支持 reference 就挂一套保形象的网络，要支持 audio 就再接一套驱动模块，要支持 pose 就