中科大、微软等研究者提出了一种基于开放域扩散的视频生成模型 DragNUWA，通过集成文本、图像和轨迹控制，实现对视频内容的精细控制。实验证明 DragNUWA 具有卓越的性能，能够可靠地控制复杂运动并生成稳定且连贯的视频。