基于 30B 的 Movie Gen Video 模型，Meta 將參考人像、個性化文本作為輸入，實現了個性化視頻（PT2V）輸出。Meta 從已訓練好的 T2V Movie Gen Video 參數作為初始化權重，在微調當中使用視覺標記串聯，使其集成到一個統一的框架中，從而允許擴展模型大小。使用可訓練的長提示 MetaCLIP 視覺編碼器從人臉圖像中提取身份特征，然后使用投影層將其與文本特征維度對齊，進而輸入到Transformer 的交叉注意力模塊進行訓練。黃色模塊表示凍結層，采用已訓練好的參數，綠色表示可訓練模塊。訓練策略包括 PT2V 預訓練階段，然后是 PT2V 高質量的微調。