Im Jahr 2024 brachte ByteDance das Video-Generierungsmodell MagicVideo-V2 heraus, das Text-zu-Bild-Technologie integriert und dabei einen hohen ästhetischen Standard beibehält. Das Unternehmen stellte außerdem das multimodale große Sprachmodell Vista-LLaMA vor, um Herausforderungen im Bereich der Videoproduktion zu bewältigen, sowie das COSA-Vortrainierte visuelle Sprachgrundmodell. ByteDance forscht kontinuierlich im Bereich der Videogenerierung und leistet so einen Beitrag zur Entwicklung der KI-Technologie.