DiTCtrl es un modelo de generación de vídeo basado en la arquitectura de transformadores de difusión multimodal (MM-DiT), que se centra en la generación de vídeos de escenas coherentes con múltiples indicaciones consecutivas sin necesidad de entrenamiento adicional. El modelo logra un control semántico preciso y un compartición de la atención entre diferentes indicaciones mediante el análisis del mecanismo de atención de MM-DiT, generando así vídeos con transiciones suaves y un movimiento consistente de los objetos. Las principales ventajas de DiTCtrl son la ausencia de necesidad de entrenamiento, la capacidad de manejar tareas de generación de vídeo con múltiples indicaciones y la posibilidad de mostrar efectos de transición con estilo cinematográfico. Además, DiTCtrl proporciona un nuevo benchmark, MPVBench, específicamente diseñado para evaluar el rendimiento de la generación de vídeo con múltiples indicaciones.