腾讯版Sora开源后被提速8倍!官方点赞并预告:下月上新图生视频

全文1200字,阅读约需4分钟,帮我划重点

划重点

01腾讯版Sora开源后被提速8倍,新模型FastHunyuan仅用1分钟就能生成5秒长的视频。

02与普通速度的混元相比,FastHunyuan在相同时间内可以生成8条视频,画面细节更逼真。

03FastHunyuan的代码已开源,研究团队来自加州大学圣地亚哥分校的Hao AI实验室。

04团队开发了全新的视频DiT蒸馏配方,使用OpenSoraPlan中的MixKit数据集进行蒸馏。

05除此之外,混元还预告了将在下个月推出图像到视频生成功能。

以上内容由腾讯混元大模型生成,仅供参考

提速8倍!

速度更快、效果更好的混元视频模型——FastHunyuan来了!

新模型仅用1分钟就能生成5秒长的视频,比之前提速8倍,步骤也从50步减少到了6步,甚至画面细节也更逼真了。

和普通速度的混元对比一下,原来50步才能生成1条视频,而现在新模型在相同的时间里可以生成8条

图片

再来看看和Sora的画面对比,可以看到Fast-Hunyuan和Sora两者的效果都更逼真一些,衣服、水果和山峰的细节也非常清晰。

图片

图片

图片

图片

甚至在一些物理细节的理解上,Fast-Hunyuan比Sora还强,比如下面拿取柠檬的视频:

图片

更重要的是,Fast-Hunyuan的代码也开源了,这下不用为Sora的订阅费和限额发愁了。

研究团队来自加州大学圣地亚哥分校(UCSD)Hao AI实验室,他们主要专注机器学习算法和分布式系统的研究。

图片

图片

混元官方账号还特意发博感谢了他们:

图片

有网友看完后直呼,混元才是最好的开源视频模型。

图片

开创性的视频DiT蒸馏配方

团队是如何做到8倍提速的情况下还能提升视频清晰度呢?

下面就一起来看一下Fast-Hunyuan的技术原理——

首先,他们开发了全新的视频DiT蒸馏配方

具体来说,他们的蒸馏配方基于阶段一致性(Phased Consistency Model, PCM)模型

图片

在尝试使用多阶段蒸馏后发现效果没有显著改进,最终他们选择保持单阶段设置,与原始PCM模型的配置相似。

其次,团队使用了OpenSoraPlan中的MixKit数据集进行了蒸馏。

图片

为了避免在训练过程中运行文本编码器和VAE,团队还预处理了所有数据,用来生成文本嵌入和VAE潜在变量。

在推理阶段,用户可以通过FSDP、序列并行和选择性激活检查点进行可扩展训练,模型可以近乎线性扩展到64个GPU。测试代码在Python 3.10.0、CUDA 12.1和H100上运行。

官方推荐使用80GB内存的GPU,不同模型有相应的下载权重和推理命令。

最低硬件要求如下:

  • 40 GB GPU 内存,每个 GPU 配备 lora

  • 30 GB GPU 内存,每 2 个 GPU 配备 CPU 卸载和 LoRa。

在模型微调方面,Fast-Hunyuan提供了全微调(需准备符合格式的数据,提供了一些可下载的预处理数据及对应命令)和LoRA 微调(即将上线)两种方式。

此外,他们还结合了预计算潜变量预计算文本嵌入,用户可以根据自己的硬件条件选择不同的微调方式来执行命令,也支持图像和视频的混合微调

图片

模型已于2024年12月17日发布了v0.1版本。

未来的开发计划还包括添加更多蒸馏方法(如分布匹配蒸馏)、支持更多模型(如CogvideoX模型)以及代码更新(如fp8支持、更快的加载和保存模型支持)等等。

图片

One More Thing

除了加速模型,混元还预告了大家都非常期待的图像到视频生成功能。

最快1月份,也就是下个月就可以看到!期待住了。

图片

图片

GitHub:https://github.com/hao-ai-lab/FastVideo
HuggingFace:https://huggingface.co/FastVideo/FastHunyuan

参考链接:
[1]https://x.com/TXhunyuan/status/1869282002786292097