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: 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。 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: 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)的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。 混元官方账号还特意发博感谢了他们: 有网友看完后直呼,混元才是最好的开源视频模型。 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。 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。 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和预计算文本嵌入,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。 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。 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。 GitHub:https://github.com/hao-ai-lab/FastVideo 参考链接: 本文来源:量子位 |
原创栏目
IT百科
网友评论
聚超值•精选