hunyuanvideo-1.5

HunyuanVideo-1.5は、Tencent Hunyuanがリリースしたオープンソースの動画生成モデルです。これは83億パラメータを持つ軽量な拡散トランスフォーマー（DiT）モデルであり、モデルオフロードを有効にすると、わずか14GBのVRAMでコンシューマー向けNVIDIA GPU上で実行できるように設計されています。リポジトリには、推論コード、モデル重み、学習コード、LoRAファインチューニングスクリプトが含まれています。 機能 - 480pおよび720pでのテキストから動画（T2V）および画像から動画（I2V）生成。出力を1080pにアップスケールする数ステップの超解像ネットワークを備えています。 - 16倍の空間圧縮と4倍の時間圧縮を備えた3D因果VAEに加え、長いシーケンスの計算を削減することを目的としたSelective and Sliding Tile Attention（SSTA）メカニズムを搭載。 - グリフ対応テキストエンコーディングによるバイリンガルプロンプト理解、およびvLLM互換エンドポイント（例ではQwen3モデルを参照）を介したオプションの自動プロンプト書き換え。 - 複数の高速化オプション：CFG蒸留モデル、ステップ蒸留モデル（480p I2V、8または12ステップ推奨）、スパースアテンション、SageAttention、フィーチャーキャッシング（deepcache、teacache、taylorcache）。FP8 GEMM推論もサポートされています。 - torchrunによる複数GPUでの分散推論。設定可能なオフロードとグループオフロードを備えています。 学習と統合 - 学習スクリプト（train.py）は、Muonオプティマイザーを使用した分散学習、FSDP、コンテキスト並列、勾配チェックポイントをサポートしています。 - 統合先には、Hugging Face Diffusers、ComfyUI（使用ガイドとコミュニティプラグイン付き）、LightX2V、Wan2GP、ComfyUI-MagCacheが含まれます。 要件 - Linux、Python 3.10以上、CUDA対応NVIDIA GPU、および使用する機能に応じたFlash Attention、Flex-Block-Attention、SageAttention、SGL-Kernelなどのアテンションライブラリのインストール。 モデル重みはHugging Faceで配布されており、480pおよび720pのT2V/I2Vバリアント、蒸留版、超解像モデルをカバーしています。一部の重み（特定のスパースおよび蒸留720pバリアントなど）は近日公開予定とされています。READMEには、プロンプトハンドブックとarXivレポートへのリンクもあります。