منصوبے کے بارے میں

HunyuanVideo-1.5 Tencent Hunyuan کی طرف سے جاری کردہ ایک اوپن سورس ویڈیو جنریشن ماڈل ہے۔ یہ ایک ہلکا پھلکا ڈفیوژن ٹرانسفارمر (DiT) ماڈل ہے جس میں 8.3 بلین پیرامیٹرز ہیں، جو کنزیومر گریڈ NVIDIA GPUs پر چلانے کے لیے ڈیزائن کیا گیا ہے، جس میں ماڈل آف لوڈنگ فعال ہونے پر صرف 14 GB VRAM کی ضرورت ہوتی ہے۔ ریپوزٹری انفرنس کوڈ، ماڈل وزن، ٹریننگ کوڈ، اور LoRA فائن ٹیوننگ اسکرپٹس فراہم کرتی ہے۔ صلاحیتیں - ٹیکسٹ-ٹو-ویڈیو (T2V) اور امیج-ٹو-ویڈیو (I2V) جنریشن 480p اور 720p پر، ایک چند مراحل پر مشتمل سپر ریزولوشن نیٹ ورک کے ساتھ جو آؤٹ پٹ کو 1080p تک بڑھاتا ہے۔ - ایک 3D کازل VAE جس میں 16x اسپیشل اور 4x ٹیمپورل کمپریشن ہے، ساتھ ہی ایک سلیکٹیو اور سلائیڈنگ ٹائل اٹینشن (SSTA) میکانزم جو لمبی سیکوینسز کے لیے کمپیوٹیشن کم کرنے کے لیے ہے۔ - گلائف سے آگاہ ٹیکسٹ انکوڈنگ کے ذریعے دو لسانی پرامپٹ سمجھ، اور vLLM-مطابق اینڈ پوائنٹ کے ذریعے اختیاری خودکار پرامپٹ دوبارہ لکھنا (مثالیں Qwen3 ماڈلز کا حوالہ دیتی ہیں)۔ - متعدد ایکسلریشن آپشنز: CFG-ڈسٹلڈ ماڈلز، سٹیپ-ڈسٹلڈ ماڈلز (480p I2V، 8 یا 12 سٹیپس تجویز کردہ)، اسپارس اٹینشن، SageAttention، اور فیچر کیشنگ (deepcache، teacache، taylorcache)۔ FP8 GEMM انفرنس بھی سپورٹ کیا جاتا ہے۔ - torchrun کے ذریعے متعدد GPUs پر تقسیم شدہ انفرنس، کنفیگر ایبل آف لوڈنگ اور گروپ آف لوڈنگ کے ساتھ۔ ٹریننگ اور انٹیگریشن - ٹریننگ اسکرپٹ (train.py) تقسیم شدہ ٹریننگ، FSDP، کنٹیکسٹ پیرلل، اور گریڈینٹ چیک پوائنٹنگ کو سپورٹ کرتا ہے، Muon آپٹیمائزر کا استعمال کرتے ہوئے۔ - درج کردہ انٹیگریشنز میں Hugging Face Diffusers، ComfyUI (استعمال گائیڈ اور کمیونٹی پلگ ان کے ساتھ)، LightX2V، Wan2GP، اور ComfyUI-MagCache شامل ہیں۔ تقاضے - لینکس، Python 3.10+، CUDA-قابل NVIDIA GPU، اور استعمال شدہ فیچرز کے لحاظ سے Flash Attention، Flex-Block-Attention، SageAttention، اور SGL-Kernel جیسی اٹینشن لائبریریوں کی تنصیب۔ ماڈل وزن Hugging Face پر تقسیم کیے گئے ہیں، جو 480p اور 720p T2V/I2V مختلف اقسام، ڈسٹلڈ ورژنز، اور سپر ریزولوشن ماڈلز کا احاطہ کرتے ہیں۔ کچھ وزن (مثلاً بعض اسپارس اور ڈسٹلڈ 720p مختلف اقسام) جلد آنے والے کے طور پر نشان زد ہیں۔ README پرامپٹ ہینڈ بک اور ایک پرامپٹ ہینڈ بک سے لنک بھی کرتا ہے۔