Hunyuan Video Introduction

HunyuanVideo memanfaatkan kerangka kerja komprehensif yang mengintegrasikan kurasi data, pelatihan model gabungan gambar-video, dan infrastruktur efisien untuk pelatihan dan inferensi model skala besar. Ini menggunakan desain Transformer dengan mekanisme Full Attention dan arsitektur model hibrida 'Dual-stream to Single-stream' untuk generasi video. Tidak seperti model tradisional yang menggunakan encoder CLIP atau T5, ia memanfaatkan Model Bahasa Besar Multimodal (MLLM) dengan struktur Decoder-Only untuk meningkatkan keselarasan gambar-teks. Model ini juga dilengkapi dengan Model Penulisan Ulang Prompt yang menyempurnakan prompt pengguna agar lebih sesuai dengan preferensi model. Selain itu, ia menerapkan kuantisasi FP8 untuk mengurangi penggunaan memori sebesar 50% sambil mempertahankan presisi.