Hunyuan Video Giới thiệu

HunyuanVideo sử dụng một khung toàn diện tích hợp việc chọn lọc dữ liệu, đào tạo mô hình kết hợp hình ảnh-video và cơ sở hạ tầng hiệu quả cho việc đào tạo và suy diễn mô hình quy mô lớn. Nó sử dụng thiết kế Transformer với cơ chế Full Attention và kiến trúc mô hình lai 'Dual-stream to Single-stream' cho việc tạo video. Khác với các mô hình truyền thống sử dụng bộ mã hóa CLIP hoặc T5, nó tận dụng Mô hình Ngôn ngữ Đa phương thức Lớn (MLLM) với cấu trúc chỉ giải mã để cải thiện sự căn chỉnh hình ảnh-văn bản. Mô hình cũng có một Mô hình Viết lại Gợi ý giúp tinh chỉnh các gợi ý của người dùng để phù hợp hơn với sở thích của mô hình. Thêm vào đó, nó thực hiện định lượng FP8 để giảm 50% mức sử dụng bộ nhớ trong khi vẫn duy trì độ chính xác.