混元视频生成模型 HunyuanVideo

是什么

混元视频（HunyuanVideo）是腾讯开源的文生视频模型，参数超过 130 亿。腾讯称它是当时最大的开源视频生成模型^[1]。模型权重采用腾讯混元社区许可证（Tencent Hunyuan Community license）发布^[3]。

由来

2024 年 12 月 3 日，腾讯发布了推理代码和模型权重^[1]。技术报告《HunyuanVideo: A Systematic Framework For Large Video Generative Models》同日发布在 arXiv 上^[2]。Diffusers 集成于 12 月 17 日上线，FP8 权重于 12 月 18 日发布^[1]。

结构

该模型采用「双流到单流」的全注意力 Transformer：视频 token 与文本 token 先分别处理，再拼接在一起进行融合^[1]。文本编码器使用解码器结构的多模态大语言模型，并配有一个双向 token 精炼器。

视频压缩则使用因果 3D VAE，在时间维度上压缩 4 倍，空间维度压缩 8 倍，通道维度压缩 16 倍^[1]。VAE（变分自编码器）负责把视频映射为更小的潜表示，再还原回来，因此扩散过程处理的是这一紧凑表示，而不是每一帧原始画面。

硬件需求

默认输出为 720×1280 分辨率、129 帧的视频^[1]。生成视频至少需要 60GB 显存，推荐使用 80GB 的 GPU^[1]。Decrypt 报道称，在本地运行至少需要 60GB 显存，例如英伟达 H800 或 H20 显卡^[4]。

人工评测

在一项由 1533 条提示词、60 多名评测人员参与的专业评测中，混元视频综合排名第一，得分 41.3%。对比的闭源模型包括 Gen-3 alpha（27.4%）和 Luma 1.6（24.8%）。在运动质量一项中，它得分 66.5%^[1]。这些结果来自腾讯自己的评测。

后续版本

后续版本包括：图生视频的 HunyuanVideo-I2V（2025 年 3 月 6 日）、HunyuanCustom（2025 年 5 月 9 日）、HunyuanVideo-Avatar（2025 年 5 月 28 日）和 HunyuanVideo-1.5（2025 年 11 月 21 日）^[1]。