腾讯开源混元视频生成模型 HunyuanVideo

背景

视频生成模型能够根据文字描述或其他输入生成动态画面。混元视频是腾讯在这一方向的产品，腾讯发布时称其为当时最大的同类开源模型^[1]。

文生视频模型通常基于扩散技术，从噪声出发经多步去噪生成画面，并且必须让动作在不同帧之间保持连贯，因此难度远高于单张图像生成。开源发布让研究者和开发者可以在自己的硬件上运行模型，而不必只依赖商业服务。

发生了什么

2024 年 12 月 3 日，腾讯发布了混元视频的推理代码和模型权重^[1]。配套的技术报告同日发布在 arXiv 上^[2]。

关键细节

腾讯称其参数超过 130 亿，是最大的开源视频生成模型^[1]。在腾讯组织的专业人工评测中，该模型综合排名第一，领先 Gen-3 alpha、Luma 1.6 等多个闭源商业视频模型^[1]。据 Decrypt 报道，本地运行至少需要 60GB 显存^[3]。

12 月 7 日，并行推理代码发布；12 月 17 日，Diffusers 支持上线；12 月 18 日，FP8 权重发布^[1]。

动作质量是视频生成中较难的一个方面，物体需要在帧与帧之间平滑、合理地移动。评测结果也取决于所选的提示词、评测人员和对比模型。

影响

这次发布让外部用户可以获取一个大规模开源视频模型的代码和权重。不过，显存要求较高，这意味着该模型主要适用于高端 GPU 环境^[1][3]。

这类硬件要求也解释了为什么大型开放模型主要由拥有专门计算资源的实验室和企业使用。

在评测之外，模型的开源许可、权重规模和硬件门槛共同决定了它的实际使用范围。