/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
diffusers
Опубликована
2 авг 2025

FastWan2.2-TI2V-5B-FullAttn-Diffusers

Генерация видеоТекст → видео3 профессии

Дообученная на базе Wan 2.2 модель FastVideo для ускоренной генерации видео по текстовым описаниям за три шага.

76 691скачиваний за 30 дней73лайкавеса обновлены25 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

FastWan2.2-TI2V-5B-FullAttn-Diffusers — модель генерации видео по текстовому описанию от команды FastVideo, дообученная на базе Wan-AI/Wan2.2-TI2V-5B-Diffusers. В карточке указано, что для этой версии обучение проводилось с использованием DMD; заявленная для серии Sparse-distill схема здесь не применялась. Модель поддерживает генерацию за три шага и обучена для разрешения 121×704×1280; можно задавать и другие разрешения, но качество при этом может снижаться.

Модель предназначена для ускоренного создания видеороликов по текстовым запросам и исследовательских экспериментов с генерацией видео. Репозиторий содержит веса в формате Diffusers и Safetensors и распространяется по лицензии Apache-2.0. Для запуска доступны скрипты инференса и дообучения; карточка упоминает поддержку GPU от H100 до RTX 4090, а также Mac.

Сценарии применения

  • создание короткого видео по текстовому описанию
  • быстрое прототипирование видеосцен по промптам
  • эксперименты с ускоренной генерацией видео
  • генерация видео в разрешении 121×704×1280

Ограничения

При генерации с разрешениями, отличными от 121×704×1280, качество может снижаться. Для этой версии в README заявлено обучение только с DMD; подробные ограничения качества и рекомендованные параметры не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FastVideo FastWan2.2-TI2V-5B-FullAttn-Diffusers Model

Online Demo

You can try our models here!

Introduction

We're excited to introduce the FastWan2.2 series—a new line of models finetuned with our novel Sparse-distill strategy. This approach jointly integrates DMD and VSA in a single training process, combining the benefits of both distillation to shorten diffusion steps and sparse attention to reduce attention computations, enabling even faster video generation.

FastWan2.2-TI2V-5B-Full-Diffusers is built upon Wan-AI/Wan2.2-TI2V-5B-Diffusers. It supports efficient 3-step inference and produces high-quality videos at 121×704×1280 resolution. For training, we used simulated forward for the generator model, making the process data-free. The current FastWan2.2-TI2V-5B-Full-Diffusers model is trained using only DMD.


Model Overview

num_gpus=1
export FASTVIDEO_ATTENTION_BACKEND=FLASH_ATTN
export MODEL_BASE=FastVideo/FastWan2.2-TI2V-5B-Full-Diffusers
# export MODEL_BASE=hunyuanvideo-community/HunyuanVideo
# You can either use --prompt or --prompt-txt, but not both.
fastvideo generate \
    --model-path $MODEL_BASE \
    --sp-size $num_gpus \
    --tp-size 1 \
    --num-gpus $num_gpus \
    --height 704 \
    --width 1280 \
    --num-frames 121 \
    --num-inference-steps 3 \
    --fps 24 \
    --prompt-txt assets/prompt.txt \
    --negative-prompt "Bright tones, overexposed, static, blurred details, subtitles, style, works, paintings, images, static, overall gray, worst quality, low quality, JPEG compression residue, ugly, incomplete, extra fingers, poorly drawn hands, poorly drawn faces, deformed, disfigured, misshapen limbs, fused fingers, still picture, messy background, three legs, many people in the background, walking backwards" \
    --seed 1024 \
    --output-path outputs_video_dmd/ \
    --dmd-denoising-steps "1000,757,522"
  • Try it out on FastVideo — we support a wide range of GPUs from H100 to 4090, and also support Mac users!

Training Infrastructure

Training was conducted on 8 nodes with 64 H200 GPUs in total, using a global batch size = 64, and training runs for 3000 steps (~12 hours)

If you use the FastWan2.2-TI2V-5B-FullAttn-Diffusers model for your research, please cite our paper:

@article{zhang2025vsa,
  title={VSA: Faster Video Diffusion with Trainable Sparse Attention},
  author={Zhang, Peiyuan and Huang, Haofeng and Chen, Yongqi and Lin, Will and Liu, Zhengzhong and Stoica, Ion and Xing, Eric and Zhang, Hao},
  journal={arXiv preprint arXiv:2505.13389},
  year={2025}
}
@article{zhang2025fast,
  title={Fast video generation with sliding tile attention},
  author={Zhang, Peiyuan and Chen, Yongqi and Su, Runlong and Ding, Hangliang and Stoica, Ion and Liu, Zhengzhong and Zhang, Hao},
  journal={arXiv preprint arXiv:2502.04507},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Пайплайн WanDMDPipeline не входит в diffusers 0.41.0.dev0: нужен custom_pipeline.

Ревизия весов
3e18704

0 моделей