/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Wan2.1-T2V-1.3B-Diffusers
Библиотека
diffusers
Опубликована
30 авг 2026

FastWan2.1-T2V-1.3B-Diffusers

Генерация видеоТекст → видео

Производная модели FastVideo/FastWan2.1-T2V-1.3B-Diffusers. Дообученная FastVideo модель Wan2.1 для быстрой генерации видео по текстовым запросам за три шага диффузии.

15скачиваний за 30 дней0лайковвеса обновлены30 авг 2026

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

Карточка модели ThePilot999/FastWan2.1-T2V-1.3B-Diffusers на Hugging Face совпадает с карточкой FastVideo/FastWan2.1-T2V-1.3B-Diffusers, поэтому описание составлено по ней.

FastWan2.1-T2V-1.3B-Diffusers — модель FastVideo Team для генерации видео по текстовому описанию. Она дообучена на основе Wan-AI/Wan2.1-T2V-1.3B-Diffusers с применением стратегии Sparse-distill, объединяющей DMD-дистилляцию и разреженное внимание.

Модель поддерживает трёхшаговый вывод и обучена на видео размером 61×448×832. На H100 заявлена скорость до 16 кадров в секунду; доступны варианты запуска на разных GPU, включая RTX 4090, а также на Mac. Можно запрашивать другие разрешения, но качество при этом может снижаться. Для работы с репозиторием используются Diffusers и формат safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • создание коротких видео по текстовым описаниям
  • быстрое прототипирование видеосцен
  • генерация видео с уменьшенным числом шагов диффузии

Ограничения

Модель обучена на разрешении 61×448×832; при генерации в других разрешениях качество может снижаться. Заявленная скорость до 16 кадров в секунду относится к одной GPU H100.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FastVideo FastWan2.1-T2V-1.3B-Diffusers Model

Online Demo

You can try our models here!

Introduction

We're excited to introduce the FastWan2.1 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.

FastWan2.1-T2V-1.3B-Diffusers is built upon Wan-AI/Wan2.1-T2V-1.3B-Diffusers. It supports efficient 3-step inference and produces high-quality videos at 61×448×832 resolution. For training, we use the FastVideo 480P Synthetic Wan dataset, which contains 600k synthetic latents.


Model Overview

# install FastVideo and VSA first
git clone https://github.com/hao-ai-lab/FastVideo
pip install -e .
cd csrc/attn
git submodule update --init --recursive
python setup_vsa.py install

num_gpus=1
export FASTVIDEO_ATTENTION_BACKEND=VIDEO_SPARSE_ATTN
export MODEL_BASE=FastVideo/FastWan2.1-T2V-1.3B-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 480 \
    --width 848 \
    --num-frames 81 \
    --num-inference-steps 3 \
    --fps 16 \
    --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/ \
    --VSA-sparsity 0.8 \
    --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 4 nodes with 32 H200 GPUs in total, using a global batch size = 64.
We enable gradient checkpointing, set gradient_accumulation_steps=2, and use learning rate = 1e-5.
We set VSA attention sparsity to 0.8, and training runs for 4000 steps (~12 hours)

If you use the FastWan2.1-T2V-1.3B-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
02fff63

0 моделей