/ Модель

Характеристики

Размер весов
39,7 ГБ
Лицензия
Apache 2.0
Библиотека
self-forcing
Опубликована
9 июн 2025

Self-Forcing

Генерация видеоТекст → видео3 профессии

Авторегрессионная диффузионная модель для потоковой генерации видео в реальном времени по подробным текстовым запросам.

14 665скачиваний за 30 дней131лайквеса обновлены23 сен 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

gdhe17/Self-Forcing — реализация и чекпойнт модели для генерации видео по текстовому описанию на основе авторегрессионной диффузии. Подход Self Forcing обучает модель, воспроизводя процесс инференса: она последовательно генерирует фрагменты видео с использованием KV-кэширования, что помогает уменьшить расхождение между обучением и применением. Репозиторий использует библиотеку Self-Forcing и формат весов PyTorch.

Модель предназначена для потоковой генерации видео в реальном времени; авторы сообщают о работе на одной RTX 4090 и сопоставимом с современными диффузионными моделями качестве. Для получения лучших результатов рекомендуются длинные и подробные текстовые запросы. В README также описаны способы ускорения генерации, некоторые из которых могут снизить качество. Для запуска проверялась Linux-система с GPU, имеющим не менее 24 ГБ памяти, и 64 ГБ ОЗУ; другие конфигурации не проверялись. Лицензия — Apache-2.0.

Сценарии применения

  • генерация коротких видеосцен по текстовому описанию
  • потоковое создание видео в реальном времени
  • прототипирование визуальных сцен по подробным промптам

Ограничения

Для лучших результатов нужны длинные и подробные запросы; README рекомендует предварительно расширять их сторонней языковой моделью. Проверена работа на Linux и GPU с памятью от 24 ГБ, а отдельные способы ускорения могут снизить качество.

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

Self Forcing trains autoregressive video diffusion models by simulating the inference process during training, performing autoregressive rollout with KV caching. It resolves the train-test distribution mismatch and enables real-time, streaming video generation on a single RTX 4090 while matching the quality of state-of-the-art diffusion models.


Requirements

We tested this repo on the following setup:

  • Nvidia GPU with at least 24 GB memory (RTX 4090, A100, and H100 are tested).
  • Linux operating system.
  • 64 GB RAM.

Other hardware setup could also work but hasn't been tested.

Installation

Create a conda environment and install dependencies:

conda create -n self_forcing python=3.10 -y
conda activate self_forcing
pip install -r requirements.txt
pip install flash-attn --no-build-isolation
python setup.py develop

Quick Start

Download checkpoints

huggingface-cli download Wan-AI/Wan2.1-T2V-1.3B --local-dir-use-symlinks False --local-dir wan_models/Wan2.1-T2V-1.3B
huggingface-cli download gdhe17/Self-Forcing checkpoints/self_forcing_dmd.pt --local-dir .

GUI demo

python demo.py

Note:

  • Our model works better with long, detailed prompts since it's trained with such prompts. We will integrate prompt extension into the codebase (similar to Wan2.1) in the future. For now, it is recommended to use third-party LLMs (such as GPT-4o) to extend your prompt before providing to the model.
  • You may want to adjust FPS so it plays smoothly on your device.
  • The speed can be improved by enabling torch.compile, TAEHV-VAE, or using FP8 Linear layers, although the latter two options may sacrifice quality. It is recommended to use torch.compile if possible and enable TAEHV-VAE if further speedup is needed.

CLI Inference

Example inference script using the chunk-wise autoregressive checkpoint trained with DMD:

python inference.py \
    --config_path configs/self_forcing_dmd.yaml \
    --output_folder videos/self_forcing_dmd \
    --checkpoint_path checkpoints/self_forcing_dmd.pt \
    --data_path prompts/MovieGenVideoBench_extended.txt \
    --use_ema

Other config files and corresponding checkpoints can be found in configs folder and our huggingface repo.

Training

Download text prompts and ODE initialized checkpoint

huggingface-cli download gdhe17/Self-Forcing checkpoints/ode_init.pt --local-dir .
huggingface-cli download gdhe17/Self-Forcing vidprom_filtered_extended.txt --local-dir prompts

Note: Our training algorithm (except for the GAN version) is data-free (no video data is needed). For now, we directly provide the ODE initialization checkpoint and will add more instructions on how to perform ODE initialization in the future (which is identical to the process described in the CausVid repo).

Self Forcing Training with DMD

torchrun --nnodes=8 --nproc_per_node=8 --rdzv_id=5235 \
  --rdzv_backend=c10d \
  --rdzv_endpoint $MASTER_ADDR \
  train.py \
  --config_path configs/self_forcing_dmd.yaml \
  --logdir logs/self_forcing_dmd \
  --disable-wandb

Our training run uses 600 iterations and completes in under 2 hours using 64 H100 GPUs. By implementing gradient accumulation, it should be possible to reproduce the results in less than 16 hours using 8 H100 GPUs.

Acknowledgements

This codebase is built on top of the open-source implementation of CausVid by Tianwei Yin and the Wan2.1 repo.

Citation

If you find this codebase useful for your research, please kindly cite our paper:

@article{huang2025selfforcing,
  title={Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion},
  author={Huang, Xun and Li, Zhengqi and He, Guande and Zhou, Mingyuan and Shechtman, Eli},
  journal={arXiv preprint arXiv:2506.08009},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · self-forcing

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Ревизия весов
2f8b779

0 моделей