К содержимому
Видео

ZYVIDEO 1.1

текст-в-видео на 490M, которую доучили двигаться

2 мин чтенияобновлено

Модель принимает текстовое описание на английском и выдаёт короткий ролик: 256×256, 16 кадров при 8 fps — примерно 4 секунды сцены. Это дообученная версия ZYVIDEO 1.0, построенной на ZYI-256 Flash: 343M пространственных параметров плюс 147M временных, итого 490M. Главное отличие версии 1.1 — упор на движение: для дообучения брали только клипы с настоящим движением, кадры сэмплировали с частотой 4 fps и добавили дополнительный вес лоссу на разницу между соседними кадрами. Пригодится тем, кто хочет собрать лёгкий пайплайн генерации видео для экспериментов или демо без тяжёлого железа, и тем, кто изучает, как маленькие модели справляются с динамикой сцены.

Ключевые особенности

  • Ставка на динамику: обучение на отфильтрованных по движению клипах, средняя разница кадров выросла с 10.59 у 1.0 до 10.77.
  • 490M параметров — пространственная часть взята от ZYI-256 Flash, временная добавлена сверху.
  • Текстовый энкодер — замороженный flan-T5-base, промпты только на английском.
  • Скромный формат: 256×256 и около 4 секунд, латент DC-AE по одному кадру (1024 токена).

Что можно сделать

  • Сгенерировать короткий атмосферный клип по промпту вроде «a golden retriever running on a sunny beach» и вставить его в демо или презентацию.
  • Прогнать серию сидов на одном промпте, чтобы посмотреть, как маленькая модель справляется с движением, и собрать наглядное сравнение с 1.0.
  • Использовать как быстрый тестовый стенд: проверить пайплайн загрузки, сохранения в mp4 и нарезки кадров перед переходом на тяжёлые модели.

Пример

import importlib.util, sys
from huggingface_hub import snapshot_download
d = snapshot_download("caikybaldo999/zyvideo-1.1")
sys.path.insert(0, d)
from zyvideo import ZyVideoPipeline, save_mp4
pipe = ZyVideoPipeline(d)
video = pipe("a golden retriever running on a sunny beach", seed=0)[0]
save_mp4(video, "out.mp4", fps=8)
ПодробнееValidation loss на клипах с движением: 0.6537 против 0.6610 у 1.0.
Дообучение: +16 285 шагов при batch 32 (521 120 видео) поверх 1.0, одна RTX PRO 6000, сессия 6 часов.
Нужны torch, diffusers, transformers, safetensors, huggingface_hub, imageio и imageio-ffmpeg.
Ограничения из карточки: лица, руки, текст и быстрое движение всё ещё даются тяжело, промпты только английские.
Видео-пример
Обсудить Telegram 0 115

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.8 GB · готовые файлы5.1 GB
  • FP8 / INT8рекомендуемвеса 0.9 GB4.0 GB
  • 4-bitвеса 0.5 GB3.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # caikybaldo999/zyvideo-1.1
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download caikybaldo999/zyvideo-1.1 --local-dir ~/models/zyvideo-1.1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к zyvideo-1.1
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (3)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • LightX2V step distill0.6.1от 9 ноября 2026новая версия

    5–10× меньше шагов

    Дистиллированные LoRA и движок: видео за 4–8 шагов вместо 30–50.

    Как включить: Подключите их step-distill LoRA к модели, CFG 1.0, 4–8 шагов.

  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии zyvideo-1.1 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 2Все на Hugging Face

О модели

caikybaldo999/zyvideo-1.1
Автор
caikybaldo999
Категория
Видео
Дата выхода
На сайте

На сайте

Hugging Face

1150

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Видео

NAVA

NAVA