智东西 昨天
苹果开源两大视频生成模型!单卡延迟36毫秒,技术秘籍还能给别家模型提速
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_keji1.html

 

智东西

编译 | 孙小雯

编辑 | 程茜

智东西 11 月 18 日消息,今天,苹果开源面向实时交互的视频生成模型FastFrames 系列,包含13 亿参数的 FastFrames-S 和140 亿参数的 FastFrames-L。两款模型面向视频生成研究人员和交互应用开发者,主打低延迟 480P 视频生成。

据苹果公布的测试,FastFrames-S 在单张英伟达 B200 GPU 上的生成延迟为 36 毫秒,在保持与其基础模型 Causal Forcing++ 相近生成质量的同时,速度达到后者的约 7.6 倍。FastFrames-L 与同样基于通义万相 Wan2.1-14B 开发的实时视频模型 Krea-Realtime 生成效果相当,单卡速度约为后者的 10.6 倍;使用 8 张 B200 后,延迟进一步降至 45 毫秒。

苹果公布的生成质量与延迟对比(图源:苹果)

为了检验这套加速方法是否可推及其他模型,苹果另外选择了两款外部模型进行优化。其中,蚂蚁灵波团队的 LingBot 1.3B 经优化后,响应速度约为原版的 16 倍。斯坦福大学等团队的 RealWonder 经优化后,响应速度约为原版的 22 倍。

针对 FastFrames 系列,两款模型实现提速的训练方法不同。S 版选择冻结 Causal Forcing++ 基础生成器的权重,另行训练负责画面输出和历史信息处理的两个网络。L 版则对阿里通义万相Wan2.1-14B进行蒸馏,使其能够用更少步骤连续生成后续画面,再训练上述配套网络。

从案例效果来看,两款模型生成的画面都有较细腻的质感和丰富的光影。不过,S 版的部分案例中存在文字乱码、提示词理解偏差、画面不够稳定的情况。以官方给出的女孩拉小提琴案例为例,S 版的细节处理较粗糙,琴弓明显偏离琴弦,女孩的面部也随着琴弓来回移动出现变形。相比之下,L 版在人物面部和演奏动作上的表现更稳定。

FastFrames-S 生成的女孩拉小提琴视频(图源:苹果)

FastFrames-L 生成的女孩拉小提琴视频(图源:苹果)

目前,开发者可从 Hugging Face 下载 FastFrames 模型权重,配合 GitHub 代码,在搭载英伟达 GPU 的 Linux 设备上运行文生视频任务。苹果同时公开了训练和评测工具,供开发者继续训练、复现实验。模型权重免费提供下载,许可限定为非商业科研用途。

GitHub 代码仓库:

https://github.com/apple-aiml-research/ml-fastframes

Hugging Face 开源地址:

FastFrames-S:https://huggingface.co/apple/FastFrames-S

FastFrames-L:https://huggingface.co/apple/FastFrames-L

技术报告地址:

https://apple-aiml-research.github.io/ml-fastframes/

一、沙滩写字、羊驼跳舞,S 版瑕疵偏多,L 版生成更细腻

苹果在官方项目页公开了 22 组文生视频对比,展示 FastFrames-S、FastFrames-L 及对应对照模型的输出,覆盖文字生成、动物动作和人物场景等任务。

在文字生成案例中,提示词要求镜头从空中下降到黑沙滩,海浪泡沫在沙面形成 "STAY CURIOUS" 字样,并在海水流动时保持文字清晰可读。S 版生成的文字出现乱码,L 版生成的文字准确清晰,后者在光照、阴影和构图方面也更精致。

FastFrames-S 生成的海浪文字视频(图源:苹果)

FastFrames-L 生成的海浪文字视频(图源:苹果)

在动物动作案例中,提示词要求一只穿彩色睡衣的羊驼在舞台上跳舞,腿部和尾巴随动作摆动。这组视频可用于对照两款模型对动物动作、服装和身体关系的处理,两款模型对 " 跳舞 " 指令的理解不同,S 版把羊驼做成双腿站立的拟人形象,让它挥动前肢、左右摆身,舞蹈动作更明显,L 版保留了羊驼四足着地的体态,毛发和睡衣纹理更清楚,但动作主要是抬起前腿、原地踏步,幅度较小。

FastFrames-S 生成的羊驼跳舞视频(图源:苹果)

FastFrames-L 生成的羊驼跳舞视频(图源:苹果)

在人物场景案例中,提示词要求咖啡馆中的女子缓慢搅拌咖啡,随后看向窗外微笑,镜头先靠近面部、再拉远,呈现咖啡蒸汽、室内灯光和窗外雨景。S 版和 L 版都理解了需求,但 S 版生成画面人物发质纹理还原不够细腻,整体光感也不够自然,L 版则更加符合真实场景中的光学环境。

FastFrames-S 生成的咖啡馆人物视频(图源:苹果)

FastFrames-L 生成的咖啡馆人物视频(图源:苹果)

二 、苹果将加速方法用于其他模型,提速后最高可达原版 22 倍

除了展示 S、L 两款新模型的生成效果,苹果还将 FastFrames 的加速方法用于其他团队已有的模型,检验镜头控制和物理交互场景中的响应效果。测试对象分别为蚂蚁灵波团队的世界模型 LingBot 1.3B,以及斯坦福大学等团队的物理交互视频生成系统 RealWonder。

首先,苹果用 LingBot 1.3B 测试加速效果。屏幕左右并排运行原版与加速版,两边同时接收相同的键盘输入。操作者先在巨石阵中前进、转动视角,随后切换到石砌走廊,持续按住前进键。加速版更快地更新画面,镜头随操作连续向前移动。

LingBot 1.3B 加速前后的巨石阵导航对比,左为原版,右为加速版(图源:苹果)

LingBot 1.3B 加速前后的走廊导航对比,左为原版,右为加速版(图源:苹果)

苹果透露,LingBot 1.3B 的生成延迟从原版最快官方配置的 842 毫秒降至 52 毫秒,响应速度约为此前的 16 倍。两项配置分别使用 2 张、8 张 B200 GPU。

接着,苹果用 RealWonder 测试加速效果,物体响应速度提升明显。操作者拖动水面上的灯笼,系统接着生成灯笼移动、水面变化的画面。苹果为 RealWonder 加入更快的画面解码和缓存修正网络,并优化计算执行方式,将生成延迟从原版单张 B200 上的 1141 毫秒,降至加速版 8 张 B200 上的 51 毫秒,速度约为原版的 22 倍。

RealWonder 加速前后的灯笼拖拽对比,左为原版,右为加速版(图源:苹果)

三、更换解码器、修正缓存、优化 GPU 计算,苹果三招降低延迟

为了降低生成延迟,苹果对 S、L 两款模型进行了三项优化:用轻量解码器更快地输出画面、用小网络减少更新历史信息时的重复计算、调整 GPU 的计算安排。

优化之前,苹果先分析了 S 版基础模型 Causal Forcing++ 生成视频的耗时。在单张 B200 上,Causal Forcing++ 每生成一组画面约需 272 毫秒,其中两步去噪耗时 83.2 毫秒,缓存更新耗时 41.6 毫秒,画面解码耗时 147 毫秒。解码和缓存更新合计占这一组画面生成总耗时的约 69%。

Causal Forcing++ 生成流程及耗时(图源:苹果)

第一项优化针对最耗时的画面解码。原有 VAE 解码器要反复放大内部特征,在越来越高的分辨率下计算,才能输出完整画面。苹果先尝试用一层简单计算直接输出像素,结果虽然能看出画面内容,细节却比较模糊。

团队随后增加处理层,设计出轻量像素解码器。新解码器在低分辨率下完成主要计算,最后一次性输出完整画面,既减少高分辨率计算,又能保留头发、雨滴等细节。以 S 版为例,解码耗时从 147 毫秒降至约 1 毫秒。

第二项优化针对缓存更新。为了让后续画面接得上,模型需要保存前面已经生成的内容。原流程每生成一组画面,都要额外运行一次完整的生成网络,整理这组画面的缓存信息。

苹果改为复用最后一步去噪已经算出的缓存,再用小网络修正,省去了额外运行完整生成网络的开销。S 版缓存更新耗时从 41.6 毫秒降至约 2 毫秒,L 版降至约 6 毫秒,速度分别约为原流程的 20 倍、12 倍。

第三项优化是让 GPU 承担更多并行计算。逐步生成视频时,每次新增的画面内容较少,GPU 算力可能用不满。苹果将历史缓存分段,同时计算各段,再合并结果。在 L 版模型上,将缓存分成 5 段,使单次生成网络计算的延迟降低约 13%。

苹果还提前算好重复使用的位置编码、提示词等信息,并合并部分原本分开的运算。经过这些调整,S 版单次去噪网络计算耗时从 41.6 毫秒降至 16.4 毫秒,L 版从 89.2 毫秒降至 75.6 毫秒。

在 8 卡配置下,苹果把画面内容分配给不同 GPU,共同完成生成网络的计算。S、L 两版的单次去噪网络计算耗时进一步降至 5.8 毫秒、20.3 毫秒。

FastFrames-S 优化后的生成流程及耗时(图源:苹果)

四、1 万条真实视频进行对抗训练,L 版对 Wan2.1-14B 进行蒸馏

在训练方法上,两款模型的训练分工不同。S 版已有能用两步去噪生成画面的基础模型,因此重点训练更快的画面输出和缓存处理模块。L 版则需要先将 Wan2.1-14B 训练成两步生成器,再加入配套模块。

训练 S 版解码器时,苹果保持 Causal Forcing++ 生成器的权重不变,让原生成器和 VAE 解码器生成示范,再让新解码器学习输出相同画面。该团队生成了约 15 万轮示范,每轮用于 4 次参数更新,合计约 60 万次更新。这一阶段使用 32 张 B200,耗时约一周。

随后,苹果加入 1 万条真实视频进行对抗训练,让新解码器生成的画面更清晰、更接近真实视频。该阶段使用 8 张 B200,耗时数小时。S 版缓存修正网络则学习原生成网络更新后的缓存,使用 32 张 B200,进行 14.25 万次参数更新。

完成训练和运行优化后,S 版生成速度约为基础模型的 7.6 倍。在评估画面质量及内容是否符合提示词的 VBench 测试中,S 版总分为 84.23,基础模型为 84.11,保持了相近的整体表现。

L 版首先要改变 Wan2.1-14B 的生成方式,让它能够参考前面的画面,继续生成后续内容。苹果先用 Wan2.1 通过 48 步采样生成示范,记录噪声逐渐变成画面的过程,再使用 256 张 B200 训练教师模型,供后续蒸馏学习。

团队选取第 1700 次参数更新的教师模型,使用 128 张 B200 进行一致性蒸馏,让新模型用更少的去噪步骤生成接近教师模型的画面。随后,团队选取第 3000 次更新的权重,再用 128 张 B200 进行分布匹配蒸馏。模型在自己生成的画面基础上继续练习,改善连续生成的效果,最终得到两步生成器。

接着,苹果以 S 版解码器权重为起点,使用 64 张 B200 进行 50 万次参数更新,让 L 版解码器学习还原画面,再使用 8 张 B200 进行对抗训练。L 版缓存修正网络使用 64 张 B200,进行 14.25 万次参数更新。

完成训练和运行优化后,L 版的单卡速度约为同规模模型 Krea-Realtime 的 10.6 倍。两者的 VBench 总分分别为 84.44 和 84.42,生成视频质量接近。

结语:实时交互三大难,苹果发力低延迟,加速方案可复用

实时交互视频模型需要翻越三座大山:用户输入操作后,画面能否及时更新;连续改变指令时,模型能否准确执行,并保持人物和场景一致;长时间运行、同时服务多名用户时,算力成本能否支撑。

苹果此次着力缩短画面生成的等待时间。FastFrames 通过改造画面解码、缓存更新和 GPU 计算,让已有视频模型更快输出画面,并在 LingBot 和 RealWonder 上验证了加速效果。对于交互应用开发者,这套方法提供了可复用的加速方案;对于用户,更及时的画面反馈有助于连续调整镜头、动作和场景,减少等待与反复重做。

来源:苹果

智客推

智客推

ZAKER 智客推 GEO | AI 时代的品牌认知解决方案

一起剪

一起剪

ZAKER旗下免费视频剪辑工具

相关标签

英伟达 开源 智东西 效果 gpu
相关文章
打开 ZAKER 参与讨论