60 秒长视频越往后越糊这件事,腾讯混元把解法和权重一起放了:单卡要 96GB,画质只到 480p
先讲结论:11 月 16 日,腾讯混元把 MovieRoll 的代码和权重一起公开了。它不是又一个「能生成几秒视频」的新模型,而是一套专门对付长视频「越往后越糊、越往后越漂」的工程配方——同一套框架里同时给了 50 步的基座版和 5 步的蒸馏版,官方称最长能连续滚出 60 秒。代价也很清楚:分辨率锁在 480p,单卡跑完整条流水线要 96GB 显存,消费级显卡的支持还挂在待办里。本篇关于社区转述与传播情况的部分,基于多家媒体转述整理。
一句话先说结论
- 谁做的:腾讯混元,与北京大学、香港科技大学合作,第一作者来自北大
- 放了什么:训练代码、推理代码、三份权重(基座 / 蒸馏文生视频 / 蒸馏图生视频),以及 SGLang Diffusion 和 vLLM-Omni 两条后端的第一天支持
- 能干什么:从一段文字或一张首帧图出发,连续生成 10 秒、30 秒、60 秒的长镜头;也能按顺序喂多段「事件提示词」,让画面在一条视频里推进剧情
- 硬门槛:480×864、24fps;单卡需要 96GB 显存;FlashAttention-3 需要 H100 级(Hopper)显卡
- 许可证不是 Apache:腾讯混元社区许可,且条款明确不适用于欧盟、英国、韩国地区
它到底是什么
很多人第一眼会把它当「腾讯又发了个视频模型」,其实不是。MovieRoll 的基底是腾讯自己的 HunyuanVideo-1.5(480p 文生视频),它做的事情是在这个基底上解决一个具体问题:生成时间一长,画面就开始漂。
官方的说法是「从监督训练的基座模型,到少步蒸馏模型的一整套框架」,训练分四段:
- 流式监督微调,单事件 → MovieRoll-Base
- 流式监督微调,多事件 → 多事件基座
- ODE 初始化 → 少步学生模型
- CuLT-DMD(累积长程调优蒸馏)→ MovieRoll-Distilled(文生视频 / 图生视频)
三段关键技术也写在 README 里:窗口式 teacher forcing 训练基座;联合窗口去噪 + 分层 KV 缓存 + 缓存重算支撑连续生成;基座模型用 AnnealCFG 让引导强度随着去噪接近干净端点而衰减。
翻成大白话:它不试图一次吐出 60 秒,而是把 60 秒切成一个又一个窗口,一边生成一边把「历史」缓存下来,并控制住每一段跟前面的一致性。
为什么值得关心
长视频的难点从来不是「能不能生成 60 秒」,而是「第 55 秒还是不是同一个人、同一间屋子、同一个光源」。
这也是过去一年开源圈的主战场:Self Forcing、Causal Forcing、Rolling Forcing、LongLive、MemFlow、Echo-Infinity 都在啃同一块骨头。MovieRoll 的定位是把这些思路做成一条可以复现的流水线,并且——这是关键——把权重真的放出来了,不是只给论文和 demo 页。
对开发者的实际意义是:你终于可以在自己的机器上,用一套公开的代码和公开的权重,复现「长视频不崩」这条路线,而不是只能看论文里的对比图。
硬指标(官方口径)
- 分辨率:480×864 或 864×480(高度、宽度需为 16 的倍数),24fps
- 长度:帧数必须是 16k+1,241 帧 = 10 秒,721 帧 = 30 秒,1441 帧 = 60 秒
- 采样:基座版 50 步 + AnnealCFG(cfg 1.0~4.0,flow shift 5.0);蒸馏版只要 5 步、不用 CFG
- 缓存噪声:基座 0.05,蒸馏文生视频 0.15,蒸馏图生视频 0
- 权重体积:三份
model.safetensors各 33,291,800,480 字节(约 33.3GB),仓库是 gated 的,要先接受条款并登录才能下 - 还要另外下三样东西:HunyuanVideo-1.5 的 VAE、Qwen2.5-VL-7B-Instruct(当文本编码器)、byt5-small 和 Glyph-SDXL-v2
- 许可证:腾讯混元社区许可协议(从 HunyuanVideo-1.5 的 commit
60783e7fork 而来),条款不适用于欧盟、英国、韩国地区;月活超过 1 亿的产品需另行向腾讯申请授权
怎么用
官方给的路径很短,但每一步都有坑:
- 拉代码、建环境:Python 3.12 + CUDA 版 PyTorch,
pip install -r requirements.txt,然后装 FlashAttention-2;FlashAttention-3 还要单独从hopper/目录编译,需要 Hopper 架构(如 H100)。装完跑一句python -c "import flash_attn, flash_attn_interface"验证,没报错才算齐。 - 下权重:
hf download yunyangge/MovieRoll --include "distilled/t2v/*" --local-dir ./ckpts/movieroll,再把 VAE、Qwen2.5-VL、byt5、Glyph-SDXL-v2 按 README 的目录结构摆好。想省时间就先只下蒸馏文生视频那一份,33GB。 - 跑推理:
python generate_movieroll.py --model ckpts/movieroll/distilled/t2v --sp-size 1 --prompt "..." --video-length 721。输出在./outputs/samples/default/rank0_sample_0.mp4。 - 多事件:把
--prompt换成--prompt-list "事件一" "事件二" "事件三",或者用--prompt-csv批量跑;图生视频加--input-image。 - 想省显存:8 卡时
--sp-size 8 --shard-world 8;单卡就--sp-size 1,但整条流水线必须塞进一张卡。 - 想更快:装 SageAttention(官方指定 commit
d1a57a5,别用 v2.2.0,那个版本有内核 bug),加--attention-backend sage,官方称约 1.4 倍加速。 - 如果你用编码 Agent:仓库里带了
agent/目录,五个 SKILL.md 分别对应提示词改写、跑推理、方法移植、SGLang 部署、vLLM-Omni 部署,可以直接让 Claude Code 之类读进去照做。
效果怎么读
官方用的是 HeliosBench,评五项:画面质量、动态、流畅度、语义对齐、自然度,外加「随时间漂移」这一项,总分是加权和。单事件 200 条提示词、多事件 100 条。各档第一名如下(分数为官方表格里的 Total):
- 单事件 10 秒:MovieRoll-Distilled 7.515(第二名自家基座 7.485,MemFlow 7.143)
- 单事件 30 秒:MovieRoll-Distilled 7.260(基座 6.903,MemFlow 6.762)
- 单事件 60 秒:MovieRoll-Distilled 7.032(Helios-Base 6.393,LongLive 6.093)
- 多事件 30 秒 / 3 事件:MovieRoll-Distilled 7.044(Helios-Base 6.402)
- 多事件 60 秒 / 6 事件:MovieRoll-Distilled 6.492(Helios-Base 5.880)
有两点必须说清楚:
- 基座版没有被评 60 秒这一档——官方注明「MovieRoll-Base is not evaluated at 60 seconds」,所以 60 秒只有蒸馏版的成绩。
- HeliosBench 与项目致谢里的 Helios 同源,属于这条技术线自己参与维护的评测;这是官方自评口径,不是第三方盲测。官方另做了 59 位从业者的成对偏好研究,每人至少评三对,可作参考但仍非独立测评。
适用场景
- 研究长视频一致性:想复现 / 对比 rolling、self-forcing、KV 缓存这几条路线的团队
- 做 480p 预演分镜:先用低成本长镜头把 30~60 秒的镜头走向跑出来,再拿商用模型出高清终版
- 多事件叙事验证:一条视频里按顺序推进多个剧情节点,适合短剧、广告脚本的早期打样
- 想研究「基座 → 蒸馏」怎么压步数:两套权重都在,可以直接对照 50 步和 5 步的差距
不适用场景
- 要交付 1080p / 4K 成片的人:这套只到 480×864,画质上限就是它
- 只有单张消费级显卡的人:96GB 是官方写的单卡底线,README 里「支持 RTX 4090 / 5090」还是一条没打勾的待办
- 想开箱即用的人:没有网页版、没有 Gradio(也在待办里),要自己装环境、编内核
- 在欧盟、英国、韩国做商用的人:许可证条款明确不适用于这三个地区
- 月活过亿的产品:需要单独向腾讯申请授权
避坑(这几条最容易踩)
- 「支持消费级 GPU」是媒体误读。 有媒体稿直接写「includes support for consumer GPUs」,但官方 README 的待办清单里明明白白写着
[ ] Support consumer GPUs (e.g., RTX 4090 and RTX 5090),并且注明「原生推理入口暂不支持 CPU offload」。以 README 为准。 - 必须用 H100 级显卡。 FlashAttention-3 只从
hopper/编译,官方说需要 Hopper(sm90);手上有 A100 或 4090 的话,这条路今天走不通。 - GPU 数量不是随便填。
--sp-size必须同时整除卡数和模型的 16 个注意力头;开 FSDP 时--shard-world还要整除卡数且是--sp-size的倍数。 - 权重是 gated 的。 不登录、不接受条款,直接
hf download会拿到 401。 - 别把仓库创建日当发布日。 GitHub 仓库 11 月 11 日就建了,但代码是 11 月 16 日 14:41(UTC)的 init commit 才进来的,权重仓也是 11 月 16 日 15:49(UTC)最后更新。新闻点是 11 月 16 日。
- 提示词不能随便写。 官方明确说要长、要细:固定机位或跟随机位、动作要能持续、多事件之间场景要一致。仓库专门配了提示词改写 skill 就是这个原因。
成本与时间
- 下载:一份权重 33.3GB。三个都下约 100GB,加上 Qwen2.5-VL-7B、byt5、Glyph-SDXL-v2 和 VAE,硬盘先留出 150GB 更稳。
- 显存:单卡 96GB 起步;8 卡按官方示例配
--sp-size 8 --shard-world 8。 - 速度:官方没给绝对耗时数字,只给了 SageAttention 约 1.4 倍加速这一条相对值。5 步蒸馏对比 50 步基座,理论上是十倍的采样步数差,但实际耗时还取决于窗口数、KV 重算和 VAE 解码,需要自己实测。
行动建议:第一步做什么
如果你只是想先看一眼效果,别急着下 100GB:先只下 distilled/t2v 那一份 33GB 权重 + VAE + 三个文本编码器,用 10 秒(--video-length 241)跑一条,确认环境和画质符合预期,再决定要不要上 30 秒 / 60 秒和多事件。反过来,如果你手上没有 Hopper 卡,今天最理性的做法是先去读 agent/movieroll-port 那份 skill,看能不能把这套方法搬到你现在能跑的代码里——方法比权重更容易落地。
参考来源
- GitHub 仓库(README、News、许可证):https://github.com/Tencent-Hunyuan/MovieRoll
- 权重仓(gated):https://huggingface.co/yunyangge/MovieRoll
- 项目页(含 HeliosBench 全量打分):https://tencent-hunyuan.github.io/MovieRoll/
- TLDR 11-16 转述:https://tldr.tech/story/b9ab2ac6-9939-48d9-9dc6-fdfdc0cadf39
- WittyWires 11-16 报道:https://wittywires.com/forums/topic/tencents-movieroll-aims-to-keep-ai-video-generation-coherent-for-up-to-60-seconds/