腾讯混元视频 HunyuanVideo 开源文生视频模型：双流 DiT 架构与显存极限压缩方案

🎬 一、HunyuanVideo 视频生成架构剖析

腾讯混元视频（HunyuanVideo）拥有 130 亿参数，采用双流与单流混合的 Diffusion Transformer 设计：

双流文本-视频注意力： 前期层分别保留视频帧 Latent 与多语言文本 Token 的独立表达，后期层统一融合。
高保真 3D 因果 VAE： 时间维度与空间维度进行 4x8x8 联合压缩，大幅降低 DiT 序列长度。

⚡ 二、镜像高速拉取与 Diffusers 管道运行

下载 HunyuanVideo 权重

# 镜像拉取权重
export HF_ENDPOINT="https://hf-mirror.net"
huggingface-cli download tencent/HunyuanVideo \
  --local-dir /data/models/HunyuanVideo \
  --local-dir-use-symlinks False \
  --resume-download

video_gen.py: 单卡 24G 显存卸载视频生成

import torch
from diffusers import HunyuanVideoPipeline, HunyuanVideoTransformer3DModel

transformer = HunyuanVideoTransformer3DModel.from_pretrained(
    "/data/models/HunyuanVideo", subfolder="transformer", torch_dtype=torch.bfloat16
)
pipe = HunyuanVideoPipeline.from_pretrained(
    "/data/models/HunyuanVideo", transformer=transformer, torch_dtype=torch.float16
)
# 启用显存 CPU 卸载，让 24GB 单卡可流畅生成
pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()

output = pipe(
    prompt="A cute red panda wearing glasses reading a book in an ancient library, cinematic lighting, 4k.",
    num_frames=61,
    height=544,
    width=960,
    num_inference_steps=30
).frames[0]