近日，上海人工智能实验室推出新一代视频生成大模型 “书生・筑梦 2.0”(Vchitect 2.0)。根据官方介绍，书生・筑梦 2.0 是集文生视频、图生视频、插帧超分、训练系统一体化的视频生成大模型。
- 主页：https://vchitect.intern-ai.org.cn/
- Github: https://github.com/Vchitect/Vchitect-2.0
本文将详细介绍筑梦 2.0 背后的核心亮点与技术细节。
核心亮点
1、 支持更长的视频生成：
目前来看，筑梦 2.0 支持 5s-20s 长视频生成，超过其他开源模型的生成时长。
同时支持高达 720x480 分辨率的生成。该模型还能够处理多种视频格式，包括横屏、竖屏、4:3、9:16 和 16:9 等比例，极大地扩展了其应用场景。
2. 新一代视频增强算法 VEnhancer
与其他开源模型不同，筑梦 2.0 同步开源了用于视频增强的生成式模型 ——VEnhancer，集成了插帧、超分辨率和修复功能。该增强算法可在 2K 分辨率、24fps 的情况下生成更加清晰、流畅的视频，解决了视频抖动等常见问题，显著提升了视频的稳定性。
此外，该算法还可用于增强其他生成模型的视频表现，GitHub 中展示了它对快手可灵生成视频的显著改进，对于追求高质量内容输出的创作者来说，VEnhancer 无疑是一个重要的工具。
3. 全球首个支持长视频生成评测的框架
该在原有的 VBench 评测框架基础上，优化并升级了对长视频生成的评测能力，目前已包含 Gen-3、可灵、OpenSora 等主流模型。这使开发者和用户能够更系统地评估模型性能，尤其是在长视频生成方面。书生・筑梦 2.0 在开源 2B 模型中表现卓越，性能甚至可以媲美开源最优的 5B 模型。
筑梦 2.0 技术解析
1、模型架构
根据开源代码分析，书生・筑梦 2.0 采用了时下热门的扩散式 Transformer（Diffusion Transformer）网络模型。不同于 CogVideoX 的全注意力机制，筑梦 2.0 通过并行结构的 Transformer 模块处理视频的空间和时间信息，包括自注意力（self-attention）、交叉注意力（cross-attention）和时间注意力（temporal-attention）。
具体来说，自注意力模块负责每一帧之间的 token 交互，交叉注意力则使用所有帧的 token 作为查询，文本 token 作为键和值，而时间注意力则在不同帧的相同位置之间执行 token 的注意力操作。最终，模型通过线性层融合自注意力和交叉注意力的输出，再与时间注意力的结果相加，从而实现高效的视频生成任务处理。
2、训练框架
此外，书生・筑梦 2.0 同时开源了他们的训练和推理框架 LiteGen。从改框架的优化介绍上看，该框架针对性地提供了 diffusion 任务所需的各项优化。
对于如何进一步优化显存以支持更大序列长度的训练这一方面，他们的开源代码采用了 Activation Offload 与 Sequence Parallel 技术进行优化。在实现上，他们的 Activation Offload 在计算时将暂未使用的中间激活 offload 到 CPU 内存上，需要时再拷贝到显存中，这样可以让 GPU 显存中尽量只留有当前计算所必须的激活，减少了显存峰值使用量。从开源代码的分析开看，他们采用了通信计算重叠的方式实现 Activation Offload，这将有助于降低设备间拷贝通信对整体性能的影响。
据其开源代码的说明描述，在 A100 GPU 上，采用 Activation Offload 让筑梦 2.0 的 2B 模型单卡序列长度提升了 42%；进一步应用 Sequence Parallel 拓展至 8 卡，最大序列长度提升 8.6 倍，可以满足分钟级视频生成训练的计算需求。
从其代码实现上来看，他们的框架设计得较为轻量，使用接口简洁，可以在改动比较小的情况下集成框架内的各项优化，在易用性上具有不错的优势。
团队介绍
上海人工智能实验室的书生·筑梦团队由来自上海人工智能实验室和新加坡南洋理工大学S-Lab的成员组成，专注于视频生成技术的前沿研究与应用开发。他们致力于通过创新的算法和架构优化，提升视频生成模型的质量和效率。近期，他们的工作包括VBench、VideoBooth 、FreeU、FreeInit、Latte 、VEnhancer等，这些项目在视频生成、插帧、超分辨率处理以及生成质量评估等多个关键领域都取得了显著进展。
