字节跳动发布视频生成基础大模型 Seaweed-7B
字节跳动近日公布了一个仅 70 亿参数的视频生成基础大模型「Seaweed-7B」。
令人惊喜的是，该模型以 66.5 万个 H100 GPU 小时训练成本，在文本/图像到视频生成任务中全面超越 140 亿参数的 Wan 2.1，具体来看：
- Seaweed-7B Elo 评分为 1047，胜率 58%，而 Wan 2.1 仅有 53%，OpenAI 的 Sora 更是仅有 36%
- 可实时生成分辨率为 1280×720、帧率为 24fps 的视频，比同类模型快 62 倍
- 40GB 显存即可支持 1280×720 分辨率生成
据官方介绍，Seaweed-7B 结合了变分自编码器（VAE）和潜在扩散变换器（DiT）。其中，VAE 负责高效的训练和推理，而 DiT 则通过扩散模型生成图像和视频，显著提高了生成的质量与效率。
另外，团队为了提升 Seaweed-7B 的训练效率，采用了多阶段训练策略和 GPU 资源的优化调配。预训练阶段通过低分辨率图像开始，逐步引入高分辨率视频训练，提升了模型的泛化能力。此外，在后训练阶段，通过监督微调和基于人类反馈的强化学习（RLHF）进一步提高了生成视频的美学质量和运动一致性。
目前，Seaweed-7B 相关报告已公开：https://seaweed.video/seaweed.pdf
