| 文档 | 快速入门 | 每周开发会议 | 🟣💬 Slack | 🟣💬 微信 |

FastVideo 是一个统一的后训练与实时推理框架，用于加速视频生成。

新闻

• 2026/03/17: 发布直播演示：进入梦境宇宙：FastVideo 中的情绪引导，请查看 博客。
• 2026/03/13: 发布直播演示：使用 FastVideo 在单张 GPU 上 4.5 秒内创建一段 5 秒 1080p 视频，请查看 博客。
• 2025/11/19: 发布 CausalWan2.2 I2V A14B 预览 模型、博客 和 推理代码！。
• 2025/08/04: 发布 FastWan 模型和 稀疏蒸馏。

更多新闻

• 2025/06/14: 发布 VSA 的微调与推理代码。
• 2025/04/24: FastVideo V1 正式发布！
• 2025/02/18: 发布 滑动块注意力 的推理代码。

核心特性

FastVideo 具有以下特性：

• 对双向及自回归模型提供端到端的后训练支持：
  • 支持最先进的开源视频 DiT 模型的全量微调与 LoRA 微调。
  • 提供针对视频、图像及文本数据的数据预处理流水线。
  • 分布式匹配蒸馏（DMD2）分步蒸馏。
  • 基于 视频稀疏注意力 的稀疏注意力机制。
  • 通过自强迫进行因果蒸馏，实现超过 50 倍的去噪加速。
  • 可通过 FSDP2、序列并行以及选择性激活检查点技术进行可扩展训练。
  • 完整的支持模型与配方列表，请参阅此页面：https://hao-ai-lab.github.io/FastVideo/training/overview/。
• 最先进的推理性能优化：
  • 面向分布式推理的序列并行技术。
  • 多种最先进的注意力后端。
  • 用户友好的命令行界面与 Python API。
  • 完整的支持优化列表，请参阅此页面：https://hao-ai-lab.github.io/FastVideo/inference/optimizations/。
• 多样化的硬件与操作系统支持：
  • 支持 H100、A100、4090 显卡。
  • 支持 Linux、Windows、MacOS 系统。
  • 完整的支持模型、硬件假设及优化兼容性列表，请参阅此页面：https://hao-ai-lab.github.io/FastVideo/inference/support_matrix/。

开始使用

我们推荐使用 uv 来创建一个干净的环境。如果您之前使用过 Conda，切换到 uv 通常能带来更快、更稳定的安装体验。

# 创建并激活一个新的 uv 环境
uv venv --python 3.12 --seed
source .venv/bin/activate

# 安装 FastVideo
uv pip install fastvideo

更多详细的安装说明，请参阅我们的 文档。

稀疏蒸馏

有关我们的稀疏蒸馏技术，请参阅我们的 蒸馏文档 并查看我们的 博客。

以下是配方与数据集的示例：

模型	稀疏蒸馏	数据集
FastWan2.1-T2V-1.3B	配方	FastVideo 合成 Wan2.1 480P
FastWan2.2-TI2V-5B	配方	FastVideo 合成 Wan2.2 720P

推理

生成你的第一段视频

以下是一个使用默认设置生成视频的最小示例。请确保已安装 VSA 内核（安装说明）。创建一个名为 example.py 的文件，并写入以下代码：

import os
from fastvideo import VideoGenerator

def main():
    os.environ["FASTVIDEO_ATTENTION_BACKEND"] = "VIDEO_SPARSE_ATTN"

    # 使用预训练模型创建视频生成器
    generator = VideoGenerator.from_pretrained(
        "FastVideo/FastWan2.1-T2V-1.3B-Diffusers",
        num_gpus=1,  # 根据你的硬件调整
    )

    # 为你的视频定义提示词
    prompt = "一只好奇的浣熊探头看向一片生机勃勃的黄色向日葵田，眼睛里满是兴趣。"

    # 生成视频
    video = generator.generate_video(
        prompt,
        output_path="my_videos/",  # 控制视频保存路径
        save_video=True
    )

if __name__ == '__main__':
    main()

运行脚本：

python example.py

如需更详细的指南，请参阅我们的 推理快速入门。

更多指南

• 设计概述
• 蒸馏指南
• 贡献指南

使用 FastVideo 或我们的研究项目所取得的出色成果

• SGLang：SGLang 的扩散推理功能基于 2025 年 9 月 24 日对 FastVideo 的一个分支。
• DanceGRPO：一种将组相对策略优化（GRPO）适配到视觉生成范式的统一框架。代码基于 FastVideo。
• SRPO：一种直接将完整的扩散轨迹与细粒度的人类偏好对齐的方法。代码基于 FastVideo。
• DCM：用于高效高质量视频生成的双专家一致性模型。代码基于 FastVideo。
• HY-WorldPlay：使用 FastVideo 框架训练的动作条件世界模型。
• Hunyuan Video 1.5：一款领先的轻量级视频生成模型，其中他们提出了基于滑动瓦片注意力的 SSTA。
• Kandinsky-5.0：一个用于视频和图像生成的扩散模型家族，其 NABLA 注意力包含一个滑动瓦片注意力分支。
• LongCat Video：一款具有 136 亿参数的基础视频生成模型，采用了类似于视频稀疏注意力的块稀疏注意力机制。

🤝 贡献

我们欢迎所有贡献。请查看我们的贡献指南 这里。 更多详情请参阅开发路线图。

致谢

我们在设计上借鉴并复用了以下项目的代码：Wan-Video、ThunderKittens、DMD2、diffusers、xDiT、vLLM、SGLang。我们感谢 MBZUAI、Anyscale 和 GMI Cloud 在整个项目过程中给予的支持。

引用

如果您觉得 FastVideo 有用，请考虑引用我们的研究成果：

@article{zhang2025vsa,
  title={Vsa: Faster video diffusion with trainable sparse attention},
  author={Zhang, Peiyuan and Chen, Yongqi and Huang, Haofeng and Lin, Will and Liu, Zhengzhong and Stoica, Ion and Xing, Eric and Zhang, Hao},
  journal={arXiv preprint arXiv:2505.13389},
  year={2025}
}

@article{zhang2025fast,
  title={Fast video generation with sliding tile attention},
  author={Zhang, Peiyuan and Chen, Yongqi and Su, Runlong and Ding, Hangliang and Stoica, Ion and Liu, Zhengzhong and Zhang, Hao},
  journal={arXiv preprint arXiv:2502.04507},
  year={2025}
}

FastVideo 快速上手指南

FastVideo 是一个统一的视频生成后训练（Post-training）与实时推理框架，旨在加速视频生成过程。它支持双向和自回归模型的全量微调、LoRA 微调、稀疏蒸馏（速度提升超过 50 倍）以及多种硬件优化。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, Windows, 或 MacOS
• Python 版本：推荐 Python 3.12
• 硬件支持：NVIDIA H100, A100, RTX 4090 等主流 GPU
• 依赖管理工具：推荐使用 uv 替代 Conda，以获得更快、更稳定的安装体验。

注意：为了获得最佳推理性能，请确保已安装 VSA (Video Sparse Attention) 内核。详细安装说明请参考官方文档 VSA Installation。

安装步骤

我们建议使用 uv 创建独立的虚拟环境并安装 FastVideo。

# 1. 创建并激活一个新的 uv 环境 (指定 Python 3.12)
uv venv --python 3.12 --seed
source .venv/bin/activate  # Windows 用户请使用: .venv\Scripts\activate

# 2. 安装 FastVideo
uv pip install fastvideo

如需更详细的安装配置（如特定 CUDA 版本或从源码安装），请参阅 官方安装文档。

基本使用

以下是最简单的视频生成示例。该脚本使用预训练的 FastWan2.1 模型，根据文本提示生成视频。

1. 创建一个名为 example.py 的文件。
2. 将以下代码复制进去：

import os
from fastvideo import VideoGenerator

def main():
    # 设置注意力后端为 VIDEO_SPARSE_ATTN 以启用加速
    os.environ["FASTVIDEO_ATTENTION_BACKEND"] = "VIDEO_SPARSE_ATTN"

    # 加载预训练模型
    # num_gpus 可根据您的硬件情况进行调整
    generator = VideoGenerator.from_pretrained(
        "FastVideo/FastWan2.1-T2V-1.3B-Diffusers",
        num_gpus=1,
    )

    # 定义视频生成提示词
    prompt = "A curious raccoon peers through a vibrant field of yellow sunflowers, its eyes wide with interest."

    # 生成视频
    video = generator.generate_video(
        prompt,
        output_path="my_videos/",  # 视频保存路径
        save_video=True
    )

if __name__ == '__main__':
    main()

3. 运行脚本：

python example.py

生成的视频将保存在 my_videos/ 目录下。

进阶学习：

• 推理快速入门指南
• 稀疏蒸馏技术文档
• 设计概览