想象你是一家电影工作室的老板，手下有编剧、导演、摄影师，个个身怀绝技。你只需说一句「戴墨镜的柴犬在赛博朋克街头奔跑」，工作室几分钟后就交出一段 5 秒的高清视频——这就是腾讯开源的 HunyuanVideo（混元视频大模型）每天都在做的事。它把 130 亿个「员工」组织成一套完整的算法摄制组：有读懂台本的制片人（文本编码器）、有执掌镜头的导演（扩散主干）、有负责拍摄与冲印的摄影组（3D VAE）。这篇文章从六个角度带你把工作室逛一遍：模型架构（摄制组怎么搭）、训练策略（演员怎么培训）、生成参数（导演的镜头表）、本地部署（把片场搬回家）、LoRA 微调（演员风格特训）和生态对比（各家工作室试镜报告）。看完你会发现，AI 视频生成并不神秘，它只是一套分工明确、训练有素的数字剧组在按工业化流程工作。

岗位关联

掌握混元视频的开源玩法，你就能用一台服务器替代整个视频制作组的初稿环节，把创意验证周期从一周压缩到一小时——这是 AIGC 时代内容创作者和 AI 工程师最值钱的技能。

目录
  1. 可视化演示
  2. 模型架构：豪华摄制组怎么搭
  3. 训练策略：三步成才的培养体系
  4. 生成参数：导演的镜头参数表
  5. 本地部署：把片场搬进自家车库
  6. LoRA 微调：给演员上风格特训课
  7. 生态对比：各家工作室的试镜报告
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示HunyuanVideo技术架构（文本编码→Transformer交叉注意力→扩散去噪→视频）、LoRA微调（冻结基础模型+低秩适配+多风格）与本地部署推理（权重加载→FP8量化→显存优化），交互切换三大核心技术。

本节配有交互动效（进入视口后自动加载，约 3KB）。

混元视频模型技术栈 架构：文本编码→Transformer交叉注意力→扩散模型去噪→视频输出，13B参数720p LoRA微调：冻结基础模型+训练低秩矩阵，显存降低80%，支持多风格定制 本地部署：GitHub开源权重→GPU加载→FP8量化+梯度检查点+序列并行优化 视频=Diffusion(Transformer(text)) | LoRA: W=W₀+BA | 显存∝参数×精度 开源视频生成大模型的完整技术生态

模型架构：豪华摄制组怎么搭

假如你要组建一个顶级摄制组，你会怎么搭班子？混元视频的答案是：请一位首席导演负责全局调度，配一批编剧做细致推敲，再请一个摄影组把想法变成画面。对应到技术上，这套班底就是「混合扩散骨干 + 3D VAE + 双文本编码器」。扩散骨干是导演——它能感知整段视频每一帧之间的关系，就像导演盯着监视器同时协调所有机位。

技术上的主干叫 DiT（Diffusion Transformer），它把视频切成一堆时空小块，再用全注意力机制让每一块都能「看到」所有其他块。但原版视频太大，直接计算会撑爆显存，所以必须有摄影组——3D VAE 先把视频压缩进一个隐空间，导演在隐空间里指挥，最后再由 VAE 解码还原成清晰的画面。同时，混元还配备了双文本编码器：T5-XXL 负责理解台本的深层语义，多模态编码器负责捕捉风格与细节，两个人像双制片人一样把文字指令翻译给导演。

这套架构还有一个隐藏优势：它继承了腾讯图像生成模型已经练好的「审美基因」，相当于新导演先跟老导演学了三个月构图，所以视频的第一帧就站在了巨人的肩膀上。

这就是摄制组的运作方式：每个岗位都参考全剧组的信息来做决策，而不是各拍各的。有了这套「全体员工互相可见」的架构，130 亿参数才能像一支真正的团队那样协同，而不是一群散兵游勇。

Attention(Q,K,V)=softmax(QKTdk)V\displaystyle \mathrm{Attention}(Q,K,V) = \mathrm{softmax}\left(\frac{QK^{\mathrm{T}}}{\sqrt{d_k}}\right)V
这是混元扩散主干内部最核心的「全注意力」公式：让视频的每一帧碎片都能看到所有其他碎片，再决定自己要长成什么样子。矩阵 Q、K、V 分别代表「我要问什么」「我有哪些记忆」「记忆的内容是什么」。
  1. 计算匹配得分把查询矩阵 Q 和键矩阵 K 做内积，得出一帧画面与其他每一个画面局部的相似度分数。
    QKT\displaystyle QK^{\mathrm{T}}
  2. 缩放稳定除以键向量维度的平方根，防止分数过大把后续梯度压成零。
    QKTdk\displaystyle \frac{QK^{\mathrm{T}}}{\sqrt{d_k}}
  3. 归一化成权重用 softmax 把所有分数变成 0 到 1 之间的权重，和为 1。
    softmax(QKTdk)\displaystyle \mathrm{softmax}\left(\frac{QK^{\mathrm{T}}}{\sqrt{d_k}}\right)
  4. 加权聚合信息用权重对内容矩阵 V 做加权求和，得到融合了全局上下文的新画面特征。
    Attention(Q,K,V)=softmax(QKTdk)V\displaystyle \mathrm{Attention}(Q,K,V) = \mathrm{softmax}\left(\frac{QK^{\mathrm{T}}}{\sqrt{d_k}}\right)V

训练策略：三步成才的培养体系

组建好摄制组后，演员们还不会演戏。混元的训练流程像一个严格的新人培养体系：第一步是「海量观摩」——在大规模的视频数据上预训练，让模型学会动作的连贯性、物理的合理性和世界的常识。这个阶段相当于演员看了几千部电影，把「人走路会摆臂」「水会往下流」这些基本规律内化成了肌肉记忆。

第二步是「听指令实习」——进行文本条件微调，把视频和对应描述配对训练。模型开始学会把「戴墨镜的柴犬」这句话与特定的视觉特征关联起来。这个阶段可以理解为演员开始按导演的台本走位，慢慢听懂每一个动作要求。第三步是渐进式与偏好优化：先学短片段再学长片段，并用人类偏好数据校准出片风格，让生成结果更「讨观众喜欢」。

训练时用的核心指标叫扩散损失。通俗地说，导演训练时故意往视频上撒了一层噪声（灰雾），让模型练习「把灰雾擦掉」。反复练习后，模型只需要给一坨纯噪声，就能凭本事把它擦成一部电影。

可以说，混元的「演技」全部来自这套把灰雾擦掉的反复练习。训练完成的模型，就是一位既有基本功、又懂镜头语言、还知道观众口味的全能导演。

L=Et,x0,ε[∥ε−εθ(xt,t,c)∥2]\displaystyle \mathcal{L} = \mathbb{E}_{t,\mathbf{x}_0,\boldsymbol{\varepsilon}}\left[\left\|\boldsymbol{\varepsilon} - \boldsymbol{\varepsilon}_{\theta}(\mathbf{x}_t, t, \mathbf{c})\right\|^2\right]
这个公式衡量的是「预测的噪声」和「真实撒下去的噪声」之间的误差。误差越小，说明模型擦灰的能力越强，生成的视频越干净。
  1. 采样训练素材从训练集里随机取一段原始视频作为基准。
    x0\displaystyle \mathbf{x}_0
  2. 随机加噪按时间步 t 往视频上添加标准高斯噪声，得到被污染的视频。
    xt\displaystyle \mathbf{x}_t
  3. 预测噪声让去噪网络根据污染视频、时间步和文本提示，预测刚才被撒进去的噪声。
    εθ(xt,t,c)\displaystyle \boldsymbol{\varepsilon}_{\theta}(\mathbf{x}_t, t, \mathbf{c})
  4. 计算误差求预测噪声与真实噪声的均方误差，作为反向传播的信号。
    ∥ε−εθ(xt,t,c)∥2\displaystyle \left\|\boldsymbol{\varepsilon} - \boldsymbol{\varepsilon}_{\theta}(\mathbf{x}_t, t, \mathbf{c})\right\|^2

生成参数：导演的镜头参数表

到了正式拍摄，导演要决定片长、画幅、帧率。混元视频默认的「出厂设置」是 5 秒、720p、24fps——24fps 正是电影工业最经典的帧率，让画面自带胶片感的流畅度。每一个镜头都是一张 1280 × 720 的画面，每秒连续放 24 张，5 秒就是 120 张画面连在一起，总像素量超过 1 亿。

除了这些既有参数，推理步数也像「表演排练次数」：步数越多，演员抠细节越充分，画质越细腻，但时间成本也越高。通常 50 步已经能交出不错的作品，追求极致时可以加到 100 步。而提示词工程则是给导演的剧本——提示词里写清楚主体、动作、镜头运动、环境光影和风格，出片质量会有质的飞跃。比如「一只戴墨镜的柴犬，在霓虹闪烁的街头奔跑，镜头缓慢跟随，赛博朋克风格」就远胜一句「狗在城市跑」。

理解了这张「镜头参数表」，你就能懂得为什么更长的视频和更高的分辨率总是更贵——因为导演要处理的像素数量在成倍增长。这也是混元默认 5 秒的原因：在画质、成本和成功率之间取一个最聪明的平衡点。

总像素数=W×H×f×T\displaystyle \text{总像素数} = W \times H \times f \times T
这是一个简单的「工作量」公式：生成一段视频要处理的像素总量等于分辨率宽 × 高 × 帧率 × 时长。代入混元默认参数，1280 × 720 × 24 × 5 ≈ 1.1 亿像素，这就是导演每次拍摄要面对的信息量。
  1. 单帧画面信息量分辨率的宽和高相乘，得到一张画面的像素数。
    W×H\displaystyle W \times H
  2. 每秒画面数量帧率 f 表示每秒钟要生成多少张画面。
    f\displaystyle f
  3. 影片总帧数帧率乘以时长，得到整个视频的帧数量。
    f×T\displaystyle f \times T
  4. 总工作量单帧像素乘以总帧数，就是导演需要处理的总像素数。
    W×H×f×T\displaystyle W \times H \times f \times T

本地部署：把片场搬进自家车库

大制作剧组都在影视基地拍戏，但你有没有想过把整个片场搬进自家车库？本地部署混元视频就是这个过程。车库的「车位大小」首先看显存：混元 130 亿参数，用 FP16 精度存权重就要约 26GB，加上运行时激活值、注意力缓存等额外开销，实际峰值显存约 60GB。这意味着需要一块 80GB 的 A100/H100，或者多卡并联。

如果车库不够大怎么办？量化就像把道具做小一号——用 FP8 精度存储，权重体积降到约 13GB，配合优化后总占用约 45GB，一块 48GB 的显卡就能装下。再配合 vLLM、TensorRT 等推理加速框架，生成速度也会明显提升。部署流程本身不复杂：从 Hugging Face 拉取权重，配置好 Python 环境和依赖，启动官方提供的推理接口，就可以用 HTTP 请求来「喊导演开工」了。

社区生态也让部署更省心，ComfyUI 等图形化工具把混元视频封装成了拖拽节点，普通创作者不需要写代码就能完成「片场搬家」。不过要提醒一句：部署前先检查自己的「车库面积」（显存），否则片子还没拍，车库先塌了。

把片场搬回家只是第一步，真正的艺术在于「精打细算地布置道具」。理解了显存估算逻辑，你就能在租云 GPU 时一眼算出配置，再也不会被云厂商的定价表绕晕。

M≈P×b\displaystyle M \approx P \times b
这是估算权重体积的公式：模型权重占用 ≈ 参数量 × 每参数字节数。混元 13B 参数在 FP16 下是 26GB，FP8 下是 13GB。注意这只是权重的体积，实际运行时的显存占用还要乘以约 2.3 倍的开销系数，这就是 60GB 和 45GB 两个数字的来历。
  1. 参数量P 代表模型参数总数，混元视频约为 130 亿。
    P\displaystyle P
  2. 单参数存储字节b 是每个参数占用的字节数，FP16 对应 2 字节，FP8 对应 1 字节。
    b\displaystyle b
  3. 相乘得权重体积两者相乘就是模型权重的磁盘/显存占用。
    P×b\displaystyle P \times b

LoRA 微调：给演员上风格特训课

想让演员演出新风格，难道要重新培养一个演员吗？当然不用——这正是 LoRA 微调的精髓。LoRA（低秩适配）的做法是：把原来的 130 亿参数全部冻结，只额外学两个很小的矩阵 A 和 B，让它们的乘积成为原有权重的「增量补丁」。相当于导演没换，只是给演员上了几节针对性的表演课，学会了一种新腔调。

这个补丁的参数量通常只有原来的 1% 左右，所以训练开销小得多，一张消费级显卡就能完成。风格定制的工作流也很成熟：先准备几十到一两百条目标风格的视频-文本对，比如水墨动画风格的短片，然后在这个小数据集上训练 LoRA，几小时就能产出一个风格补丁。之后每次生成时加载这个补丁，模型就学会了水墨的笔触和留白。

混元视频社区里已经涌现了大量 LoRA 风格包：赛博朋克、黏土动画、像素风、民国复古……创作者不再需要理解复杂的大模型训练，只需像给手机装主题一样「装上风格」。评估一个 LoRA 好不好，要看它是否在保持原视频连贯性的前提下稳定地输出风格特征——如果画面抖得像手持拍摄，说明风格压过了稳定性，还需要继续训练。

LoRA 就像给演员的一堂风格特训课——不动基础功底，只加一点个性化的东西。对创作者来说，这意味着你可以用很小的成本，把混元这个「全能导演」变成只属于你品牌的「专属导演」。

W′=W+α⋅BA\displaystyle W' = W + \alpha \cdot BA
LoRA 的更新公式：新的权重 = 原有权重 + 缩放系数 × 低秩增量。A 和 B 是两个小矩阵，相乘后只产生一个低秩的「风格偏移」，不影响模型原本的行为。
  1. 冻结原权重W 代表模型原有的 130 亿参数，训练中保持不变。
    W\displaystyle W
  2. 低秩分解增量A 和 B 是两个小矩阵，乘积 BA 只包含少量可训练参数。
    BA\displaystyle BA
  3. 缩放控制强度α 控制风格补丁的影响大小，太大会让画面崩坏，太小则没有效果。
    α\displaystyle \alpha
  4. 叠加得到新权重两者相加，得到融合了风格的新模型权重。
    W+α⋅BA\displaystyle W + \alpha \cdot BA

生态对比：各家工作室的试镜报告

选合作方时要看作品集、报价和档期。选择视频生成模型也是如此。在开源阵营，混元视频以 130 亿参数站在第一梯队，其生成质量在复杂运动、物理规律和文本跟随方面都有不错表现；Open-Sora 主打轻量易上手，适合显存有限的个人玩家；CogVideoX 则在中文语义理解上有优势；AnimateDiff 更适合做图生视频的动画风格。闭源阵营的 Sora、可灵、Runway 效果惊艳，但需要付费且不开放权重，数据隐私和定制空间受限。

从社区生态看，混元视频开源后很快接入了 Hugging Face、ComfyUI 和多个推理框架，LoRA 作品和教学资源都在快速增长，这意味着你遇到问题时有大量「同行」可以请教。选型的核心建议是：先明确你的「车库面积」（显存预算）和「片种」（内容类型），再决定用哪个工作室。要私有化、要定制、要折腾，选开源混元；要极致效果、不想碰工程，选闭源服务。

试镜报告看完了，你手上也有一份选型清单。混元视频的定位很清楚：它不一定是画质天花板，但它是开源可控、社区活跃、可本地部署可定制的「全能主力」——对想要真正拥有和改造 AI 视频能力的团队来说，这是当下最务实的选择。

E=LM\displaystyle E = \frac{L}{M}
显存效率公式：单位显存能换来的视频时长。E 越大，说明这个模型的「性价比」越高——花同样的显存能产出更长的视频。
  1. 生成视频时长L 是单次能生成的有效视频长度，单位秒。
    L\displaystyle L
  2. 峰值显存占用M 是推理时需要的显存，单位 GB。
    M\displaystyle M
  3. 相除得显存效率两者相除，得到每 GB 显存能换来的视频秒数。
    LM\displaystyle \frac{L}{M}

AI 应用场景

品牌定制短视频广告

阶段：内容生成与风格定制

解决的问题：传统拍广告需要请演员、租场地、后期剪辑，一条素材动辄一两周且成本数万；用混元视频搭配 LoRA 风格特训，文案通过提示词直接生成多版视频初稿，品牌色调统一靠 LoRA 补丁实现，创意验证周期从一周压缩到几小时。

具体案例：某新消费茶饮品牌用 HunyuanVideo 生成 30 条不同场景的 5 秒产品动态视频，再用品牌色 LoRA 统一画风，投放信息流广告后点击率提升明显，视频制作成本下降约 80%。

影视分镜预览

阶段：创意验证与预可视化

解决的问题：导演在实拍前难以低成本验证镜头调度和光影氛围，传统做法是画分镜图或做 3D 预演，耗时耗力；用文生视频可以直接把分镜文字变成动态预览，让灯光师、摄影师和投资方在开拍前就「看到」成片氛围。

具体案例：一位独立短片导演用混元视频把剧本中的雨夜追逐戏逐条生成预览片段，据此调整了机位和剪辑节奏，正式拍摄只用了原计划的一半时间。

数据私密的私有化视频生成

阶段：部署与推理优化

解决的问题：企业的产品视频涉及未发布新品，不能上传到闭源 API，传统私有化方案成本极高；用混元视频开源权重在内部服务器部署，配合 FP8 量化和 vLLM 加速，既守住数据安全又保留生成能力。

具体案例：某电商公司的 AIGC 平台工程团队在内部 GPU 集群上部署了混元视频服务，产品运营只需提交提示词即可生成商品演示视频，素材存储在本地，全程没有数据出域风险。

Python 演示

python49 行
"""腾讯混元视频生成实战：简化扩散去噪与 LoRA 风格偏移演示 用 numpy 模拟"从噪声到视频帧"的去噪过程，并演示 LoRA 低秩增量对生成结果的影响。运行: python hunyuan_demo.py"""import numpy as np  def make_target(prompt, h, w):    """由文本提示生成目标画面,模拟文本条件控制"""    seed = sum(ord(ch) for ch in prompt) / 255.0    ys, xs = np.mgrid[:h, :w]    target = np.zeros((h, w, 3))    target[..., 0] = seed    target[..., 1] = seed * xs / w    target[..., 2] = (seed + 0.3) * (1 - xs / w)    sun = (xs - w * 0.7) ** 2 + (ys - h * 0.3) ** 2 < (h * 0.1) ** 2    target[sun] = [1.0, 0.25, 0.37]    return np.clip(target, 0, 1)  def simulate_denoise(frames, target, steps=30):    """模拟扩散采样:每步把噪声画面向目标画面推进"""    for i in range(steps):        alpha = i / steps        noise_level = 1 - alpha        frames = frames * noise_level + target * alpha    return np.clip(frames, 0, 1)  def apply_lora_style(frames, style_vector, scale=0.5):    """LoRA 风格增量:只叠加低秩风格偏移,不动主干"""    offset = style_vector[np.newaxis, np.newaxis, :] * scale    return np.clip(frames + offset, 0, 1)  def main():    rng = np.random.default_rng(7)    frames = rng.random((5, 64, 64, 3))            # 5 帧纯噪声    target = make_target("赛博朋克城市夜景", 64, 64)    frames = simulate_denoise(frames, target)       # 去噪生成    cyberpunk = apply_lora_style(        frames, np.array([0.15, 0.0, 0.2])          # 加入紫色风格偏移    )    print("生成完成: 5 帧视频, 首帧像素均值 =", round(cyberpunk[0].mean(), 3))  if __name__ == "__main__":    main()
目的：用纯 numpy 模拟混元视频生成的两大核心——扩散去噪（文本条件控制画面逐步成形）和 LoRA 风格偏移（不给主干加负担，只加一个风格补丁），让你直观地看到「噪声 → 画面」的完整过程。
  1. seed = sum(ord(ch) for ch in prompt) / 255.0把文本变成数字，这就是最朴素的「文本条件」：不同提示词会得到不同的画面基调。
  2. frames = frames * noise_level + target * alpha去噪更新公式：每一步都往目标方向推进一步，直到噪声完全退去。
  3. return np.clip(frames, 0, 1)像素值约束在 0 到 1 之间，防止越界出现白斑或黑斑。
  4. offset = style_vector[np.newaxis, np.newaxis, :] * scale构造 LoRA 增量，用广播机制把风格向量叠加到每一帧上。
  5. sun = (xs - w * 0.7) ** 2 + (ys - h * 0.3) ** 2 < (h * 0.1) ** 2用圆方程在画面上画一个太阳，相当于扩散模型学习到的「场景布局先验」。
  6. cyberpunk[0].mean()输出首帧像素均值，帮你快速确认生成结果不是全黑或全白。

常见误区

误区模型是 13B 参数，13 × 2 字节 = 26GB，我的 24GB 显卡应该刚好能跑吧？大不了关掉几个后台程序。

正解26GB 只是权重的体积，推理时还需要临时存储注意力矩阵、激活值、KV 缓存等中间变量，混元 FP16 推理实际峰值约 60GB。就像请一个剧组来你家拍戏，演员住宿只是成本的一部分，摄影棚、灯光、餐车都要占地方。要用 24GB 显卡，至少需要 FP8 量化加推理框架优化，甚至还要切分到多卡。

为何常见：大家习惯用「参数量 × 精度」估算模型大小，误以为这就是全部开销，忽略了运行时中间变量的存在。

误区文生图和文生视频不都差不多吗？写一个「猫在公园玩」就能生成不错的视频。

正解视频生成对提示词的要求远高于图像。混元的双文本编码器会拆解主体、动作、镜头运动、环境、光影、风格等维度，提示词越结构化，视频越可控。好的提示词应该是「一只橘猫在洒满阳光的公园长椅上翻跟头，镜头缓慢推近，浅景深，温暖色调」这样的完整剧本，而不是一句口头禅。

为何常见：图片模型的提示词门槛较低，用户把同样的习惯迁移到视频上，忽略了视频额外包含时间和运动两大维度。

误区想给混元换风格，就得找几百张视频、几十张显卡，把 130 亿参数整个重新训练。

正解LoRA 恰恰相反——130 亿参数全部冻结，只训练两个占比约 1% 的小矩阵。相当于不重拍整部电影，只给演员上几节风格课。单卡几小时就能完成，生成的补丁文件才几十兆，加载时可随时拔插切换风格。

为何常见：很多人接触微调是从全量 fine-tune 开始的，对 LoRA 的低秩分解原理不熟悉，以为「定制 = 重训」。

误区视频是 5 秒的，生成时间应该也差不多 5 秒吧，顶多 10 秒。

正解5 秒视频包含 120 帧，扩散模型要迭代约 50 步去噪，每一步都是整段视频同时在算。即使单卡 A100 也要几十秒到数分钟，消费级显卡可能更久。生成时间是「帧数 × 步数 × 每步耗时」的乘法关系，这也是为什么步数不是越多越好，要在质量与等待之间权衡。

为何常见：用户以「生成一张图」的秒级体验做类比，忽略了视频是几十上百张连贯画面的组合任务。

面试题

Q1. 腾讯混元视频生成模型的参数量约为多少？

单选题 · easy

  • A.13 亿参数
  • B.130 亿参数← 正确答案
  • C.1300 亿参数
  • D.1.3 万亿参数

答案：B。HunyuanVideo 拥有约 130 亿参数（13B），是开源视频生成模型中规模最大的梯队之一。13 亿是 1.3B，1300 亿是 130B，两者都不是正确答案。可以把 13B 理解为「130 亿个员工」的摄制组，而不是 13 个。

Q2. HunyuanVideo 采用的骨干架构是什么？

单选题 · easy

  • A.卷积神经网络 CNN
  • B.DiT 扩散骨干架构← 正确答案
  • C.循环神经网络 RNN
  • D.多层感知机 MLP

答案：B。混元视频采用 Diffusion Transformer（DiT）架构，属于与 Sora 同源的扩散模型路线，用全注意力机制处理时空信息。CNN 适合图像特征提取，RNN 适合序列建模，MLP 是基础网络，都不是视频扩散生成的主流骨干。

Q3. 混元视频的双文本编码器分别承担什么职责？

单选题 · mid

  • A.语义理解与风格细节双路编码← 正确答案
  • B.一个生成画面一个生成声音
  • C.对视频压缩与解压的双通道
  • D.分别处理中文提示与英文提示

答案：A。T5-XXL 负责深层语义理解，多模态编码器负责视觉风格的细粒度匹配，二者互补，像双制片人分别理解「剧情」和「美感」。它们不负责生成声音，也不做压缩解压，更不是按语言分工。

Q4. 生成 5 秒、24fps 的视频一共有多少帧？

单选题 · mid

  • A.60 帧
  • B.90 帧
  • C.120 帧← 正确答案
  • D.150 帧

答案：C。总帧数 = 时长 × 帧率 = 5 × 24 = 120 帧。每一帧都是一张 1280 × 720 的画面，导演需要让这 120 张画面保持连贯的运动。60、90、150 都是错误的时间乘帧率结果。

Q5. 使用 FP16 精度推理 HunyuanVideo 大约需要多少显存？

单选题 · mid

  • A.约 8GB
  • B.约 24GB
  • C.约 60GB← 正确答案
  • D.约 128GB

答案：C。13B 参数的权重在 FP16 下约 26GB，加上激活值、注意力缓存等运行时开销，峰值约 60GB，需要 A100/H100 或双卡并联。8GB 是消费卡常见容量，24GB 不够装下含中间变量的模型，128GB 过于夸张。

Q6. LoRA 微调的核心思想是什么？

单选题 · hard

  • A.重新训练模型全部参数
  • B.冻结原权重只学两个小矩阵← 正确答案
  • C.只更新模型偏置项不碰权重
  • D.用强化学习重写全部提示词

答案：B。LoRA 通过低秩分解学习增量矩阵 A 和 B，使 W' = W + αBA，原有权重完全冻结。全量训练开销巨大，偏置项更新属于 BitFit 的思路，重写提示词是提示工程而非微调。这门「风格特训课」只练新招式，不动基本功。

Q7. 扩散模型训练时的损失函数主要衡量什么？

单选题 · hard

  • A.预测噪声与真实噪声的差距← 正确答案
  • B.生成画面亮度与原始亮度差
  • C.文本与视频的余弦相似度
  • D.模型推理速度和吞吐量大小

答案：A。扩散训练先往视频撒高斯噪声，再让网络预测噪声，用 MSE 衡量预测噪声与真实噪声的误差。亮度、余弦相似度、推理速度都不是扩散训练的核心目标。这就是「擦灰练习」——灰擦得越准，生成越清晰。

Q8. 以下哪些属于 HunyuanVideo 生成时的控制输入？

多选题 · mid

  • A.文本提示词描述画面内容← 正确答案
  • B.视频时长与分辨率等参数← 正确答案
  • C.推理步数与随机种子等控制← 正确答案
  • D.背景音乐与音效的波形

答案：ABC。混元视频是视觉生成模型，输入包括文本提示词、生成参数（时长、分辨率、帧率）和采样控制（步数、随机种子）。音频波形不属于它的输入域，混元视频目前不生成也不接收音频。

Q9. 对比开源视频生成模型时应关注哪些维度？

多选题 · mid

  • A.参数量与显存的部署门槛← 正确答案
  • B.生成质量与运动连贯度水平← 正确答案
  • C.开源协议与社区生态活跃度← 正确答案
  • D.显卡品牌与外观设计的美观

答案：ABC。选型要综合看参数量和硬件门槛、生成质量、开源协议、社区支持。显卡品牌与外观与模型能力无关，属于不相关的干扰选项。就像选工作室要看作品集和报价，而不是看办公楼的装修。

Q10. 关于混元视频的本地部署与优化，下列说法正确的是？

多选题 · hard

  • A.FP8 量化能显著降低显存占用← 正确答案
  • B.推理框架能有效加速生成过程← 正确答案
  • C.必须使用单卡无法多卡部署
  • D.ComfyUI 支持图形化交互部署← 正确答案

答案：ABD。FP8 量化可将权重体积减半，配合优化把峰值显存从约 60GB 压到约 45GB；vLLM、TensorRT 等框架确实能加速；ComfyUI 社区提供了节点化部署方案。混元视频支持多卡张量并行，不是必须单卡，因此 C 错误。