Waver 1.0

Waver 1.0 – 字节跳动推出的AI视频生成模型

核心观点： Waver 1.0是字节跳动推出的新一代视频生成模型，基于修正流Transformer架构，支持文生视频、图生视频、文生图一体化生成，可达1080p分辨率，擅长捕捉复杂，在幅度和时间一致性上表现卓越，性能超越现有模型，并支持多种艺术风格。

Waver 1.0：革新视频生成体验

字节跳动匠心打造的Waver 1.0，作为一款划时代的新一代视频生成模型，以其强大的修正流Transformer架构，彻底颠覆了视频创作的传统模式。它将文本到视频（T2V）、图像到视频（I2V）以及文本到图像（T2I）的生成能力巧妙地整合于一个统一的框架之下，用户无需在不同模型间切换，即可一站式完成创意构想。Waver 1.0支持高达1080p的超高清分辨率，并能生成2至10秒的灵活视频长度，尤其在捕捉复杂方面表现出类拔萃，其生成的视频在的幅度和时间上的连贯性均达到了行业领先水平。

Waver 1.0的核心优势

全能一体化创作： 告别模型切换的繁琐，Waver 1.0集文本到视频、图像到视频及文本到图像生成于一身，实现无缝创作流程。
高清视界，随心定制： 最高支持1080p分辨率，2至10秒的视频时长可灵活调控，分辨率和画面比例亦可设定，满足多样化需求。
精妙刻画： 深入理解并重现复杂轨迹，确保视频画面在动态表现力和时间轴的连贯性上均有出色呈现。
叙事连贯，风格统一： 能够生成多镜头衔接自然、内容连贯的叙事视频，保证核心主题、视觉风格和整体氛围的高度一致性。
风格百变，创意无限： 从极致写实到生动动画，从趣味粘土到柔软毛绒，Waver 1.0驾驭多种艺术风格，为创意注入无限可能。
性能标杆，引领未来： 在Waver-Bench 1.0和Hermes测试集等权威评测中，Waver 1.0的综合表现均超越了当前市面上主流的开源及闭源模型。
真实感升级，伪影告别： 运用APG（Adaptive Parallel Guidance）技术，有效减少生成视频中的瑕疵，显著提升画面的真实感。
精细化训练，动感优化： 通过低分辨率视频的精细化训练，逐步提升分辨率，从而深度优化了生成的能力。
智能提示，效果提升： 借助精巧的提示标签机制，能够精准区分和应用不同类型的训练数据，进一步优化生成效果。

Waver 1.0的技术深度解析

先进模型架构： Waver 1.0采用了创新的混合流DiT（Hybrid Stream DiT）架构。它借助Wan-VAE技术提取视频的压缩潜在变量，利用flan-t5-xxl和Qwen2.5-32B-Instruct模型进行文本特征提取，并以修正流Transformer为核心构建DiT模型。视频与文本信息通过双流与单流的融合方式实现高效整合。
1080p高清生成引擎： Waver-Refiner部分采用DiT架构，并运用流匹配方法进行训练。具体而言，它首先将低分辨率视频（480p或720p）上采样至1080p，然后添加噪声，再以含噪声的低分辨率视频作为输入，最终输出高质量的1080p视频。通过引入窗口注意力机制，显著缩短了推理步骤，从而大幅提升了推理速度。
卓越训练策略： 为了实现对的精准捕捉，Waver 1.0的训练过程将重点放在低分辨率视频上。模型投入了大量的计算资源，在192p分辨率的视频上进行深度训练，随后逐步提高分辨率至480p和720p。训练过程中遵循SD3的流匹配训练设置，并且在480p和720p视频训练时，逐步调整sigma shift值，以达到最佳效果。
智能提示标签应用： Waver 1.0巧妙运用提示标签来区分和管理不同类型的训练数据，为训练数据分配相应的风格和质量标签。在训练阶段，描述视频风格的提示被添加到标题的前面，而描述视频质量的提示则被置于训练标题的末尾。在推理阶段，为了避免生成低质量内容，会将诸如“低清晰度”或“慢动作”等负面描述性提示纳入负面提示（negative prompt）中。
推理优化技术： 将APG技术（Adaptive Parallel Guidance）引入视频生成领域，旨在提升视频的真实感并减少伪影。APG通过将CFG（Classifier-Free Guidance）中的更新项分解为平行和正交分量，并调低平行分量的权重，从而在保证生成质量的同时，有效避免了画面过度饱和的问题。