ContentV – 字节跳动开源的文生视频模型框架

ContentV是字节跳动开源的80亿参数 文生视频 模型框架。将Stable Diffusion 3.5 Large的2D-VAE替换为3D-VAE并引入3D位置编码，使图像模型快速获得视频生成能力。训练上采用多阶段策略，先用视频数据建立时间表示，再进行图片视频联合训练，按视频时长和宽高比分桶并用动态批量大小机制优化内存，渐进式训练先增时长再增分辨率，用Flow Matching算法提升效率。强化学习方面，采用成本效益高的框架，无需额外人工标注，通过监督微调和强化学习人类反馈提升生成质量。用64GB内存的NPU构建分布式训练框架，实现480P、24FPS、5秒视频的高效训练。在VBench上，ContentV长视频总得分85.14，仅次于Wan2.1-14B，人类偏好评分在多维度上优于 CogVideoX 和 混元视频 。

官网：https://github.com/bytedance/ContentV

立即打开官网