近日，抖音內容技術團隊開源了 ContentV，一種面向視頻生成任務的高效訓練方案。該方案在多項技術優化的基礎上，使用 256 塊 NPU，在約 4 周內完成了一個 8B 參數模型的訓練。盡管資源有限，ContentV 在多個評估維度上取得了與現有主流方案相近的生成效果。

該工作探索了在有限算力條件下訓練視頻生成模型的可行路徑。目前，推理代碼與模型權重已對外開放。

• 論文標題：ContentV: Efficient Training of Video Generation Models with Limited Compute
• 技術報告：https://arxiv.org/abs/2506.05343
• 代碼倉庫：https://github.com/bytedance/ContentV
• 模型權重：https://huggingface.co/ByteDance/ContentV-8B
• 項目主頁：https://contentv.github.io

我們先來看一些效果展示視頻：

? 核心亮點

極簡設計

CogVideoX、HunyuanVideo 和 Wan2.1 等一系列優秀的開源工作表明，視頻生成的關鍵并不在于架構上的特殊設計，而在于如何高效利用有限的數據資源，并有效對齊人類偏好。

為驗證 ContentV 方案的通用性，本次開源的版本在擴散模型部分采用了經典的文生圖模型 Stable Diffusion 3.5 Large。為了適配視頻模態，模型在結構上僅做了以下兩項必要調整：

• 將原始圖像 VAE 替換為 Wan2.1 中使用的 3D-VAE；
• 將 2D 位置編碼升級為 3D 版本。在具體編碼方式上，團隊對比了傳統的絕對位置編碼與主流的旋轉位置編碼。評估結果顯示，兩者在客觀指標和主觀感受上差異較小，因此保留了計算更高效的絕對位置編碼方案。

ContentV模型結構

多階段漸進訓練策略

上述的最小化結構改動，在解鎖了視頻生成能力的同時，也最大限度地保留了原模型的圖像生成能力。實驗證明，在新的 VAE 和位置編碼的適配階段，沿用 Flow Matching 的訓練方式，僅需 1000 步左右的微調，就能基本還原模型的圖片生成能力，大幅節省圖片預訓練階段的訓練成本。

在視頻生成的預訓練階段，為加速收斂實現高效訓練，研究團隊設計了一套從「低清短片」到「高清長片」的多階段漸進式訓練流程，逐步引導模型學習時間維度與空間維度上的動態表征，從而提升視頻的連續性、動態表現力和畫面細節。

此外，實驗證明，在推理階段引入非線性采樣步長機制（Flow Shift）能夠顯著提升視頻的整體生成質量。通過多組對比實驗，團隊最終確定了最優的采樣策略，進一步優化了生成效果。

VAE適配過程

? 輕量級 RLHF 強化訓練

RLHF顯著提升畫面質感

在后訓練階段，除了使用高質量數據集進行微調外，通過 RLHF 或 DPO 等對齊人類偏好的監督訓練，也能顯著提升視頻生成質量。然而，這類方法通常依賴大量人工標注，用于訓練獎勵模型或直接監督擴散模型。同時，相較于圖像，視頻的序列長度顯著增加了 RLHF 和 DPO 的訓練資源需求。

為此，ContentV 研究團隊提出了一種輕量級的 RLHF 訓練方案，旨在不依賴人工標注的前提下，低成本提升視頻質量：

• 利用開源的圖像獎勵模型對生成視頻的單幀進行監督。相較于視頻場景，目前圖像獎勵模型的訓練數據更易獲取，且在實際效果中表現更佳。實驗證明，由于 MM DiT 采用全局注意力機制，僅優化單幀即可帶動整體視頻質量的提升；
• 將監督范圍限制在生成視頻的前 1 秒，相較于對完整視頻進行監督，可大幅減少訓練資源的消耗，同時獲得相近的質量提升效果。

采用上述策略后，在無需人工標注的情況下，僅使用少量訓練資源，便可顯著提升畫面質量。RLHF 微調后，模型在視覺質量（VQ）指標上的表現大幅提升，評估勝率高達 89.38%。

效果對比

在 VBench 這一主流視頻生成評測基準上，ContentV（8B）取得了 85.14 的綜合得分，表現優于多個現有的商業閉源模型，包括 Sora、Kling 1.6 和 Gen-3 等。

VBench 榜單 (按照 Overall 分數降序排列)

為更貼近真實用戶偏好，研究團隊圍繞感知質量、指令跟隨、物理一致性和視覺效果四個維度開展了人類偏好評估。結果顯示，ContentV 在整體表現上與 CogVideoX-5B、HunyuanVideo-13B 和 Wan2.1-14B 等主流開源模型相比具有一定優勢。

人類偏好評估指標