突破时长，无限长度开源 AI 视频生成模型：SkyReels-V2

目前，大多数视频生成模型一次生成的视频长度通常仅为 5 到 10 秒。SkyReels-V2 则致力于打破这一局限，实现真正的无限长度视频生成。近年来，得益于扩散模型和自回归框架的不断进步，视频生成领域取得了显著发展，但依然面临着诸多难题。例如，在追求画面视觉质量的同时，运动流畅性往往被牺牲。视频长度受到分辨率和带宽的限制。现有的大模型在理解和表达镜头语言方面也存在不足，生成的内容难以呈现出专业电影所需的叙事和美学。SkyReels-V2 正是在这样的背景下应运而生，旨在突破上述瓶颈，为生成式视频技术带来新的可能。

视频演示

模型介绍

该模型的核心创新在于引入了 Diffusion Forcing 扩散强制机制，这是目前首个可支持无限时长连续生成的方案。与传统扩散模型一刀切的噪声调度不同，Diffusion Forcing 允许每一个 Token 拥有独立的噪声等级，模型可以灵活地在序列中部分掩码、部分恢复，实现任意长度视频的无缝续写。理论上，这相当于为生成模型提供了 “随时接续” 的能力，极大拓展了电影级视频的生成长度与连续性。

在数据处理和训练策略上，SkyReels-V2 利用了多模态大模型的集成思路。团队构建了完善的视频标注体系，其中 SkyCaptioner-V1 担任视频描述生成器，基于 Qwen2.5-VL-7B-Instruct 进行定制化微调，并在两百万规模的视频数据集上平衡标注。该模型在镜头类型、角度、主体位置、表情等多个维度的标注准确率上，超越了目前的主流开源模型，为后续生成模型的训练提供了高质量的语义基础。

在生成质量优化环节，SkyReels-V2 引入了强化学习机制。针对长视频中大幅度、可变形运动的生成难题，团队采用了半自动化的偏好标注流程，将自动生成的运动对与人工评估结合，训练了专门的奖励模型以优化运动表现。这种方法有效提升了模型对物理规律和运动连贯性的把握，同时避免了对画面质量和文本对齐度的损害。

此外，SkyReels-V2 还采用了两阶段的高质量监督微调策略，分别针对 540p 与 720p 不同分辨率进行优化。第一阶段的微调聚焦于概念均衡与模型初始化，第二阶段则更重视分辨率提升和整体画质细节的打磨。配合强大的计算资源调度体系，这一流程使得生成结果在专业评测中表现优异。

在性能评测方面，SkyReels-V2 在自建的 SkyReels-Bench 和公开的 V-Bench 基准上，均取得了领先的综合得分，尤其是在指令遵循性、一致性、视觉质量等维度上优势明显。无论是文本到视频（T2V）还是图像到视频（I2V）任务，SkyReels-V2 都显示出对现有主流开源模型的全面超越，部分指标已逼近甚至媲美商业闭源系统。

视频质量人工评测

为了进行人工评测，技术团队设计了 SkyReels-Bench 基准集，包含 1020 条文本提示，系统性地从指令遵循性、运动表现、一致性与视觉质量三大维度对模型进行评估。该基准覆盖文本生成视频（T2V）和图像生成视频（I2V）两类模型，能全面衡量不同生成范式的表现。为确保公平，所有模型均在默认设置下、使用统一分辨率进行评测，且未对生成结果做任何后处理或筛选。

文本转视频模型（Text To Video Models）

模型名称 平均分 指令遵循性 一致性 视觉质量 运动表现
Runway-Gen3 Alpha 2.53 2.19 2.57 3.23 2.11
HunyuanVideo-13B 2.82 2.64 2.81 3.20 2.61
Kling-1.6 STD Mode 2.99 2.77 3.05 3.39 2.76
Hailuo-01 3.0 2.8 3.08 3.29 2.74
Wan2.1-14B 3.12 2.91 3.31 3.54 2.71
SkyReels-V2 3.14 3.15 3.35 3.34 2.74

评测结果显示，SkyReels-V2 在指令遵循性（3.15）方面相比基线方法取得了显著提升，同时在 运动表现（2.74）上保持了与主流模型相当的水准，并未牺牲一致性（3.35）。

图像转视频模型（Image To Video Models）

模型名称 平均分 指令遵循性 一致性 视觉质量 运动表现
HunyuanVideo-13B 2.84 2.97 2.95 2.87 2.56
Wan2.1-14B 2.85 3.10 2.81 3.00 2.48
Hailuo-01 3.05 3.31 2.58 3.55 2.74
Kling-1.6 Pro Mode 3.4 3.56 3.03 3.58 3.41
Runway-Gen4 3.39 3.75 3.2 3.4 3.37
SkyReels-V2-DF 3.24 3.64 3.21 3.18 2.93
SkyReels-V2-I2V 3.29 3.42 3.18 3.56 3.01

结果显示，SkyReels-V2-I2V（3.29）和 SkyReels-V2-DF（3.24）在开源模型中均达到了业界领先水准，显著超越 HunyuanVideo-13B（2.84）与 Wan2.1-14B（2.85）等主流模型。在平均分上，SkyReels-V2-I2V（3.29）已与 Kling-1.6（3.4）、Runway-Gen4（3.39）等闭源商业模型表现相当。

可用于视频生成的主要自定义参数

参数 推荐值 说明
--prompt 用于生成视频的文本描述
--image 用于图像转视频的输入图像路径
--resolution 540P 或 720P 输出视频分辨率（需根据模型类型选择）
--num_frames 97 或 121 生成的总帧数（540P 模型为 97，720P 模型为 121）
--inference_steps 50 去噪步骤数
--fps 24 输出视频的每秒帧数
--shift 8.0 或 5.0 流匹配调度参数（T2V 任务推荐 8.0，I2V 任务推荐 5.0）
--guidance_scale 6.0 或 5.0 文本引导强度（T2V 推荐 6.0，I2V 推荐 5.0）
--seed 固定随机种子以复现结果（如不指定则为随机生成）
--offload True 将模型组件转移至 CPU 以减少显存占用（推荐开启）
--use_usp True 启用 xDiT USP 多卡推理加速
--outdir ./video_out 生成视频保存目录
--prompt_enhancer True 将简短提示词扩展为更详细描述

Diffusion Forcing 额外参数

参数 推荐值 说明
--ar_step 0 控制异步推理（0 代表同步模式）
--base_num_frames 97 或 121 基础帧数（540P 为 97，720P 为 121）
--overlap_history 17 长视频生成时用于平滑过渡的重叠帧数
--addnoise_condition 20 提升长视频生成一致性
--causal_block_size 5 异步推理（--ar_step > 0）时推荐设置