Informe Técnico de HunyuanVideo 1.5
HunyuanVideo 1.5 Technical Report
November 24, 2025
Autores: Bing Wu, Chang Zou, Changlin Li, Duojun Huang, Fang Yang, Hao Tan, Jack Peng, Jianbing Wu, Jiangfeng Xiong, Jie Jiang, Linus, Patrol, Peizhen Zhang, Peng Chen, Penghao Zhao, Qi Tian, Songtao Liu, Weijie Kong, Weiyan Wang, Xiao He, Xin Li, Xinchi Deng, Xuefei Zhe, Yang Li, Yanxin Long, Yuanbo Peng, Yue Wu, Yuhong Liu, Zhenyu Wang, Zuozhuo Dai, Bo Peng, Coopers Li, Gu Gong, Guojian Xiao, Jiahe Tian, Jiaxin Lin, Jie Liu, Jihong Zhang, Jiesong Lian, Kaihang Pan, Lei Wang, Lin Niu, Mingtao Chen, Mingyang Chen, Mingzhe Zheng, Miles Yang, Qiangqiang Hu, Qi Yang, Qiuyong Xiao, Runzhou Wu, Ryan Xu, Rui Yuan, Shanshan Sang, Shisheng Huang, Siruis Gong, Shuo Huang, Weiting Guo, Xiang Yuan, Xiaojia Chen, Xiawei Hu, Wenzhi Sun, Xiele Wu, Xianshun Ren, Xiaoyan Yuan, Xiaoyue Mi, Yepeng Zhang, Yifu Sun, Yiting Lu, Yitong Li, You Huang, Yu Tang, Yixuan Li, Yuhang Deng, Yuan Zhou, Zhichao Hu, Zhiguang Liu, Zhihe Yang, Zilin Yang, Zhenzhi Lu, Zixiang Zhou, Zhao Zhong
cs.AI
Resumen
Presentamos HunyuanVideo 1.5, un modelo de generación de vídeo de código abierto, ligero pero potente, que logra una calidad visual y coherencia de movimiento de vanguardia con solo 8.3 mil millones de parámetros, permitiendo una inferencia eficiente en GPUs de grado consumidor. Este logro se basa en varios componentes clave, que incluyen una meticulosa curación de datos, una arquitectura DiT avanzada que incorpora atención selectiva y deslizante por mosaicos (SSTA), una comprensión bilingüe mejorada mediante codificación de texto sensible a glifos, pre-entrenamiento y post-entrenamiento progresivos, y una red eficiente de super-resolución de vídeo. Aprovechando estos diseños, hemos desarrollado un marco unificado capaz de generar vídeos de alta calidad a partir de texto y a partir de imágenes, en múltiples duraciones y resoluciones.
Extensos experimentos demuestran que este modelo compacto y competente establece un nuevo estado del arte entre los modelos de generación de vídeo de código abierto. Al publicar el código y los pesos del modelo, proporcionamos a la comunidad una base de alto rendimiento que reduce la barrera de entrada para la creación e investigación de vídeos, haciendo que la generación avanzada de vídeos sea accesible para un público más amplio. Todos los recursos de código abierto están disponibles públicamente en https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5.
English
We present HunyuanVideo 1.5, a lightweight yet powerful open-source video generation model that achieves state-of-the-art visual quality and motion coherence with only 8.3 billion parameters, enabling efficient inference on consumer-grade GPUs. This achievement is built upon several key components, including meticulous data curation, an advanced DiT architecture featuring selective and sliding tile attention (SSTA), enhanced bilingual understanding through glyph-aware text encoding, progressive pre-training and post-training, and an efficient video super-resolution network. Leveraging these designs, we developed a unified framework capable of high-quality text-to-video and image-to-video generation across multiple durations and resolutions.Extensive experiments demonstrate that this compact and proficient model establishes a new state-of-the-art among open-source video generation models. By releasing the code and model weights, we provide the community with a high-performance foundation that lowers the barrier to video creation and research, making advanced video generation accessible to a broader audience. All open-source assets are publicly available at https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5.