图森未来发布Ruyi图生视频大模型，并开源Ruyi-Mini-7B版本。该模型基于DiT架构，由Casual VAE模块和Diffusion Transformer构成，总参数量约71亿，使用2亿视频片段训练。Ruyi专为消费级显卡设计，支持多分辨率、多时长视频生成，并具备首帧、首尾帧控制、运动幅度控制和镜头控制等功能。Ruyi旨在降低动漫和游戏开发成本，通过输入关键帧生成后续内容或过渡内容。尽管存在手部畸形等问题，图森未来正积极改进并计划发布更多版本。

🖼️ Ruyi模型基于DiT架构，包含Casual VAE模块和Diffusion Transformer，总参数约为71亿，并用2亿个视频片段训练，实现高效的视频生成。

⏱️ Ruyi支持多分辨率（384*384至1024*1024）、任意长宽比和最长120帧/5秒的视频生成，并能通过首尾帧控制和循环叠加生成任意长度的视频。

🎛️ Ruyi提供4档运动幅度控制和上、下、左、右、静止共5种镜头控制，使用户可以精细调整视频的动态效果。

🚀 Ruyi旨在降低动漫和游戏开发成本，通过关键帧输入生成后续或过渡内容，从而缩短开发周期，提高效率。

IT之家 12 月 17 日消息，图森未来今日发布“Ruyi”图生视频大模型，并将 Ruyi-Mini-7B 版本开源，用户可以从 huggingface 上下载使用。

据介绍，Ruyi 是一个基于 DiT 架构的图生视频模型，它由两部分构成：

一个 Casual VAE 模块负责视频数据的压缩和解压

一个 Diffusion Transformer 负责压缩后的视频生成

模型的总参数量约为 7.1B，使用了约 200M 个视频片段进行训练。“Ruyi”专为在消费级显卡（例如 RTX 4090）上运行而设计，并提供部署说明和 ComfyUI 工作流，以便用户能够快速上手。

多分辨率、多时长生成：Ruyi 支持最小 384*384，最大 1024*1024 分辨率，任意长宽比，最长 120 帧 / 5 秒的视频生成。

首帧、首尾帧控制生成：Ruyi 可以支持最多 5 个起始帧、最多 5 个结束帧基础上的视频生成，通过循环叠加可以生成任意长度的视频。

运动幅度控制：Ruyi 提供了 4 档运动幅度控制，方便用户对整体画面的变化程度进行控制。

镜头控制：Ruyi 提供了上、下、左、右、静止共 5 种镜头控制。

Ruyi 是图森未来正式发布的第一款“图生视频”模型。Ruyi 目前仍然存在手部畸形、多人时面部细节崩坏、不可控转场等问题，图森未来称正在改进这些缺点，在日后的更新中对它们进行修复。

图森未来表示，公司致力于利用大模型降低动漫和游戏内容的开发周期和开发成本。本次发布的 Ruyi 大模型，已经可以实现输入关键帧后，生成之后 5 秒的内容，或输入两个关键帧，由模型生成中间的过渡内容，降低开发周期。在下一次的发布中，图森未来将同时发布两个版本，为不同需求的创作者提供更加灵活的选择。

IT之家附 Ruyi-Mini-7B 开源链接如下：

https://huggingface.co/IamCreateAI/Ruyi-Mini-7B