arXiv 上视频生成器后训练与对齐方法综述

arXiv 上发布了一篇综述 Video Generation Models: A Survey of Post-Training and Alignment。作者系统梳理了无需从头重训练的视频模型后训练方法：supervised fine-tuning、self-training 与蒸馏、基于偏好和奖励的方法，以及 inference-time 方法。数据集、基准测试和评估实践也单独进行了讨论。代码已开源。

这意味着什么

这篇综述涉及我们在 AI Video 栏目中汇总的整个视频生成主题。我们指南中的工具里，直接涉及三个开源生成器。 Maestro 是基于 WanGP 流水线的本地工作室，MiniMax H3 的模型权重占用 464.1 GB，最大的文件为 9.7 GB。作者指出需要 12—24 GB 显存以及 CUDA 平台。WanGP 的代码许可证仅允许该程序本身用于非商业用途，MiniMax H3 的权重允许年营收不超过 2000 万美元的商业使用，但在欧盟、英国、韩国和美国不适用。 LTX-Video 由 Lightricks 推出，据称仅需 1 GB 显存，支持 macOS 上的 MPS。权重占用 236.4 GB，最大的文件为 26.6 GB。权重许可证允许商业使用，但营收达到 1000 万美元以上的公司需要单独的付费许可证。 CogVideoX 由 Zhipu AI 推出，解决 text-to-video 任务，5b 模型权重占用 20 GB，最大的文件为 9.2 GB。商业使用需要注册，每月 100 万次访问以内免费。 该综述并不绑定具体实现，也没有说明上述方法中哪些已在这些工具中应用。对本地生成器用户的实际价值在于，它系统梳理了可能影响模型后续版本以及后处理流水线的方法。