摘要
我们提出 Waver，一个高性能的统一图像与视频生成基础模型。Waver 能够直接生成时长为 5 至 10 秒、原生分辨率为 720p 的视频，并随后将其上采样至 1080p。该模型在一个统一的集成框架中，同时支持文本到视频（T2V）、图像到视频（I2V）以及文本到图像（T2I）的生成任务。为提升模态对齐效果并加速训练收敛，我们设计了混合流 DiT（Hybrid Stream DiT）架构。为保障训练数据质量，我们构建了一套完整的数据筛选流程，并人工标注数据，训练了一个基于多模态大语言模型（MLLM）的视频质量评估模型，用于筛选出最高质量的样本。此外，我们还提供了详细的训练与推理方案，以帮助生成高质量视频。基于上述贡献，Waver 在捕捉复杂运动方面表现出色，显著提升了视频生成中的运动幅度与时间一致性。尤为突出的是，截至 2025 年 7 月 30 日 10:00（GMT+8），Waver 在 Artificial Analysis 平台的 T2V 与 I2V 两个榜单中均位列前三，持续超越现有开源模型，达到甚至超越当前最先进的商业解决方案水平。我们希望本技术报告能帮助社区更高效地训练高质量视频生成模型，推动视频生成技术的进一步发展。官方页面：https://github.com/FoundationVision/Waver。