Сравнение генерации видео

Сравнение ведущих открытых моделей генерации видео для развертывания на GPU-серверах Clore.ai.

Генерация видео с помощью ИИ взлетела в 2024–2025 годах. Это руководство сравнивает топовые открытые модели — Hunyuan Video, Wan2.1, CogVideoX, Mochi 1 и LTX-Video — по качеству, скорости, требованиям к VRAM и областям применения.

---

Краткая матрица принятия решений

	Hunyuan Video	Wan2.1	CogVideoX	Mochi 1	LTX-Video
Разработчик	Tencent	Alibaba	Zhipu AI	Genmo	LightRicks
Качество	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
Скорость	Медленно	Средне	Средне	Средне	Быстро
Мин. VRAM	24GB	16GB	16GB	24GB	8 ГБ
Максимальное разрешение	1280×720	1280×720	1440×960	848×480	1216×704
Максимальная длина	5с	5с	6с	5.4с	2 мин
Лицензия	CLA	Apache 2.0	Apache 2.0	Apache 2.0	Apache 2.0
Звезды на GitHub	10K+	7K+	6K+	4K+	5K+

---

Обзор

Hunyuan Video

Hunyuan Video от Tencent широко считается лучшей открытой моделью генерации видео на начало 2025 года. Она использует архитектуру на базе трансформеров с выдающимся качеством движения.

Ключевые характеристики: 13B параметров, 5с при 720p, требует 24GB+ VRAM

Wan2.1

Wan (Wenying) 2.1 от Alibaba является сильным конкурентом Hunyuan, предлагая схожее качество при более низких минимальных требованиях к VRAM. Доступны варианты с 1.3B и 14B параметрами.

Ключевые характеристики: 1.3B (lite) или 14B, 5с при 720p, 16GB+ VRAM для 1.3B

CogVideoX

CogVideoX от Zhipu AI ориентирован на точное соответствие тексту и связную генерацию длинных видео. Особенно хорош для кинематографичного контента и генерации, ориентированной на сюжет.

Ключевые характеристики: 5B/10B параметров, 6с при 1440×960, 16GB+ VRAM

Mochi 1

Mochi 1 от Genmo известен плавностью движения и реалистичной физикой. Использует новую архитектуру AsymmDiT. Полностью открыт (веса + код обучения).

Ключевые характеристики: 10B параметров, 5.4с при 848×480, 24GB VRAM

LTX-Video

LTX-Video от LightRick делает приоритет на скорость инференса. Может генерировать видео в реальном или почти реальном времени на современных GPU — идеально для интерактивных приложений.

Ключевые характеристики: 2B параметров, до 2 минут видео, 8GB VRAM

---

Сравнение качества

Бенчмарк EvalCrafter (2025)

Качество субъективно. Эти оценки отражают консенсус сообщества по бенчмаркам VBench и EvalCrafter.

Модель	Оценка VBench	Качество движения	Соответствие тексту	Эстетика
Hunyuan Video	83.2	Отлично	Отлично	Отлично
Wan2.1 (14B)	82.8	Отлично	Отлично	Отлично
CogVideoX-5B	79.6	Хорошо	Очень хорошо	Хорошо
Mochi 1	77.4	Очень хорошо	Хорошо	Хорошо
LTX-Video	71.2	Хорошо	Хорошо	Приемлемо

Качественные сильные стороны

Модель	Лучше всего подходит для	Слабые стороны
Hunyuan Video	Общее качество, кинематография	Очень медленная, требует много VRAM
Wan2.1	Баланс качества/эффективности, I2V	Иногда переизбыточная насыщенность
CogVideoX	Длинные формы с сюжетом, точность по тексту	Менее динамичное движение
Mochi 1	Плавное движение, физика	Нижний предел разрешения
LTX-Video	Скорость, длинные видео	Разрыв в качестве по сравнению с другими

---

Бенчмарки скорости

Время генерации (A100 80GB, один GPU)

Модель	480p 5с	720p 5с	1080p 5с
Hunyuan Video	45 мин	~3 часа	❌ OOM
Wan2.1 (14B)	15 мин	45 мин	❌ OOM
Wan2.1 (1.3B)	3 мин	8 мин	❌ OOM
CogVideoX-5B	10 мин	25 мин	❌ OOM
Mochi 1	8 мин	❌ OOM	❌ OOM
LTX-Video	45 сек	3 мин	8 мин

Время приблизительное и варьируется в зависимости от шагов сэмплера (20–50), масштаба управления и железа. Для превью используйте меньше шагов.

С оптимизацией (TeaCache / FORA / Step Distillation)

Оптимизированный инференс может существенно сократить время генерации:

Модель	С кешем	Ускорение
Hunyuan Video	~15 мин (720p)	4×
Wan2.1	~12 мин (720p)	~4×
CogVideoX	~8 мин (720p)	~3×
LTX-Video	~45с (720p)	4×

---

Требования к VRAM

Минимальный VRAM по модели и разрешению

Модель	480p	720p	1080p
Hunyuan Video	24GB	40GB+	❌
Wan2.1 (14B)	24GB	40GB+	❌
Wan2.1 (1.3B)	8 ГБ	16GB	24GB
CogVideoX-5B	16GB	24GB	❌
CogVideoX-2B	8 ГБ	16GB	❌
Mochi 1	24GB	❌	❌
LTX-Video	8 ГБ	12GB	24GB

Приёмы оптимизации памяти

Квантование

# CogVideoX с 8-битным квантованием (уменьшает VRAM вдвое)
from diffusers import CogVideoXPipeline
import torch

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
    torch_dtype=torch.float16
)
pipe.enable_model_cpu_offload()  # Дополнительно уменьшает VRAM
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()

Выгрузка на CPU

# Wan2.1 с выгрузкой на CPU для снижения VRAM
from diffusers import WanPipeline

pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.1-T2V-1.3B-Diffusers",
    torch_dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()

---

Hunyuan Video: подробный обзор

Архитектура

• 13B DiT (Diffusion Transformer) параметры

• Полное внимание по всем пространственным и временным токенам

• Обучена на более чем 1 млрд видеоклипов

Развертывание на Clore.ai

# Клонировать и установить
git clone https://github.com/Tencent/HunyuanVideo
cd HunyuanVideo
pip install -r requirements.txt

# Скачать веса (~87GB)
huggingface-cli download tencent/HunyuanVideo --local-dir ./weights

# Генерация
python sample_video.py \
  --video-size 720 1280 \
  --video-length 129 \
  --infer-steps 50 \
  --prompt "Величественный орёл, парящий над заснеженными горами" \
  --flow-shift 7.0 \
  --embedded-cfg-scale 6.0 \
  --save-path ./outputs

Через ComfyUI

# Установить узлы HunyuanVideo для ComfyUI
cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-HunyuanVideoWrapper
pip install -r ComfyUI-HunyuanVideoWrapper/requirements.txt

Лучше всего для: Генерация кинематографичного видео высочайшего качества, без ограничений по VRAM

---

Wan2.1: подробный обзор

Архитектура

• Два варианта: Wan2.1-T2V-1.3B и Wan2.1-T2V-14B

• Модель Image-to-Video (I2V) также доступна

• Хорошо работает с многоязычными (китайский + английский) промптами

Развертывание на Clore.ai

from diffusers import WanPipeline
from diffusers.utils import export_to_video
import torch

# Модель 1.3B — помещается в 8–16GB VRAM
pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.1-T2V-1.3B-Diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

output = pipe(
    prompt="Спокойный японский сад с опадающими лепестками сакуры",
    negative_prompt="низкое качество, размытость",
    height=480,
    width=832,
    num_frames=81,
    num_inference_steps=50,
    guidance_scale=5.0,
).frames[0]

export_to_video(output, "wan_video.mp4", fps=16)

Image-to-Video с Wan2.1

from diffusers import WanImageToVideoPipeline
from PIL import Image

pipe = WanImageToVideoPipeline.from_pretrained(
    "Wan-AI/Wan2.1-I2V-14B-480P-Diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.enable_model_cpu_offload()

image = Image.open("input.jpg")
output = pipe(
    image=image,
    prompt="Человек уверенно идёт вперёд",
    num_frames=81,
).frames[0]

Лучше всего для: Баланс качества и эффективности, I2V, многоязычность

---

CogVideoX: подробный обзор

Архитектура

• Экспертный трансформер с 3D полным вниманием

• Варианты на 5B и 10B параметров

• Кодировщик изображений CogView3 для визуального качества

Развертывание на Clore.ai

from diffusers import CogVideoXPipeline
from diffusers.utils import export_to_video
import torch

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
    torch_dtype=torch.bfloat16
)
pipe.to("cuda")
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()

video = pipe(
    prompt="Таймлапс ночного города с световыми трассами от машин",
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=49,
    guidance_scale=6,
    generator=torch.Generator(device="cuda").manual_seed(42),
).frames[0]

export_to_video(video, "cogvideo.mp4", fps=8)

Лучше всего для: Точное текст-видео, нарративный контент, генерация длинных форм

---

Mochi 1: подробный обзор

Архитектура

• AsymmDiT — асимметричный diffusion transformer

• Фокус на временной согласованности и плавном движении

• Полностью открытый, включая код обучения

Развертывание на Clore.ai

pip install mochi-preview

python -c "
from mochi_preview.pipelines import DecoderModelFactory, DitModelFactory, MochiSingleGPUPipeline, T5ModelFactory
import tempfile
from pathlib import Path

pipeline = MochiSingleGPUPipeline(
    text_encoder_factory=T5ModelFactory(),
    dit_factory=DitModelFactory(model_path='./weights/mochi-dit.safetensors'),
    decoder_factory=DecoderModelFactory(model_path='./weights/mochi-vae.safetensors'),
    cpu_offload=True,
    decode_type='tiled_full',
)

video = pipeline(
    height=480, width=848,
    num_frames=163,
    num_inference_steps=64,
    sigma_schedule_type='linear_quadratic',
    cfg_schedule_type='linear',
    conditioning_args={'prompt': 'Дельфин, выпрыгивающий через океанские волны на закате'},
)
"

Лучше всего для: Плавное движение, реалистичная физика, исследовательские сценарии

---

LTX-Video: подробный обзор

Архитектура

• 2B параметра DiT — меньше, быстрее

• Нативная поддержка длинного видео (до 2 минут)

• Разработан для генерации в реальном или почти реальном времени

Развертывание на Clore.ai

from diffusers import LTXPipeline
from diffusers.utils import export_to_video
import torch

pipe = LTXPipeline.from_pretrained(
    "Lightricks/LTX-Video",
    torch_dtype=torch.bfloat16
)
pipe.to("cuda")

video = pipe(
    prompt="Бабочка, приземляющаяся на цветок в летнем саду",
    negative_prompt="худшее качество, несовместимое движение, размытость",
    width=704,
    height=480,
    num_frames=161,
    decode_timestep=0.03,
    decode_noise_scale=0.025,
    num_inference_steps=50,
).frames[0]

export_to_video(video, "ltx_video.mp4", fps=24)

Лучше всего для: Быстрая генерация, интерактивные приложения, длинные видео, ограниченный VRAM (8GB)

---

Сравнение функций

Обзор возможностей

Функция	Hunyuan	Wan2.1	CogVideoX	Mochi	LTX
Текст-видео	✅	✅	✅	✅	✅
Модель Image-to-Video	✅	✅	✅	❌	✅
Видео-видео	❌	❌	✅	❌	✅
ControlNet	Частично	❌	✅	❌	❌
Поддержка LoRA	✅	✅	✅	❌	✅
Узлы ComfyUI	✅	✅	✅	✅	✅
Длинные видео (>10с)	❌	❌	Частично	❌	✅
Китайские промпты	✅	✅	✅	❌	❌

---

Рекомендации Clore.ai по GPU

Для каждой модели

Модель	Минимальный GPU	Рекомендуется	Идеально
Hunyuan Video	RTX 3090 (24GB)	A6000 (48GB)	A100 (80GB)
Wan2.1 14B	RTX 3090 (24GB)	A6000 (48GB)	A100 (80GB)
Wan2.1 1.3B	RTX 3080 (10GB)	RTX 3090	RTX 4090
CogVideoX-5B	RTX 3090 (24GB)	A6000 (48GB)	A100
CogVideoX-2B	RTX 3080 (10GB)	RTX 3090	RTX 4090
Mochi 1	RTX 3090 (24GB)	A6000 (48GB)	A100
LTX-Video	RTX 3080 (10GB)	RTX 4080	RTX 4090

Оценка стоимости за видео

Hunyuan Video (720p, 5с) на A100 80GB (~$1.50/ч):
  Время: ~45 мин → Стоимость: ~ $1.12 за видео

Wan2.1-1.3B (480p, 5с) на RTX 3090 (~$0.50/ч):
  Время: ~3 мин → Стоимость: ~ $0.025 за видео

LTX-Video (720p, 5с) на RTX 4090 (~$0.60/ч):
  Время: ~3 мин → Стоимость: ~ $0.030 за видео

---

Когда что использовать

Руководство по принятию решений

Максимальное качество (без ограничения по затратам)?
  → Hunyuan Video на A100

Лучший баланс качество/цена?
  → Wan2.1 14B на A6000

Ограниченный VRAM (8–12GB)?
  → LTX-Video или Wan2.1 1.3B

Нужна быстрая генерация?
  → LTX-Video

Нужен Image-to-Video?
  → Wan2.1 I2V или CogVideoX

Нужны длинные видео (>10с)?
  → LTX-Video

Исследования/дообучение?
  → Mochi 1 (открытый код обучения) или CogVideoX

Рабочий процесс ComfyUI?
  → Все поддерживаются, лучшие узлы — Hunyuan/Wan

---

Полезные ссылки

• Hunyuan Video на GitHub

• Wan2.1 на HuggingFace

• CogVideoX на GitHub

• Mochi 1 на GitHub

• LTX-Video на GitHub

• Таблица лидеров по генерации видео

---

Резюме

Модель	Использовать когда
Hunyuan Video	Если важнее всего лучшее качество, доступны A100+
Wan2.1	Лучший баланс качества и эффективности
CogVideoX	Точное текст-видео, длинный нарратив
Mochi 1	Плавное движение, физика, открытые исследования
LTX-Video	Скорость, низкий VRAM, длинные видео

Экосистема открытой генерации видео развивается быстро. Для большинства развертываний Clore.ai Wan2.1 (1.3B для бюджета, 14B для качества) предлагает лучшее сочетание качества, скорости и эффективности использования ресурсов.