PUSA V1.0：低成本高性能视频生成模型发布

2025年7月16日，PUSA V1.0 正式发布。该模型基于最新的 Wan2.1-T2V-14B，通过引入创新的 Vectorized Timestep Adaptation（VTA，向量化时间步自适应）技术，仅需原始模型 1/2500 的数据集、1/200 的训练成本和 1/5 的推理步骤，就实现了超越 Wan-I2V-14B 的性能。

什么是 PUSA V1.0？

PUSA V1.0 是一款面向视频生成领域的开源AI模型，采用了全新的向量化时间步自适应（VTA）技术。与传统视频扩散模型采用单一时间步不同，PUSA 能够在每一帧实现更细致的噪声控制，从而带来更高的生成质量和更丰富的多任务能力。

技术亮点与创新

• 向量化时间步自适应（VTA）：突破了传统标量时间步的限制，实现了帧级别的灵活控制。
• 极致高效：仅用3860个视频样本、约500美元的训练成本，推理步骤也大幅减少。
• 多任务支持：不仅能进行图像到视频（I2V）生成，还支持首尾帧生成、视频补全、视频扩展、文生视频（T2V）、视频过渡等多种任务。
• 非破坏性微调：在保留原始模型全部能力的基础上，通过LoRA微调实现新功能，兼容性强。
• 开源开放：完整开放模型权重、训练数据、推理与训练代码，便于社区和行业进一步研究和应用。

与 Wan-I2V 的对比

PUSA V1.0 以极低的训练资源和数据量，超越了 Wan-I2V-14B 的性能。Wan-I2V 仅支持图像到视频的单一任务，而 PUSA V1.0 则实现了多任务统一，且在 VBench-I2V 评测中得分更高（87.32% vs 86.86%）。

应用场景

• AI 创意视频生成：用户可通过一张图片或一段文字，快速生成高质量短视频。
• 视频内容补全与扩展：支持对已有视频进行首尾帧补全、内容延展等操作。
• 多帧关键帧插值：可根据多张关键帧生成平滑过渡的视频片段。
• 教育、娱乐、广告等领域：为内容创作者、教育者、广告行业等提供高效的视频生成工具。

直观体验

下方为 PUSA V0.5 版本的部分生成动图示例，V1.0 在此基础上进一步提升了多任务能力和生成质量：

PUSA V1.0 的发布，标志着视频生成技术的进一步平民化和高效化。其创新的VTA方法不仅提升了生成质量，也极大降低了开发和应用门槛。

相关链接

• PUSA V1.0 模型及介绍（Hugging Face）
• PUSA V1.0 训练数据集（Hugging Face）
• 官方项目主页
• 技术报告（PDF）
• 论文 arXiv:2410.03160