论文页 - Motif-Video 2B：技术报告

来源：https://huggingface.co/papers/2604.16503
作者：
、
、
、
、
、
、
、
、
、
、
、
、
、
、
、
、
、
、
、
、

摘要

Motif-Video 2B 通过共享交叉注意力的专用架构与三段式主干网络，辅以高效训练方法，在显著减少参数量与训练数据的前提下，实现了高水准的文本到视频生成质量。

训练强视频生成模型通常需要海量数据集、庞大参数量与巨额算力。本文探讨能否在远低于常规预算（<1000 万段视频、<10 万 H200 GPU 小时）的情况下仍获得优异的文本到视频质量。我们的核心观点是：答案不仅在于“堆多少容量”，更在于“如何组织容量”。在视频生成中，提示对齐、时序一致性与细节还原若共用同一路径，会相互干扰。Motif-Video 2B 通过架构层面的角色分离，而非单纯堆规模，来解决这一问题。模型融合两大关键思想：

1. 共享交叉注意力（Shared Cross-Attention）在视频 token 序列变长时强化文本控制；
2. 三段式主干（three-part backbone）将早期融合、联合表征学习与细节精修分阶段处理。

为了在有限算力下让该设计生效，我们配套了基于动态 token 路由与早期特征对齐的高效训练方案，对齐对象为一个冻结的预训练视频编码器。分析表明，相比标准单流基线，模型深层呈现出更清晰的跨帧注意力结构。在 VBench 上，Motif-Video 2B 得分 83.76%，超越 Wan2.1 14B，而参数量仅为其 1/7，训练数据亦大幅减少。结果表明，精心的架构专业化配合以效率为导向的训练配方，能够缩小甚至反超大模型通常具备的质量优势。

查看 arXiv 页面 (https://arxiv.org/abs/2604.16503)
查看 PDF (https://arxiv.org/pdf/2604.16503)
项目主页 (https://motiftech.io/videoshowcase)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2604.16503)

在智能体中获取该论文：

hf papers read 2604.16503

CLI 不是最新版？
curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 1

Motif-Technologies/Motif-Video-2B

文本到视频 • 约 2 小时前更新 • 1.02k • 72
(https://huggingface.co/Motif-Technologies/Motif-Video-2B)

引用本文的数据集 0

无数据集链接到本文

在数据集 README.md 中引用 arxiv.org/abs/2604.16503 即可在此显示。

引用本文的 Spaces 0

无 Space 链接到本文

在 Space README.md 中引用 arxiv.org/abs/2604.16503 即可在此显示。

包含本文的收藏 0

无收藏包含本文

将本文加入收藏 (https://huggingface.co/new-collection) 即可在此显示。