回复@菜包子1991:DiT架构本身决定的，视频生成对显存要求太高了，文本是1D，视频是3D，模型稍微大一点，分辨率稍微高一点，显存需求就指数上升，因为每一帧生成有十几部，每一步去噪声都要加载中间激活，会特别大。//@菜包子1991:为什么视频大模型的参数量都很小啊
发布于 广东
人工智涨Ultra
回复@菜包子1991:DiT架构本身决定的，视频生成对显存要求太高了，文本是1D，视频是3D，模型稍微大一点，分辨率稍微高一点，显存需求就指数上升，因为每一帧生成有十几部，每一步去噪声都要加载中间激活，会特别大。//@菜包子1991:为什么视频大模型的参数量都很小啊