Hugging Face's logo

Tele-AI
/
MMPL

Text-to-Image
English
Model card Files
xet
Community
MMPL
File size: 2,739 Bytes 
70a798b
 
 
 
 
 
ad41942
 
9e6702f
 
 
 
 
 
 
ad41942
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
3d59cf9
ad41942
 
3d59cf9
ad41942
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
 
---
language:
- en
base_model:
- Wan-AI/Wan2.1-T2V-14B
pipeline_tag: text-to-image
---

# MMPL: Macro-from-Micro Planning for High-Quality and Parallelized Autoregressive Long Video Generation

[![Paper](https://img.shields.io/badge/Paper-arXiv%3A2508.03334-b31b1b.svg)](https://arxiv.org/abs/2508.03334)
[![Demo](https://img.shields.io/badge/Demo-Website-blue.svg)](https://nju-xunzhixiang.github.io/Anchor-Forcing-Page/)
[![Code](https://img.shields.io/badge/Code-GitHub-181717?logo=github)](https://github.com/Tele-AI/MMPL)

![Demo Screenshot](demo.png)

> **概述**：**MMPL** 是在 **Wan2.1-14B-T2V** 基座上，使用 **50k 私有高质量视频数据** 进行微调得到的“规划式（Planning）”文本到视频生成模型。我们**不修改任何原始架构**，仅通过高质量规划式指令与监督，显著提升主体/背景一致性、运动平滑与文本-视觉对齐的人评表现。

## 🔍 模型介绍

- **基座模型**：Wan2.1-14B-T2V  
- **微调数据**：50k 条私有高质量视频-文本指令样本  
- **训练目标**：在保持原架构不变的前提下，提升主体一致性、背景一致性、运动平滑与人评可控性  

## 🏗️ 模型架构

MMPL **完全沿用** Wan2.1-14B-T2V 的原始网络结构与推理范式：

- **整体结构**：与 Wan2.1 一致（Decoder-only/扩散式堆叠）
- **注意力/激活/归一化/位置编码**：与基座一致（兼容 FlashAttention2 等加速）
- **时空分辨率与采样调度**：与基座配置一致  
- **不改动任何子模块**（头数、通道数、FFN 维度、位置编码等），仅在参数上微调。

## 📊 评测结果

> 下表为 MMPL 与常见方法的对比。**粗体**表示该列最优。

### VBench Evaluation & Human Evaluation

| 模型 | Subject Consistency | Background Consistency | Motion Smoothness | Aesthetic Quality | Imaging Quality | Text-Visual Alignment | Content Consistency | Color Shift |
|---|---:|---:|---:|---:|---:|---:|---:|---:|
| **Causal** |  |  |  |  |  |  |  |  |
| FIFO (Kim et al., 2024) | 0.956 | 0.960 | 0.949 | 0.588 | 0.603 | – | – | – |
| **Distilled Causal** |  |  |  |  |  |  |  |  |
| CausVid (Yin et al., 2025) | 0.969 | **0.980** | 0.981 | 0.606 | 0.661 | 34.7 | 33.0 | 25.0 |
| SF (Huang et al., 2025a) | 0.967 | 0.958 | 0.980 | 0.593 | **0.689** | 52.0 | 46.1 | 50.5 |
| **DF Causal** |  |  |  |  |  |  |  |  |
| SkyReels (Chen et al., 2025) | 0.956 | 0.966 | 0.991 | 0.600 | 0.581 | 47.9 | 51.4 | 51.3 |
| MAGI-1 (Teng et al., 2025) | 0.979 | 0.970 | 0.991 | 0.604 | 0.612 | 34.7 | 40.4 | 39.5 |
| **Planning** |  |  |  |  |  |  |  |  |
| **MMPL (ours)** | **0.980** | 0.968 | **0.992** | 0.628 | 0.661 | **80.0** | **79.2** | **83.1** |