WorldFoundry
English中文

Step-Video-T2V

论文方法总览：Step-Video-T2V 的视频生成架构。

Step-Video-T2V（StepFun）：文生视频、视频生成；已验证。

编辑此页GitHubMarkdown

Step-Video-T2V 是阶跃星辰的大规模开源文生视频模型（上游 300 亿参数，MIT 权重位于 stepfun-ai/stepvideo-t2v）。在 WorldFoundry 中，公开 pipeline 由原生角色化组件与共享扩散 runner 装配—— DiT、Step-LLM 文本编码器、CLIP、调度器、潜变量初始化与 VAE 解码全部进程内执行。

论文方法总览：Step-Video-T2V 的视频生成架构。
论文方法总览：Step-Video-T2V 的视频生成架构。

记录论文为arXiv 2502.10248。

代码：stepfun-ai/Step-Video-T2V。

构建运行命令

推理 Pipeline
StepVideoT2VPipelineworldfoundry.pipelines.step_video.pipeline_step_video_t2v
任务Interactive Video interactive-video
环境worldfoundry-unified-cu128
设备CUDA 12.8
Runnerworldfoundry.pipeline
加载方式from_pretrained
调用方式native_or_standard_invocation
worldfoundry-eval run \
  step-video-t2v \
  --pipeline.task-profile interactive-video \
  --json

用来做什么

需要本系列的文生视频时选 step-video-t2v：prompt 进、生成视频出。它是 catalog 上的 T2V 起步线，不是编辑器，也不是世界模型步进器。

上游：30B DiT，配深压缩 Video-VAE（空间 16x16、时间 8x）与双语文本编码器。本仓库在进程内重装配原生 pipeline；原 xFuser 与 caption/VAE HTTP 服务运行时不再是后端。已验证使用真实权重的 204 帧 GPU 产物（一个受控提示词）。

catalog 记录的任务包括 文生视频、视频生成。别名包括 step-video、stepvideo-t2v、step_video_t2v。模态上，它接受文本，输出视频。

记录的评测入口包括VBench（标准开源文生视频质量评测）。

运行时契约

可选 prompt、negative_prompt、frames、fps、height；产物 generated_video、step_video_t2v.mp4。

CLI task profile：interactive-video。绑定的 pipeline 类是 StepVideoT2VPipeline。

系列状态：已验证。

interactive-video 记录默认值：frames=204, fps=25, height=544, width=992。

已验证使用真实权重在 GPU 上以 992x544、50 步生成的 204 帧视频（一个受控提示词）。 请使用 id step-video-t2v。 30B 规模需要充足显存或多卡配置。

在 WorldFoundry 中运行

catalog 启动命令是 worldfoundry-eval run step-video-t2v --pipeline.task-profile interactive-video。上方命令构建器按已记录任务切换 --pipeline.task-profile，发出的仍是 worldfoundry-eval run。

运行环境是统一 profile worldfoundry-unified-cu128（Python 3.11，CUDA 12.8）。

记录的权重仓库包括 stepfun-ai/stepvideo-t2v。准备环境并检查本地资产：bash scripts/inference/prepare_model_infer.sh step-video-t2v；下载缺失的公开权重时加 --download。

记录 license 为 mit；状态：已验证。