PUSA V1.0：通过矢量化时间步长自适应，以500美元训练成本超越Wan-I2V

视频扩散模型的快速发展一直受到时间建模中基本限制的阻碍，特别是传统标量时间步变量强加的帧演化刚性同步。尽管特定任务的适应和自回归模型已试图解决这些挑战，但它们仍受限于计算效率低下、灾难性遗忘或适用性狭窄。在这项工作中，我们提出了Pusa，一个突破性的范式，它利用矢量化时间步适应（VTA）在统一的视频扩散框架内实现细粒度的时间控制。此外，VTA是一种非破坏性适应，这意味着它完全保留了基础模型的能力。通过使用VTA对SOTA Wan2.1-T2V-14B模型进行微调，我们实现了前所未有的效率——在训练成本（500美元对比≥100,000美元）不超过1/200、数据集大小（4K对比≥10M样本）不超过1/2500的情况下，超越了Wan-I2V-14B的性能。Pusa不仅为图像到视频（I2V）生成树立了新标准，取得了87.32%的VBench-I2V总分（Wan-I2V-14B为86.86%），而且还解锁了许多零样本多任务能力，例如起始-结束帧生成和视频扩展——所有这些都无需特定任务训练。同时，Pusa仍能进行文本到视频的生成。机制分析表明，我们的方法在保留基础模型生成先验的同时，巧妙地注入了时间动态，避免了矢量化时间步固有的组合爆炸问题。这项工作为下一代视频合成建立了一个可扩展、高效且多功能的范式，使高保真视频生成普惠于研究和工业界。代码已在 https://github.com/Yaofang-Liu/Pusa-VidGen 开源。