腾讯混元×浙大重磅开源OmniWeaving：统一六大视频生成任务，MLLM思考模式让AI化身‘智能导演’

💡 站外导读：当Sora、可灵等商业视频生成工具大放异彩时，开源社区却长期面临任务碎片化困境——文生视频、图生视频、视频编辑需分别部署不同模型，且缺乏对复杂用户意图的深度理解能力。如何用一个统一框架覆盖全流程视频生成，让开源模型逼近商业系统水平，成为AIGC领域亟待突破的关键命题。OmniWeaving正是在这一背景下应运而生。

OmniWeaving是什么

OmniWeaving是浙江大学联合腾讯混元、南洋理工大学推出的统一视频生成框架。框架突破传统开源模型单一任务限制，实现多模态自由组合与推理增强生成，能将交错图文视频时序绑定生成连贯内容，像”智能导演”主动推断复杂意图。框架通过MLLM语义理解、MMDiT生成和VAE编码三组件架构，配套推出IntelligentVBench评估基准，在开源统一模型中达到SoTA性能，为缩小开源与商业视频生成鸿沟提供强有力开源参考。

OmniWeaving的主要功能

• 统一多模态生成：在一个框架内无缝整合文本、多图像和视频输入，支持交错式自由组合，实现多样化视频生成任务，告别传统单一任务模型的碎片化限制。
• 时序绑定生成：将不同模态的内容进行时序对齐和绑定，生成跨模态连贯的动态视频。
• 推理增强创作：通过 MLLM 的”思考模式”主动推断复杂、模糊的用户意图，像经验丰富的导演般自主规划镜头语言和叙事逻辑，从被动渲染升级为主动创作。
• 高级语义理解：用多模态大语言模型将自由形式输入映射到高级语义空间，结合扩散 Transformer 生成精细视频内容。
• 端到端视频生成：从概念理解到视频输出的一体化流程，支持角色一致性维护、风格迁移等复杂创作需求，在 IntelligentVBench 基准测试中达到开源模型 SoTA 水平。

如何使用OmniWeaving

• 环境准备：从 GitHub 克隆 OmniWeaving 仓库后，安装项目依赖 requirements.txt 并根据需要选择安装 Flash Attention 或 SageAttention 加速库以优化推理性能。
• 模型下载：从 HuggingFace 平台下载腾讯混元发布的 HY-OmniWeaving 模型权重文件到本地指定目录。
• 文生视频：运行生成脚本并指定任务类型为 t2v，输入文本描述、设置画面比例和输出路径，可选添加思考模式让模型先推理意图再生成视频。
• 图生视频：用 i2v 任务类型，提供首帧图片路径和动作描述文本，模型将根据静态图像和提示词生成连续动态视频。
• 首尾帧插值：选择 interpolation 任务，传入起始帧和结束帧两张图片以及过渡描述，模型自动生成填补中间过程的连贯视频。
• 多图组合生成：通过 reference2v 任务上传一至四张参考图片（如人物、道具、背景），配合文本提示实现多元素自由组合的视频创作。
• 视频编辑：用 editing 任务上传源视频并输入编辑指令（如风格转换或物体替换），模型基于文本指引对视频内容进行智能修改。
• 图文视频联合编辑：采用 tiv2v 任务同时输入源视频和参考图片，实现将参考图中的视觉元素融合到视频动态场景中的高级编辑。

OmniWeaving的项目地址

• 项目官网：https://omniweaving.github.io/
• GitHub仓库：https://github.com/Tencent-Hunyuan/OmniWeaving
• HuggingFace模型库：https://huggingface.co/tencent/HY-OmniWeaving
• arXiv技术论文：https://arxiv.org/pdf/2603.24458

OmniWeaving的关键信息和使用要求

• 项目定位：腾讯混元联合浙江大学、南洋理工大学于 2026 年 4 月 3 日开源的统一视频生成框架。
• 核心技术：
  • MLLM+MMDiT+VAE 架构：多模态大语言模型解析交错图文视频输入，扩散 Transformer 生成视频，变分自编码器压缩视觉信号
  • 自由形式组合：支持文本、多图像（1-4 张）、视频输入的时序绑定与灵活组合
  • 推理增强生成：激活 MLLM “思考模式”，主动推断复杂用户意图，生成语义精准的视频内容
• 使用要求：
  • 硬件：多 GPU 环境（官方示例使用 8 卡），支持显存优化选项（Flash Attention/SageAttention）。
  • 软件：Python 环境，基于 PyTorch，需安装 HunyuanVideo-1.5 依赖。

OmniWeaving的核心优势

• 统一全能：OmniWeaving 通过单一框架整合文生视频、图生视频、多图组合、视频编辑等六大类任务，替代传统需要多个专用模型的碎片化方案，实现全流程统一生成。
• 自由组合：突破传统模型固定输入格式的限制，支持 1-4 张图像、视频片段与文本的交错式多模态输入，能进行时序绑定理解元素间的时空关系，实现复杂场景的真正融合生成而非简单拼接。
• 推理增强：激活 MLLM 思考模式后，模型从被动执行指令的”渲染器”升级为主动推断用户意图的”智能导演”，能自动补全镜头语言和叙事逻辑，显著降低复杂创意描述的提示词工程门槛。
• 深度语义注入：采用 DeepStacking 机制提取 MLLM 多层隐藏状态的多粒度语义特征，直接注入生成网络底层，实现像素级细节控制与高层语义对齐的双重保障，解决多主体生成中的细节丢失问题。

OmniWeaving的同类竞品对比

OmniWeaving的应用场景

• 影视广告创意生产：通过文本直接生成概念预演视频验证分镜，或将角色、场景、道具参考图自由组合生成完整广告片。
• 电商产品动态展示：上传产品白底图与场景参考图自动生成产品使用场景视频，结合用户照片与商品视频生成个性化虚拟试穿效果。
• 社交媒体内容创作：将静态照片转化为带自然表情动作的动态视频让老照片”活”起来，基于首尾帧插值快速生成循环动画或趣味表情包。
• 游戏动画资产制作：上传角色设计图与动作描述直接生成角色动画片段加速过场动画制作，提供关键帧让 AI 自动补全中间动画用于场景切换。