FastVideo 是一个面向加速视频生成的统一推理与后训练框架，托管在 GitHub 的 hao-ai-lab/FastVideo 仓库中。项目定位是同时覆盖后训练与实时推理两端，目标是在视频生成任务上实现加速。项目提供文档、Cookbook、快速开始指南等资源入口。
一、主要能力 后训练支持：该项目为双向模型与自回归模型提供端到端后训练支持，具体包括：对当前先进的开源视频 DiT（扩散 Transformer）模型进行全量微调与 LoRA 微调；面向视频、图像、文本数据的数据预处理流水线；Distribution Matching Distillation（DMD2）逐步蒸馏；采用 Video Sparse Attention 的稀疏注意力；稀疏蒸馏以实现超过 50 倍的去噪加速；通过 FSDP2、序列并行与选择性激活检查点实现可扩展训练；通过 Self-Forcing 实现因果蒸馏。支持的训练工作流与模型支持矩阵需查阅项目的专门页面。 推理优化：提供序列并行（用于分布式推理）、多种当前先进的注意力后端，以及易用的 CLI 和 Python API。 硬件与操作系统：支持 H100、A100、4090 等 GPU；操作系统层面支持 Linux、Windows 与 macOS。项目提示可查阅专门页面以了解支持的模型、硬件假设与优化兼容性。 实时视频生成与编辑：项目包含 Dreamverse 平台，可对正在流式传输的视频进行实时生成与编辑（“vibe directing”），可部署在本地 GPU、自托管的 B200 服务器、Docker 或 serverless Modal 上，并提供在线演示。
二、项目动态中涉及的具体模型与能力 FastH3 V2 可在单台消费级机器上运行，涵盖 NVIDIA RTX 5090、RTX 4090、RTX PRO 6000 GPU、DGX Spark 与 Apple Silicon；同时间发布的 FastH3 Trim 是一个实验性剪枝模型，体积比基础 H3 小 4.2 倍，最低可在 8 GB GPU 显存下运行。 FastVideo 支持 Kandinsky Lab 的 Kandinsky 6，可进行文生视频与图生视频并带同步音频（包含基础版与 10 步蒸馏的 pi-Flow 检查点），并支持最高 4 倍视频超分辨率。 FastH3 8-Step V2 是从 MiniMax-H3 蒸馏出的八次前向、无数据 DMD2 检查点，带有 80% Video Sparse Attention。 FastH3 已可通过 MLX 在 Apple Silicon 本地运行，也可通过 CUDA 13 在 NVIDIA DGX Spark 上运行，包括双 Spark 推理。 FastH3 Preview v1 是一个开放权重的 4 步稀疏蒸馏 MiniMax-H3 模型，用于同步的视频与音频生成，由项目方与 Nuva Lab、NVIDIA FastGen 团队合作开发。 FastVideo 通过 FastMetal-QAD 支持 Apple Silicon 上的 MLX，该系列包含 1.3B、5B、14B 模型，专为 Mac 优化。 FastWan-QAD 可实现 5 秒视频端到端 1.8 秒生成。 此前还发布了 CausalWan2.2 I2V A14B Preview 模型、FastWan 模型与 Sparse-Distillation、VSA 的微调与推理代码、FastVideo V1，以及 Sliding Tile Attention 的推理代码。
三、安装与使用方式 项目推荐使用 uv 创建干净环境，并建议从 Conda 切换到 uv 以获得更快更稳定的安装。在 CUDA 13 上需使用 UV_TORCH_BACKEND=cu130。Apple Silicon 用户应参考 MLX 安装指南，可从克隆的仓库执行 uv pip install -e '.[mlx]'，然后在 Cookbook 中选择一个配方。在 NVIDIA DGX Spark（GB10 / ARM64 + CUDA 13）上由于没有预构建的 ARM wheel，需要从源码以可编辑模式安装。项目为 AI 编码代理提供了安装提示，粘贴提示即可让代理检测平台并遵循相应指南。使用方面，项目提供最小示例：创建 example.py 后运行脚本即可生成视频；需注意 num_gpus=1 会在进程内运行 worker（权重只加载一次、无额外 Python 进程）。在 Colab/Kaggle 类约 16GB 主机内存的机器上应保持 num_gpus=1。
四、适用场景与生态 该项目适合需要视频生成加速、后训练/蒸馏研究、实时视频生成与编辑的开发者与研究人员。项目被多个工作使用或作为基础，包括 SGLang 的扩散推理功能（基于 FastVideo 的分支）、DanceGRPO、SRPO、DCM、HY-WorldPlay，以及 Hunyuan Video 1.5 提出的 SSTA 基于 Sliding Tile Attention、Kandinsky-5.0 的 NABLA attention 包含 Sliding Tile Attention 分支、LongCat Video 的块稀疏注意力与 Video Sparse Attention 类似。项目欢迎贡献，并提供开发路线图。
五、限制与说明 当前资料未提供具体的收费模式、价格与商业授权信息；未提供完整的支持模型清单，需查阅项目支持矩阵页面；安装与使用中的硬件兼容性、优化兼容性需以项目专门页面为准；Dreamverse 的部署方式虽列出，但具体配置细节未在资料中展开。
