HunyuanVideo-Training 是一个用于训练 HunyuanVideo 视频生成模型的轻量级框架，托管在 GitHub 上。它并非一个全面的全能训练器，而是一个最小化框架，旨在支持简单的单文件训练脚本，风格类似于 diffusers 的示例训练脚本。其设计目标是易于阅读和修改，避免过多抽象，同时具备足够的优化，使得用户无需租用云端计算资源即可进行训练。
主要能力方面，该框架默认配置使用少于 16 GB 的显存（目标为 24 GB 以下），并可在 Windows 上原生运行。为实现这一目标，扩散模型通过 bitsandbytes 量化为 nf4（类似于 QLoRA），文本嵌入被预先计算，而潜在变量则实时编码，以减少过拟合并便于处理更大的数据集。它支持图像和视频文件，字幕应为与媒体文件同名的 .txt 文件。训练数据应放在 /train 目录，验证数据放在 /val、/validation 或 /test 目录，子文件夹会被递归扫描。如果没有提供验证集，验证将回退到训练集，但不推荐这样做。
使用方式上，用户需要先激活虚拟环境（Windows 上可使用 launch_venv.bat），然后下载模型（或指定 --pretrained_model 指向已有模型文件夹），并缓存文本嵌入。训练时，默认分辨率在桶中随机化，帧长度基于上下文长度预算设置，起始帧随机选择。默认 --token_limit 为 10000，适合 < 16 GB 显存，在 3090 上约 30 秒/步。提高 token 限制会增加内存和时间。可选设置 --resolution 禁用分辨率桶并使用方形裁剪，--num_frames 设置帧数上限。对于图像到视频训练，使用 --skyreels_i2v 加载 skyreels 模型并使用第一帧作为图像条件。可通过 --warped_noise 启用 Go With The Flow 的扭曲噪声，但适应时间更长，更适合通用适配器训练而非角色/风格 LoRA，且需要大型数据集。保存的 LoRA 检查点为 diffusers 格式，如需与原始腾讯模型或 ComfyUI 一起使用，需进行转换，可选将 LoRA 数据类型转换为 bf16 或 fp16 以减小文件大小。
适用场景主要是希望自行调整训练代码、进行 HunyuanVideo 模型微调或 LoRA 训练的用户，尤其是那些对 diffusers 近期视频模型从单文件训练脚本转向 finetrainers 感到不满的开发者。限制方面，该工具不提供全面支持，主要供作者自用，分享给愿意尝试训练代码的用户。代码采用 MIT 许可证，但 HunyuanVideo 模型受腾讯社区许可证约束。
