SkyReels-V2 的改进的地方与特点：

1. 无限时长视频生成
   • 扩散强迫框架（Diffusion Forcing）：SkyReels-V2 通过非递减噪声时间表和自回归令牌级去噪技术，突破了传统视频生成模型在时长上的限制，能够生成理论上无限长的视频。
   • 滑动窗口方法：在生成新帧时参考之前生成的帧和文本提示，通过稳定化技术防止错误积累，支持时间上的扩展。
2. 高质量视频生成
   • 影视级视频理解模型 SkyCaptioner-V1：能够识别视频中的主体类型、表情、动作等信息，提升镜头语言理解能力，显著提高生成视频的提示词遵循能力。
   • 强化学习优化：通过人工标注和合成失真数据进行强化学习，优化运动质量，生成流畅且逼真的视频内容。
   • 渐进式分辨率预训练：从低分辨率逐步提升到高分辨率，确保生成内容的视觉质量达到专业标准。
3. 多任务支持
   • 文本到视频（T2V）：根据文本描述生成视频，支持无限时长的连贯视频生成。
   • 图像到视频（I2V）：将静态图像转化为连贯的视频。
   • 故事生成：通过滑动窗口方法生成具有连贯叙事的长镜头视频。
   • 摄像导演功能：自动生成推拉摇移等电影级运镜效果。
4. 性能提升
   • 高效推理框架：支持多 GPU 并行计算，通过量化技术降低内存需求，推理效率大幅提高。
   • 动态质量优化：在运动动态性、流畅性和物理合理性方面表现出色，生成的运动内容自然且多样。
5. 开源
   • SkyReels-V2 的模型及相关代码已完全开源，支持学术界和工业界的进一步研究和应用。

SkyReels-V1 的功能特点：

1. 影视级人物微表情演绎
   • 支持 33 种细腻人物表情和 400 多种自然动作组合，高度还原真人情感表达。
2. 电影级光影艺术
   • 基于好莱坞级别的高质量影视数据进行训练，生成的每一帧画面在构图、演员站位、相机角度等方面都具有电影级的质感。
3. 视频生成模式多样
   • 是开源视频生成模型中参数规模最大且支持图生视频的模型，在同等分辨率下，各项指标达到开源领域的先进水平。
4. 人物视频理解能力强
   • 作为以人为核心的视频理解多模态大模型，可提升对视频中人物相关内容的理解能力，涵盖影视化表情识别、人物空间位置感知、行为意图理解以及表演场景理解等方面。
5. 推理效率极高
   • 在自研的推理优化框架“SkyReels-Infer”助力下，推理效率大幅提高。可实现 544p 分辨率下，单台 4090 显卡推理仅需 80 秒，并且支持分布式多卡并行。

SkyReels-V2 与 SkyReels-V1 的对比总结：

特点	SkyReels-V2	SkyReels-V1
无限时长视频生成	支持，通过扩散强迫框架实现	不支持，受限于传统模型的时长瓶颈
影视级视频理解模型	集成 SkyCaptioner-V1，显著提升镜头语言理解	未集成类似模型，理解能力相对较弱
运动质量优化	通过强化学习优化，生成流畅且逼真的视频内容	支持复杂动作组合，但动态质量优化有限
多任务支持	支持 T2V、I2V、故事生成、摄像导演功能	主要支持 T2V 和 I2V，功能相对有限
推理效率	支持多 GPU 并行计算，推理效率高	推理效率高，但未支持多 GPU 并行计算
开源程度	完全开源，支持学术和工业应用	开源，但未明确支持多场景应用

SkyReels-V2 在无限时长视频生成、影视级视频理解、运动质量优化和多任务支持等方面进行了显著改进，使其在视频生成领域更具竞争力。