data-forcing-distillation

少步生成视频，不丢多样性和画质

Data-Forcing Distillation (DFD) 是一个用于少步视频生成的蒸馏方法，旨在解决现有蒸馏技术在少步生成时出现的多样性和保真度下降问题。它基于 NVIDIA FastGen 构建，支持文本到视频（Wan2.1）和图像到视频（Cosmos）两大主流模型。核心思路是通过数据强迫（data-forcing）机制，在蒸馏过程中更有效地匹配分布，从而在极少的采样步数（如1-4步）下恢复生成结果的多样性和视觉保真度。项目提供了完整的训练和推理代码，并针对不同模型给出了具体的使用示例。对于追求实时或近实时视频生成的应用场景，DFD 提供了一种可行的技术路径，尤其适合需要平衡生成速度与质量的开发者。

开源 free 视频生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 59

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类视频生成

开发团队csy2077

所属国家

官网地址https://csy2077.github.io/dfd-project-page

GitHubhttps://github.com/csy2077/data-forcing-distillation

定价模式free

价格说明开源项目，Apache-2.0许可证，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型cosmos,diffusion-models,distillation,distribution-matching-distillation,few-step-generation,image-to-video,text-to-video,video-generation,wan

GitHub 星标★ 59

30天Star增速

HF 下载量

上线时间2026-04-19 00:00:00

最近更新2026-09-14 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

针对少步蒸馏的多样性和保真度退化问题提出了明确解决方案，技术方向清晰
同时支持文本到视频（Wan2.1）和图像到视频（Cosmos）两大主流模型，覆盖面广
基于 NVIDIA FastGen 构建，工程基础扎实，易于集成到现有生成流程

不足之处

项目处于早期阶段，文档和社区支持尚待完善
依赖特定模型（Wan2.1/Cosmos）和 NVIDIA 生态，迁移到其他模型或硬件有一定门槛

适用场景

实时或近实时视频生成应用，如交互式内容创作
在资源受限环境下进行高质量视频生成，减少采样步数以降低计算成本
对生成视频多样性和一致性有高要求的创意工具或研究项目

替代项目

Distribution Matching Distillation (DMD)、Adversarial Distillation (ADD)、Consistency Distillation (CD)

项目介绍

data-forcing-distillation 是模型训练领域的开源项目，由 csy2077 开发，是 2026 年新上线的项目。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 59。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-14。Apache-2.0许可证，可免费使用和部署。

它主要面向的使用场景是：实时或近实时视频生成应用，如交互式内容创作。同类可对比的替代方案包括 Distribution Matching Distillation (DMD)、Adversarial Distillation (ADD)、Consiste…。

上一篇：VideoTuna

下一篇：lmms-engine