目前，大多数视频生成模型一次生成的视频长度通常仅为 5 到 10 秒。SkyReels-V2 则致力于打破这一局限，实现真正的无限长度视频生成。近年来，得益于扩散模型和自回归框架的不断进步，视频生成领域取得了显著发展，但依然面临着诸多难题。例如，在追求画面视觉质量的同时，运动流畅性往往被牺牲。视频长度受到分辨率和带宽的限制。现有的大模型在理解和表达镜头语言方面也存在不足，生成的内容难以呈现出专业电影所需的叙事和美学。SkyReels-V2 正是在这样的背景下应运而生，旨在突破上述瓶颈，为生成式视频技术带来新的可能。
视频演示
模型介绍
该模型的核心创新在于引入了 Diffusion Forcing 扩散强制机制，这是目前首个可支持无限时长连续生成的方案。与传统扩散模型一刀切的噪声调度不同，Diffusion Forcing 允许每一个 Token 拥有独立的噪声等级，模型可以灵活地在序列中部分掩码、部分恢复，实现任意长度视频的无缝续写。理论上，这相当于为生成模型提供了 “随时接续” 的能力，极大拓展了电影级视频的生成长度与连续性。
在数据处理和训练策略上，SkyReels-V2 利用了多模态大模型的集成思路。团队构建了完善的视频标注体系，其中 SkyCaptioner-V1 担任视频描述生成器，基于 Qwen2.5-VL-7B-Instruct 进行定制化微调，并在两百万规模的视频数据集上平衡标注。该模型在镜头类型、角度、主体位置、表情等多个维度的标注准确率上，超越了目前的主流开源模型，为后续生成模型的训练提供了高质量的语义基础。
在生成质量优化环节，SkyReels-V2 引入了强化学习机制。针对长视频中大幅度、可变形运动的生成难题，团队采用了半自动化的偏好标注流程，将自动生成的运动对与人工评估结合，训练了专门的奖励模型以优化运动表现。这种方法有效提升了模型对物理规律和运动连贯性的把握，同时避免了对画面质量和文本对齐度的损害。
此外，SkyReels-V2 还采用了两阶段的高质量监督微调策略，分别针对 540p 与 720p 不同分辨率进行优化。第一阶段的微调聚焦于概念均衡与模型初始化，第二阶段则更重视分辨率提升和整体画质细节的打磨。配合强大的计算资源调度体系，这一流程使得生成结果在专业评测中表现优异。
在性能评测方面，SkyReels-V2 在自建的 SkyReels-Bench 和公开的 V-Bench 基准上，均取得了领先的综合得分，尤其是在指令遵循性、一致性、视觉质量等维度上优势明显。无论是文本到视频（T2V）还是图像到视频（I2V）任务，SkyReels-V2 都显示出对现有主流开源模型的全面超越，部分指标已逼近甚至媲美商业闭源系统。
视频质量人工评测
为了进行人工评测，技术团队设计了 SkyReels-Bench 基准集，包含 1020 条文本提示，系统性地从指令遵循性、运动表现、一致性与视觉质量三大维度对模型进行评估。该基准覆盖文本生成视频（T2V）和图像生成视频（I2V）两类模型，能全面衡量不同生成范式的表现。为确保公平，所有模型均在默认设置下、使用统一分辨率进行评测，且未对生成结果做任何后处理或筛选。
文本转视频模型（Text To Video Models）
| 模型名称 | 平均分 | 指令遵循性 | 一致性 | 视觉质量 | 运动表现 |
|---|---|---|---|---|---|
| Runway-Gen3 Alpha | 2.53 | 2.19 | 2.57 | 3.23 | 2.11 |
| HunyuanVideo-13B | 2.82 | 2.64 | 2.81 | 3.20 | 2.61 |
| Kling-1.6 STD Mode | 2.99 | 2.77 | 3.05 | 3.39 | 2.76 |
| Hailuo-01 | 3.0 | 2.8 | 3.08 | 3.29 | 2.74 |
| Wan2.1-14B | 3.12 | 2.91 | 3.31 | 3.54 | 2.71 |
| SkyReels-V2 | 3.14 | 3.15 | 3.35 | 3.34 | 2.74 |
评测结果显示，SkyReels-V2 在指令遵循性（3.15）方面相比基线方法取得了显著提升，同时在 运动表现（2.74）上保持了与主流模型相当的水准，并未牺牲一致性（3.35）。
图像转视频模型（Image To Video Models）
| 模型名称 | 平均分 | 指令遵循性 | 一致性 | 视觉质量 | 运动表现 |
|---|---|---|---|---|---|
| HunyuanVideo-13B | 2.84 | 2.97 | 2.95 | 2.87 | 2.56 |
| Wan2.1-14B | 2.85 | 3.10 | 2.81 | 3.00 | 2.48 |
| Hailuo-01 | 3.05 | 3.31 | 2.58 | 3.55 | 2.74 |
| Kling-1.6 Pro Mode | 3.4 | 3.56 | 3.03 | 3.58 | 3.41 |
| Runway-Gen4 | 3.39 | 3.75 | 3.2 | 3.4 | 3.37 |
| SkyReels-V2-DF | 3.24 | 3.64 | 3.21 | 3.18 | 2.93 |
| SkyReels-V2-I2V | 3.29 | 3.42 | 3.18 | 3.56 | 3.01 |
结果显示，SkyReels-V2-I2V（3.29）和 SkyReels-V2-DF（3.24）在开源模型中均达到了业界领先水准，显著超越 HunyuanVideo-13B（2.84）与 Wan2.1-14B（2.85）等主流模型。在平均分上，SkyReels-V2-I2V（3.29）已与 Kling-1.6（3.4）、Runway-Gen4（3.39）等闭源商业模型表现相当。
可用于视频生成的主要自定义参数
| 参数 | 推荐值 | 说明 |
|---|---|---|
用于生成视频的文本描述 用于图像转视频的输入图像路径 540P 或 720P 97 或 121 50 24 8.0 或 5.0 6.0 或 5.0 固定随机种子以复现结果（如不指定则为随机生成） True True 生成视频保存目录 True Diffusion Forcing 额外参数 |
