Wan2.2 Reward 奖励与Lightning 4步加速LoRA模型

LoRA介绍

本次我们提供了两种加速与优化Wan2.2视频生成的的LoRA，每种LoRA分别包含高噪声采样和低噪声采样的模型。

alibaba-pai/Wan2.2-Fun-Reward-LoRAs

Wan2.2-Fun-Reward-LoRAs 是轻量化的奖励调控模型（LoRA），用于在 Wan2.2-Fun 视频生成中引入人类偏好信号，提升视频与人类审美的一致性，但目前在动态一致性和避免投机取巧方面仍有限制。
Hugging Face：alibaba-pai/Wan2.2-Fun-Reward-LoRAs · Hugging Face

主要作用

1. 增强视频生成效果
   • 在 Wan2.2-Fun 的基础模型上加载 Reward LoRA，可以引导生成的视频更符合人类的主观偏好（比如更自然、更美观、更连贯）。
   • 这些 LoRA 就像一个“插件”，不需要重新训练整个大模型，而是通过轻量化训练参数（LoRA 权重）对视频生成过程进行调节。
2. 适配不同噪声阶段的模型
   • 高噪声模型（High-noise model）：推荐使用 HPSv2.1 Reward LoRA，收敛快，效果较稳定。
   • 低噪声模型（Low-noise model）：MPS Reward LoRA 收敛慢且效果差，所以也推荐使用 HPSv2.1 Reward LoRA。
3. 训练能力
   • 官方提供了预训练好的 Reward LoRA，可以直接使用；
   • 也可以用他们提供的训练脚本，基于你自己的偏好数据再训练出一个新的 Reward LoRA，来更好地契合你想要的视频风格。
4. 作为插拔式调控
   • 在 predict_t2v.py 脚本里，你可以通过设置 lora_path、lora_weight（低噪声）和 lora_high_path、lora_high_weight（高噪声）来灵活控制 Reward LoRA 的影响力。

模型包含：

• Wan2.2-Fun-A14B-InP-high-noise-MPS.safetensors
• Wan2.2-Fun-A14B-InP-low-noise-HPS2.1.safetensors

lightx2v/Wan2.2-Lightning

它是 Wan2.2 视频生成模型的蒸馏（distilled）版本，配合 LoRA 使用，可以大幅加速视频生成过程，同时保持高质量输出。

Hugging Face：lightx2v/Wan2.2-Lightning · Hugging Face

核心作用

1. 极致加速 ⚡
   • 将视频生成过程压缩为 仅需 4 步（相比原本几十步甚至上百步的推理）。
   • 不再依赖 CFG（Classifier-Free Guidance）技巧，直接生成结果。
   • 实测 速度提升约 20 倍。
2. 保持高质量 🎬
   • 尽管大幅减少了采样步骤，生成画面质量在多数场景下依旧与基础模型相当，有时甚至更好。
   • 这是通过 知识蒸馏 + LoRA 微调 实现的，模型在少步推理中学会保留关键细节。
3. 复杂运动生成 🎥
   • 即使只用 4 步，模型依然能生成具有丰富动态的画面（例如人物动作、镜头移动、环境运动）。
   • 解决了“步数少 → 动作生硬”的常见问题。

对用户的意义

• 节省时间：几秒钟就能生成一段视频，非常适合快速迭代和预览。
• 降低显存占用：更少的采样步骤意味着显存消耗更低，中低显存显卡也能跑。
• 结合 LoRA 灵活调控：可以在 Lightning 基础上再叠加风格 LoRA 或 Reward LoRA，兼顾速度与个性化。

模型包含：

• high_noise_model.safetensors
• low_noise_model.safetensors

使用方法

将所有的LoRA都下载到Comfyui根目录的models\loras文件夹内