论文与图源¶

核对日期 2026-09-10 · 一手论文、官方仓库与可定位实现

本页保存原始文献与图源；逐篇阅读重点见论文导读，配套录像见视频课程。

视频建模与因果生成补充¶

新增导读核对日期：2026-09-13。

论文	在本系列中解决的问题	首读位置
Auto-Encoding Variational Bayes · Kingma & Welling	VAE、ELBO、重参数化	§2、Appendix B
Attention Is All You Need · Vaswani et al.	Transformer、Q/K/V、多头注意力	Figure 1–2、§3
Denoising Diffusion Probabilistic Models · Ho et al.	加噪、噪声预测、反向采样	Figure 2、Algorithm 1–2、§2–3
Denoising Diffusion Implicit Models · Song et al.	DDIM 与更少时刻的采样	§3–4
High-Resolution Image Synthesis with Latent Diffusion Models · Rombach et al.	为什么在潜空间生成	Figure 3、§3
Scalable Diffusion Models with Transformers · Peebles & Xie	DiT 与 adaLN-Zero	Figure 3、§3
Flow Matching for Generative Modeling · Lipman et al.	条件速度场、ODE、概率路径	§3
Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow · Liu et al.	Rectified Flow 与线性路径	§2
Classifier-Free Diffusion Guidance · Ho & Salimans	条件引导	§3
RoFormer · Su et al.	旋转位置编码	§3
FlashAttention · Dao et al.	精确注意力的 IO 优化	§3、Algorithm 1

这些论文承担不同层次的解释；建议沿学习地图逐步阅读，不必按发表年份从头读到尾。

HunyuanVideo: A Systematic Framework For Large Video Generative Models，本次图源固定 v1。
官方仓库快照，本次核验 HEAD 为 e748c73ac064728bf6bd15b1cdb8161e55a4f331。
主干与默认配置：双流拼接 QKV、单流块、20+40 层、patch 配置。
文本编码器准备脚本：语言模型部分与 tokenizer 的处理。

官方发布博客，页面发布日期 2026-07-31。
官方仓库固定快照，commit d21241f0a4b3acbb34c97dae47fa417b7065e438。
原始 Transformer 配置、VisualVAE 配置、AudioVAE 配置。
官方模型卡与许可原文。
SGLang 主干源码，commit 12771786f23190b1845db33366eba09cb5eacf41：attention 内部扩维、主块调制、非因果 dense 路径。
SGLang packed sequence：区间组织、padding、update mask。
SGLang scheduler：RF velocity 转换和 Euler 更新。

本次未找到 H3 正式技术报告入口。公开推理实现是一手实现证据，但不是训练报告；完整训练 loss、噪声耦合、同步目标等未公开细节保留为未知。

下表页码为 PDF 文件页序，从 1 开始。截图保留原论文图示，仅裁去无关正文；中文解读为本笔记整理，不属于原作者原文。论文和图片版权归各作者或相应权利人，本笔记不赋予它们新的许可。

精确裁切区域、渲染比例、PDF SHA-256 与来源记录在截图清单。

原图	固定来源	使用位置
H3 overview	官方 `assets/overview.png`	H3 完整系统
H3 full architecture	官方 `assets/full-arch.png`	H3-Base

优先检查本页固定版本和对应章节。若是论文披露的训练方式，回到论文；若是层数、张量或 attention 具体操作，回到任务配置与源码；若是本文标注的“推导”，把数字代入公式重新计算。模型生成质量和加速效果没有在本轮笔记整理中运行实验验证。