Prhub

#21390 [diffusion] Fix Wan2.2-I2V-A14B video max size and calculate generated video size from the given width and height

原始 PR 作者 yeahdongcn 合并时间 2026-03-31 21:49 文件变更 7 提交数 4 评论 25 代码增减 +244 / -53

bugfix diffusion feature test

执行摘要

修复 Wan2.2-I2V-A14B 视频分辨率过小问题，支持用户指定宽度和高度以计算输出尺寸。

根据PR body中的描述：'While using the https://huggingface.co/Wan-AI/Wan2.2-I2V-A14B model, I observed that the generated video resolution is smaller than expected.' 以及作者在review中解释，添加width和height是为了与ImageGenerationsRequest行为对齐，方便客户使用相同JSON dict进行T2I（文本到图像）和I2V（图像到视频）任务。

建议技术管理者和工程师精读此PR，关注input_validation.py中处理用户尺寸的逻辑设计（如长宽比保持和面积限制），以及如何通过配置继承来管理不同模型的分辨率限制。此外，review中的讨论展示了API设计中的权衡（如width/height与size的覆盖关系）和向后兼容性考虑，值得学习。

讨论亮点

Review中的核心讨论包括：1) gemini-code-assist[bot]指出input_validation.py中初始逻辑只处理同时提供width和height的情况，忽略单个维度输入，建议基于图像长宽比计算缺失维度，此问题在后续提交中修正；2) mickqian询问是否需要在VideoGenerationsRequest中添加width和height字段，因为已有size字段，yeahdongcn解释是为了与图像生成API保持一致，最终决定保留字段并确保width/height覆盖size；3) 在Issue评论中，mickqian要求添加测试用例，作者响应并新增了单元测试，同时更新了性能基准阈值。

实现拆解

实现方案分为四个层次：1) 配置层：修改python/sglang/multimodal_gen/configs/pipeline_configs/wan.py，将Wan2_2_I2V_A14B_Config继承自WanI2V720PConfig（max_area = 1280×720），替换原480P配置；2) API层：在python/sglang/multimodal_gen/runtime/entrypoints/openai/protocol.py的VideoGenerationsRequest类中添加width和height可选字段，并在video_api.py中传递这些参数；3) 核心逻辑层：修改python/sglang/multimodal_gen/runtime/pipelines_core/stages/input_validation.py的preprocess_condition_image函数，新增处理用户指定width/height的逻辑：基于条件图像的长宽比计算目标面积（受max_area限制），并确保输出尺寸对齐到mod值；4) 测试层：新增单元测试文件python/sglang/multimodal_gen/test/unit/test_input_validation.py验证分辨率计算逻辑，并更新性能基准文件perf_baselines.json以反映分辨率变化后的性能数据。

文件 模块 状态 重要度
python/sglang/multimodal_gen/configs/pipeline_configs/wan.py multimodal_gen/configs modified 7.0
python/sglang/multimodal_gen/runtime/pipelines_core/stages/input_validation.py multimodal_gen/runtime/stages modified 8.0
python/sglang/multimodal_gen/test/unit/test_input_validation.py multimodal_gen/test added 6.0
python/sglang/multimodal_gen/runtime/entrypoints/openai/protocol.py multimodal_gen/runtime/entrypoints modified 5.0

分析完成后，这里会展示 LLM 生成的相对完整源码片段和详细注释。

关键符号

preprocess_condition_image _calculate_dimensions_from_area

评论区精华

处理用户指定 width/height 的逻辑修正 正确性

gemini-code-assist[bot] 指出当前逻辑只处理同时提供 width 和 height 的情况，忽略单个维度输入，建议基于图像长宽比计算缺失维度。

结论：在后续提交中修正了逻辑，添加了处理单个维度的代码，确保用户输入被尊重。 · 已解决

是否在 VideoGenerationsRequest 中添加 width 和 height 字段 设计

mickqian 询问是否必要，因为已有 size 字段；yeahdongcn 解释为了与 ImageGenerationsRequest 行为对齐，方便客户使用相同 JSON dict。

结论：保留 width 和 height 字段，并确保它们覆盖 size 字段，以保持 API 一致性。 · 已解决

风险与影响

技术风险包括：1) 核心路径变更风险 – input_validation.py中的preprocess_condition_image函数修改了视频分辨率计算逻辑，影响所有使用Wan2.2-I2V-A14B模型的视频生成任务，若逻辑错误可能导致输出尺寸异常；2) 兼容性风险 – 新增width和height字段可能与现有size字段产生冲突，但review中已明确width/height应覆盖size，需确保API文档更新；3) 性能风险 – 由于最大分辨率从480P提升到720P，视频生成时间可能增加，perf_baselines.json的更新显示了InputValidationStage和DenoisingStage耗时增长，需监控实际部署中的资源消耗；4) 测试覆盖风险 – 新增单元测试覆盖了基本场景，但可能未覆盖所有边界条件，如无效输入或极端长宽比。

对用户的影响：用户现在可以通过指定width和height参数更精确地控制视频输出分辨率，提升使用体验和灵活性，尤其对于需要与图像生成保持API一致的客户；对系统的影响：视频生成管道现在支持额外的输入参数，可能轻微增加请求处理开销，但增强了功能一致性；对团队的影响：代码库在multimodal_gen模块中更统一，为后续扩展视频生成功能提供了基础，同时通过添加测试提升了代码质量。

核心路径变更 API 兼容性 性能影响

关联 Issue

未识别关联 Issue

当前没有检测到明确关联的 Issue 链接，后续同步到相关引用后会出现在这里。

完整报告

Markdown PDF

执行摘要

  • 一句话：修复Wan2.2-I2V-A14B视频分辨率过小问题，支持用户指定宽度和高度以计算输出尺寸。
  • 推荐动作：建议技术管理者和工程师精读此PR，关注input_validation.py中处理用户尺寸的逻辑设计（如长宽比保持和面积限制），以及如何通过配置继承来管理不同模型的分辨率限制。此外，review中的讨论展示了API设计中的权衡（如width/height与size的覆盖关系）和向后兼容性考虑，值得学习。

功能与动机

根据PR body中的描述：'While using the https://huggingface.co/Wan-AI/Wan2.2-I2V-A14B model, I observed that the generated video resolution is smaller than expected.' 以及作者在review中解释，添加width和height是为了与ImageGenerationsRequest行为对齐，方便客户使用相同JSON dict进行T2I（文本到图像）和I2V（图像到视频）任务。

实现拆解

实现方案分为四个层次：1) 配置层：修改python/sglang/multimodal_gen/configs/pipeline_configs/wan.py，将Wan2_2_I2V_A14B_Config继承自WanI2V720PConfig（max_area = 1280×720），替换原480P配置；2) API层：在python/sglang/multimodal_gen/runtime/entrypoints/openai/protocol.py的VideoGenerationsRequest类中添加width和height可选字段，并在video_api.py中传递这些参数；3) 核心逻辑层：修改python/sglang/multimodal_gen/runtime/pipelines_core/stages/input_validation.py的preprocess_condition_image函数，新增处理用户指定width/height的逻辑：基于条件图像的长宽比计算目标面积（受max_area限制），并确保输出尺寸对齐到mod值；4) 测试层：新增单元测试文件python/sglang/multimodal_gen/test/unit/test_input_validation.py验证分辨率计算逻辑，并更新性能基准文件perf_baselines.json以反映分辨率变化后的性能数据。

关键文件：

  • python/sglang/multimodal_gen/configs/pipeline_configs/wan.py（模块 multimodal_gen/configs）: 修改Wan2_2_I2V_A14B_Config的继承关系，从480P改为720P，直接影响模型的最大支持分辨率，是修复分辨率过小问题的关键配置变更。
  • python/sglang/multimodal_gen/runtime/pipelines_core/stages/input_validation.py（模块 multimodal_gen/runtime/stages）: 核心逻辑变更，在preprocess_condition_image函数中新增处理用户指定width/height的逻辑，计算输出视频尺寸，是分辨率控制的核心实现。
  • python/sglang/multimodal_gen/test/unit/test_input_validation.py（模块 multimodal_gen/test）: 新增单元测试，验证分辨率计算逻辑的正确性，包括长宽比处理、面积限制和mod对齐，确保变更的可靠性和回归防护。
  • python/sglang/multimodal_gen/runtime/entrypoints/openai/protocol.py（模块 multimodal_gen/runtime/entrypoints）: 在VideoGenerationsRequest中添加width和height字段，扩展API以支持用户输入，是实现功能的基础接口变更。

关键符号：preprocess_condition_image, _calculate_dimensions_from_area

评论区精华

Review中的核心讨论包括：1) gemini-code-assist[bot]指出input_validation.py中初始逻辑只处理同时提供width和height的情况，忽略单个维度输入，建议基于图像长宽比计算缺失维度，此问题在后续提交中修正；2) mickqian询问是否需要在VideoGenerationsRequest中添加width和height字段，因为已有size字段，yeahdongcn解释是为了与图像生成API保持一致，最终决定保留字段并确保width/height覆盖size；3) 在Issue评论中，mickqian要求添加测试用例，作者响应并新增了单元测试，同时更新了性能基准阈值。

  • 处理用户指定width/height的逻辑修正 (correctness): 在后续提交中修正了逻辑，添加了处理单个维度的代码，确保用户输入被尊重。
  • 是否在VideoGenerationsRequest中添加width和height字段 (design): 保留width和height字段，并确保它们覆盖size字段，以保持API一致性。

风险与影响

  • 风险：技术风险包括：1) 核心路径变更风险 – input_validation.py中的preprocess_condition_image函数修改了视频分辨率计算逻辑，影响所有使用Wan2.2-I2V-A14B模型的视频生成任务，若逻辑错误可能导致输出尺寸异常；2) 兼容性风险 – 新增width和height字段可能与现有size字段产生冲突，但review中已明确width/height应覆盖size，需确保API文档更新；3) 性能风险 – 由于最大分辨率从480P提升到720P，视频生成时间可能增加，perf_baselines.json的更新显示了InputValidationStage和DenoisingStage耗时增长，需监控实际部署中的资源消耗；4) 测试覆盖风险 – 新增单元测试覆盖了基本场景，但可能未覆盖所有边界条件，如无效输入或极端长宽比。
  • 影响：对用户的影响：用户现在可以通过指定width和height参数更精确地控制视频输出分辨率，提升使用体验和灵活性，尤其对于需要与图像生成保持API一致的客户；对系统的影响：视频生成管道现在支持额外的输入参数，可能轻微增加请求处理开销，但增强了功能一致性；对团队的影响：代码库在multimodal_gen模块中更统一，为后续扩展视频生成功能提供了基础，同时通过添加测试提升了代码质量。
  • 风险标记：核心路径变更, API兼容性, 性能影响

关联脉络

  • PR #21746 [diffusion] Fix typo: 同属diffusion模块，涉及代码修复，展示团队对diffusion模块的持续维护和代码质量关注。
  • PR #21664 [diffusion] Fix Flux.2: 同属diffusion模块的bugfix，关联类似的分辨率或权重加载问题，反映团队在扩散模型方面的集中改进。

参与讨论