update README (batch 1/1)

README_CN.md

@@ -40,7 +40,9 @@ HunyuanVideo-1.5作为一款轻量级视频生成模型，仅需83亿参数即
 </p>
 
 ## 🔥🔥🔥 最新动态
-* 🚀 Nov 24, 2025: 我们现已支持 cache 推理，可实现约两倍加速！请 pull 最新代码体验。 🔥🔥🔥🆕 
+* 📚 训练代码即将发布。HunyuanVideo-1.5 使用 Muon 优化器进行训练，我们在[Training](#-training) 部分开源。**如果您希望继续训练我们的模型，或使用 LoRA 进行微调，请使用 Muon 优化器。**
+* 🚀 Nov 27, 2025: 我们现已支持 cache 推理（deepcache, teacache, taylorcache），可极大加速推理！请 pull 最新代码体验。 🔥🔥🔥🆕 
+* 🚀 Nov 24, 2025: 我们现已支持 deepcache 推理。
 * 👋 Nov 20, 2025: 我们开源了 HunyuanVideo-1.5的代码和推理权重
 
 ## 🎥 演示视频
@@ -60,6 +62,8 @@ HunyuanVideo-1.5作为一款轻量级视频生成模型，仅需83亿参数即
 
 - **Wan2GP v9.62** - [Wan2GP](https://github.com/deepbeepmeep/Wan2GP): Wan2GP 是一款对显存要求非常低的应用（在 Hunyuan Video 1.5 下最低仅需 6GB 显存），支持 Lora 加速器实现 8 步生成，并且提供多种视频生成辅助工具。
 
+- **ComfyUI-MagCache** - [ComfyUI-MagCache](https://github.com/Zehong-Ma/ComfyUI-MagCache): MagCache 是一种无需训练的缓存方法，通过估计模型输出在不同时间步之间的波动差异来加速视频生成。在 20 步推理下，可为 HunyuanVideo-1.5 实现 1.7 倍加速。
+
 
 ## 📑 开源计划
 - HunyuanVideo-1.5 (文生视频/图生视频)
@@ -86,6 +90,7 @@ HunyuanVideo-1.5作为一款轻量级视频生成模型，仅需83亿参数即
   - [命令行参数](#命令行参数)
   - [最优推理配置](#最优推理配置)
 - [🧱 模型卡片](#-模型卡片)
+- [🎓 训练](#-训练)
 - [🎬 更多示例](#-更多示例)
 - [📊 性能评估](#-性能评估)
 - [📚 引用](#-引用)
@@ -212,20 +217,22 @@ export I2V_REWRITE_MODEL_NAME="<your_model_name>"
 
 PROMPT='A girl holding a paper with words "Hello, world!"'
 
-IMAGE_PATH=./data/reference_image.png # 可选，'none' 或 <图像路径>
+IMAGE_PATH=none # 可选，none 或 <图像路径> 以启用 i2v 模式
 SEED=1
 ASPECT_RATIO=16:9
 RESOLUTION=480p
 OUTPUT_PATH=./outputs/output.mp4
 
 # 配置
+REWRITE=true # 启用提示词重写。请确保 rewrite vLLM server 已部署和配置。
 N_INFERENCE_GPU=8 # 并行推理 GPU 数量
 CFG_DISTILLED=true # 使用 CFG 蒸馏模型进行推理，2倍加速
 SPARSE_ATTN=false # 使用稀疏注意力进行推理（仅 720p 模型配备了稀疏注意力）。请确保 flex-block-attn 已安装
 SAGE_ATTN=true # 使用 SageAttention 进行推理
-REWRITE=true # 启用提示词重写。请确保 rewrite vLLM server 已部署和配置。
 OVERLAP_GROUP_OFFLOADING=true # 仅在组卸载启用时有效，会显著增加 CPU 内存占用，但能够提速
 ENABLE_CACHE=true # 启用特征缓存进行推理。显著提升推理速度
+CACHE_TYPE=deepcache # 支持：deepcache, teacache, taylorcache
+ENABLE_SR=true # 启用超分辨率
 MODEL_PATH=ckpts # 预训练模型路径
 
 torchrun --nproc_per_node=$N_INFERENCE_GPU generate.py \
@@ -234,14 +241,13 @@ torchrun --nproc_per_node=$N_INFERENCE_GPU generate.py \
   --resolution $RESOLUTION \
   --aspect_ratio $ASPECT_RATIO \
   --seed $SEED \
-  --cfg_distilled $CFG_DISTILLED \
-  --sparse_attn $SPARSE_ATTN \
-  --use_sageattn $SAGE_ATTN \
-  --enable_cache $ENABLE_CACHE \
   --rewrite $REWRITE \
-  --output_path $OUTPUT_PATH \
+  --cfg_distilled $CFG_DISTILLED \
+  --sparse_attn $SPARSE_ATTN --use_sageattn $SAGE_ATTN \
+  --enable_cache $ENABLE_CACHE --cache_type $CACHE_TYPE \
   --overlap_group_offloading $OVERLAP_GROUP_OFFLOADING \
-  --save_pre_sr_video \
+  --sr $ENABLE_SR --save_pre_sr_video \
+  --output_path $OUTPUT_PATH \
   --model_path $MODEL_PATH
 ```
 
@@ -282,6 +288,8 @@ torchrun --nproc_per_node=$N_INFERENCE_GPU generate.py \
 | `--sage_blocks_range` | str | 否 | `0-53` | SageAttention 块范围（例如：`0-5` 或 `0,1,2,3,4,5`） |
 | `--enable_torch_compile` | bool | 否 | `false` | 启用 torch compile 以优化 transformer（使用 `--enable_torch_compile` 或 `--enable_torch_compile true/1` 来启用，`--enable_torch_compile false/0` 来禁用） |
 | `--enable_cache` | bool | 否 | `false` | 启用 transformer 缓存（使用 `--enable_cache` 或 `--enable_cache true/1` 来启用，`--enable_cache false/0` 来禁用） |
+| `--cache_type` | str | 否 | `deepcache` | Transformer 的缓存类型（例如：`deepcache, teacache, taylorcache`） |
+| `--no_cache_block_id` | str | 否 | `53` | 从 deepcache 中排除的块（例如：`0-5` 或 `0,1,2,3,4,5`） |
 | `--cache_start_step` | int | 否 | `11` | 使用缓存时跳过的起始步数 |
 | `--cache_end_step` | int | 否 | `45` | 使用缓存时跳过的结束步数 |
 | `--total_steps` | int | 否 | `50` | 总推理步数 |
@@ -329,6 +337,32 @@ torchrun --nproc_per_node=$N_INFERENCE_GPU generate.py \
 
 
 
+## 🎓 训练
+
+> 💡 训练代码即将发布。我们将在未来发布完整的训练流程。
+
+HunyuanVideo-1.5 使用 **Muon 优化器**进行训练，该优化器能够加速收敛并提高训练稳定性。Muon 优化器结合了基于动量的更新和 Newton-Schulz 正交化方法，可高效优化大规模视频生成模型。
+
+### 创建 Muon 优化器
+
+以下是如何为您的模型创建 Muon 优化器：
+
+```python
+from hyvideo.optim.muon import get_muon_optimizer
+
+# 为您的模型创建 Muon 优化器
+optimizer = get_muon_optimizer(
+    model=your_model,
+    lr=lr,                      # 学习率
+    weight_decay=weight_decay,  # 权重衰减
+    momentum=momentum,          # 动量系数
+    adamw_betas=adamw_betas,   # 1D 参数的 AdamW betas
+    adamw_eps=adamw_eps        # AdamW epsilon
+)
+```
+
+> 📝 **未完待续**：更多训练细节和完整的训练流程即将发布，敬请期待！
+
 ## 🎬 更多示例
 |特性|示例1|示例2|
 |------|------|------|