快速入门：DreamZero模型训练

快速入门：DreamZero模型训练#

本文档介绍如何在 LoongForge 框架下快速启动 DreamZero 训练，包括权重与数据准备、Full / LoRA 训练、续训以及可选的 Feature Cache。支持 Wan2.2-TI2V-5B 和 Wan2.1-I2V-14B 两种模型规格，命令默认从 LoongForge 仓库根目录执行，示例使用 /workspace/LoongForge，请按实际环境替换。

0. 资源准备#

0.1 环境变量#

cd /workspace/LoongForge
export LOONGFORGE_PATH=$(pwd)
export DREAMZERO_CKPT_ROOT=/workspace/dreamzero/checkpoints
export DREAMZERO_DATA_ROOT=/workspace/dreamzero/data
export DREAMZERO_CACHE_ROOT=/workspace/dreamzero/cache

export WAN21_CKPT_DIR=$DREAMZERO_CKPT_ROOT/Wan2.1-I2V-14B-480P
export WAN22_CKPT_DIR=$DREAMZERO_CKPT_ROOT/Wan2.2-TI2V-5B
export DREAMZERO_AGIBOT_CKPT_DIR=$DREAMZERO_CKPT_ROOT/DreamZero-AgiBot

mkdir -p "$DREAMZERO_CKPT_ROOT" "$DREAMZERO_DATA_ROOT" "$DREAMZERO_CACHE_ROOT"

环境变量

含义

LOONGFORGE_PATH

LoongForge 仓库根目录，用于从任意目录定位训练脚本和配置

DREAMZERO_CKPT_ROOT

DreamZero 相关权重的统一存放目录

DREAMZERO_DATA_ROOT

各训练数据集的统一存放目录

DREAMZERO_CACHE_ROOT

离线 Feature Cache 的统一输出目录；不使用 cache 时不会影响在线训练

WAN21_CKPT_DIR

Wan2.1-I2V-14B 权重目录，同时为 5B 训练提供 CLIP 图像编码器

WAN22_CKPT_DIR

Wan2.2-TI2V-5B 权重目录

DREAMZERO_AGIBOT_CKPT_DIR

AgiBot / YAM LoRA 训练使用的初始化权重目录；DROID 和 LIBERO 不需要

上述路径均可按实际存储位置调整。训练脚本会读取对应变量，不要求使用示例中的目录结构。

0.2 下载权重#

场景

必需权重

Wan2.2 5B DROID / LIBERO

完整 Wan2.2 5B；Wan2.1 中的 CLIP image encoder

Wan2.1 14B DROID

完整 Wan2.1 14B

Wan2.1 14B AgiBot / YAM LoRA

完整 Wan2.1 14B；DreamZero-AgiBot 初始化权重

 
python -m pip install -U "huggingface_hub[cli]"

# Wan backbone
hf download Wan-AI/Wan2.1-I2V-14B-480P --local-dir "$WAN21_CKPT_DIR"
hf download Wan-AI/Wan2.2-TI2V-5B --local-dir "$WAN22_CKPT_DIR"

# 只训练 5B 时，Wan2.1 只需补充 CLIP（Wan2.2 仓库不含 CLIP，5B 仍用它编码首帧）
hf download Wan-AI/Wan2.1-I2V-14B-480P \
    models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth \
    --local-dir "$WAN21_CKPT_DIR"

# AgiBot / YAM LoRA 初始化权重（DROID、LIBERO 不需要）
hf download GEAR-Dreams/DreamZero-AgiBot \
    --repo-type model --local-dir "$DREAMZERO_AGIBOT_CKPT_DIR"

Tokenizer 默认使用 Wan 仓库自带的 $WAN22_CKPT_DIR/google/umt5-xxl（5B）/ $WAN21_CKPT_DIR/google/umt5-xxl（14B），无需单独下载。若需要独立共享目录：

export TOKENIZER_PATH=$DREAMZERO_CKPT_ROOT/umt5-xxl
hf download google/umt5-xxl \
    special_tokens_map.json spiece.model tokenizer.json tokenizer_config.json \
    --local-dir "$TOKENIZER_PATH"

0.3 权重完整性检查#

test -f "$WAN22_CKPT_DIR/diffusion_pytorch_model.safetensors.index.json"
test -f "$WAN22_CKPT_DIR/models_t5_umt5-xxl-enc-bf16.pth"
test -f "$WAN22_CKPT_DIR/Wan2.2_VAE.pth"
test -f "$WAN21_CKPT_DIR/models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth"
test -f "$WAN22_CKPT_DIR/google/umt5-xxl/spiece.model"

# 训练 14B 时再检查：
test -f "$WAN21_CKPT_DIR/diffusion_pytorch_model.safetensors.index.json"
test -f "$WAN21_CKPT_DIR/models_t5_umt5-xxl-enc-bf16.pth"
test -f "$WAN21_CKPT_DIR/Wan2.1_VAE.pth"
echo "DreamZero weight check passed"

0.4 下载数据集#

# DROID（约 131GB，已转换为 LeRobot v2）
export DROID_DATA_ROOT=$DREAMZERO_DATA_ROOT/droid_lerobot
hf download GEAR-Dreams/DreamZero-DROID-Data \
    --repo-type dataset --local-dir "$DROID_DATA_ROOT"

# LIBERO（用于仿真场景训练）
export LIBERO_DATA_ROOT=$DREAMZERO_DATA_ROOT/libero_lerobot
hf download physical-intelligence/libero \
    --repo-type dataset --local-dir "$LIBERO_DATA_ROOT"

AgiBot / YAM 暂无可直接使用的 LeRobot v2 训练数据，需按下节字段约定完成转换。

1. 数据配置#

1.1 输入格式#

dataset_root/
├── data/**/episode_*.parquet
├── videos/                         # info.json 中使用 video dtype 时必需
└── meta/
    ├── info.json                   # codebase_version 须以 v2 开头
    ├── tasks.jsonl
    └── episodes.jsonl

EMBODIMENT_TAG

State / Action

视频字段

语言或任务字段

oxe_droid

observation.state ≥14 维；action ≥21 维

exterior_image_1_left、exterior_image_2_left、wrist_image_left

三个 annotation.language.* 字段

libero_sim

state 8 维；actions 7 维

image、wrist_image

task_index

agibot

observation.state ≥20 维；action ≥22 维

top_head、hand_left、hand_right

task_index

yam

packed observation.state / action ≥46 维

top/left/right 三个 *-camera-images-rgb 字段

task_index

完整字段以 tools/data_preprocess/embodied/dreamzero/prepare_dataset.py 中的 PRESETS 为准。

1.2 生成 DreamZero metadata#

EMBODIMENT_TAG=oxe_droid DATA_PATH="$DROID_DATA_ROOT" \
    bash examples/embodied/dreamzero/prepare_dreamzero_dataset.sh

EMBODIMENT_TAG=libero_sim DATA_PATH="$LIBERO_DATA_ROOT" \
    bash examples/embodied/dreamzero/prepare_dreamzero_dataset.sh

EMBODIMENT_TAG=agibot DATA_PATH=/path/to/agibot_lerobot \
    bash examples/embodied/dreamzero/prepare_dreamzero_dataset.sh

EMBODIMENT_TAG=yam DATA_PATH=/path/to/yam_lerobot \
    bash examples/embodied/dreamzero/prepare_dreamzero_dataset.sh

常用选项：

  • FORCE=1：覆盖已有 metadata

  • SKIP_STATISTICS=1：只生成 schema、跳过统计量；开始完整训练前仍需补齐统计量

处理成功后会输出 DreamZero dataset preparation complete。

2. 启动训练#

2.1 Full / LoRA 训练#

cd "$LOONGFORGE_PATH"
export DATA_PATH=$DROID_DATA_ROOT
export WANDB_MODE=disabled

# 5B Full，默认 200000 步
bash examples/embodied/dreamzero/run_dreamzero_wan22_5b_full_finetune.sh

# 5B LoRA
TRAIN_ITERS=10000 SAVE_INTERVAL=1000 \
    bash examples/embodied/dreamzero/run_dreamzero_wan22_5b_lora_finetune.sh

# 14B Full
bash examples/embodied/dreamzero/run_dreamzero_wan21_14b_full_finetune.sh

# 14B LoRA，DROID
TRAIN_ITERS=10000 SAVE_INTERVAL=1000 \
    bash examples/embodied/dreamzero/run_dreamzero_wan21_14b_lora_finetune.sh

# LIBERO 5B Full
MODEL_NAME=dreamzero_libero_wan22_5b DATA_PATH="$LIBERO_DATA_ROOT" \
    bash examples/embodied/dreamzero/run_dreamzero_wan22_5b_full_finetune.sh

# AgiBot / YAM 14B LoRA（从 DreamZero-AgiBot 初始化）
MODEL_NAME=dreamzero_agibot_wan21_14b DATA_PATH=/path/to/agibot_lerobot \
    bash examples/embodied/dreamzero/run_dreamzero_wan21_14b_lora_finetune.sh

MODEL_NAME=dreamzero_yam_wan21_14b DATA_PATH=/path/to/yam_lerobot \
    bash examples/embodied/dreamzero/run_dreamzero_wan21_14b_lora_finetune.sh

DROID 场景无需设置 MODEL_NAME，训练脚本会自动选择对应配置；仅切换到 LIBERO、AgiBot 或 YAM 时需要按示例覆盖。

默认配置：

场景

分布式策略

每卡 batch

默认 global batch

默认 LR

5B Full

8 卡 DDP + ZeRO-1

1

8

1e-5

5B LoRA

8 卡 FSDP

1

8

1e-5

14B Full

8 卡 FSDP

1

8

1e-5

14B DROID LoRA

8 卡 FSDP

1

8

1e-4

14B AgiBot / YAM LoRA

8 卡 FSDP

1

8

1e-5

可通过 PER_DEVICE_BATCH_SIZE 和 GLOBAL_BATCH_SIZE 调整批量大小，但需满足 GLOBAL_BATCH_SIZE % (GPUS_PER_NODE * NNODES * PER_DEVICE_BATCH_SIZE) == 0。机器不足 8 卡时可设置 GPUS_PER_NODE，默认 global batch size 会随之变化。

2.2 续训#

TRAIN_ITERS=20000 SAVE_INTERVAL=1000 \
OUTPUT_DIR=/workspace/outputs/dreamzero/droid_wan22_5b_lora \
    bash examples/embodied/dreamzero/run_dreamzero_wan22_5b_lora_finetune.sh \
    --resume

--resume 会从 $OUTPUT_DIR/checkpoints 加载最新 checkpoint。续训时须保持与保存时相同的 world size 和 batch 配置；未找到 checkpoint 时会直接报错。

2.3 离线 Feature Cache（可选）#

# 生成完整 cache（5B 默认 video_latents + prompt_embs；14B 默认不含 prompt_embs）
MODEL_NAME=dreamzero_full_wan22_5b DATA_PATH="$DROID_DATA_ROOT" \
CACHE_OUTPUT_DIR=$DREAMZERO_CACHE_ROOT/dreamzero_full_wan22_5b \
GPUS_PER_NODE=8 SAMPLE_TRANSFORM_SEED=0 VALIDATION_REQUIRE_FULL_COVERAGE=1 \
    bash examples/embodied/dreamzero/precompute_dreamzero_cache.sh

# 使用 cache 训练（须与生成时 SAMPLE_TRANSFORM_SEED、分辨率、语言 chunk 配置一致）
CACHE_DIR=$DREAMZERO_CACHE_ROOT/dreamzero_full_wan22_5b SAMPLE_TRANSFORM_SEED=0 \
    bash examples/embodied/dreamzero/run_dreamzero_wan22_5b_full_finetune.sh

训练脚本会在启动阶段严格校验 cache。manifest、_SUCCESS 或 transform 配置不匹配时，训练会在执行首步前终止。

2.4 性能优化开关#

DROID 5B / 14B 配置已启用经过验证的默认性能优化。LIBERO、AgiBot 和 YAM 默认采用保守配置；调整性能开关后，建议先运行 3～10 步，检查 loss、grad norm 和显存占用。

对照组（关闭全部内核优化，用于定位 loss / 性能问题）：

# Wan2.2 5B
bash examples/embodied/dreamzero/run_dreamzero_wan22_5b_full_finetune.sh \
    model.flash_attention_dense=false model.avoid_rope_reconcat=false \
    model.batch_vae_encode=false 'model.prompt_emb_cache=""'

# Wan2.1 14B
bash examples/embodied/dreamzero/run_dreamzero_wan21_14b_full_finetune.sh \
    model.skip_single_state_attention=false model.compile_causal_cross_attention=false \
    model.compile_cross_attention_emulate_precision_casts=false model.compile_block_norm_modulate=false \
    model.qk_rmsnorm_impl=wan model.manual_self_attn_linear_backward=false model.fused_rope=false \
    'model.prompt_emb_cache=""' model.cache_fa_lens=false model.cache_fa_lens_clone=false

空字符串须写成带引号的 'model.prompt_emb_cache=""'。

主要开关：

开关

默认值

作用

model.flash_attention_dense

true

dense attention 直接用 FlashAttention

model.avoid_rope_reconcat

true

复用分段 RoPE 结果，减少临时张量

model.batch_vae_encode

true

批量 VAE 编码，吞吐更高但显存峰值更大，OOM 时关闭

model.prompt_emb_cache

gpu

缓存冻结 Text Encoder 输出，可设 cpu 或空字符串关闭

model.compile_causal_cross_attention（14B）

true

torch.compile 编译 causal cross-attention

model.fused_rope（14B）

true

融合 RoPE kernel

model.cache_fa_lens（14B）

true

缓存 FlashAttention cumulative sequence lengths

2.5 正确性验证#

为保证训练精度不受优化手段影响，我们在相同数据、权重和训练配置下，对 LoongForge 适配的 DreamZero 与官方实现进行了逐 step 的 loss 对比验证。结果表明，LoongForge 的各项性能优化对训练精度无损：

DreamZero 训练流程概览