Wan2.1-T2V-1.3B

Wan2.1-T2V-1.3B ukazał się tego samego dnia co jego czternastomiliardowy brat i pełni inną rolę. Nie jest najlepszym modelem wideo, jakim Alibaba dysponowała w lutym 2025 roku; jest tym, który się mieści. Podana liczba to 8,19 GB pamięci graficznej, czyli mniej niż ma prawie każda sprzedawana wtedy karta konsumencka, a własny pomiar producenta to pięciosekundowy klip 480P w około cztery minuty na karcie RTX 4090, bez kwantyzacji i innych sztuczek. Architektura jest tym samym transformerem dyfuzyjnym co w dużym modelu, tylko pomniejszonym: 30 warstw, 12 głowic uwagi i szerokość ukryta 1536 wobec 40, 40 i 5120 u flagowca. Model dzieli z nim autokoder Wan-VAE i koder tekstu umT5, więc polecenia po chińsku i po angielsku działają tak samo. Uczciwie nazwane ograniczenie dotyczy rozdzielczości. Model technicznie potrafi wypuścić 720P, ale Alibaba wprost pisze, że był w tej rozdzielczości uczony tylko w niewielkim stopniu i wyniki bywają niestabilne; zbudowano go do 480P. To przyznanie jest na tyle nietypowe, że warto je przytoczyć — większość producentów zostawia wyższą liczbę bez komentarza. Przez półtora roku stał się najczęściej pobieranym plikiem całej rodziny Wan, przed wszystkimi flagowcami. To najlepszy dostępny dowód na to, że w otwartym generowaniu wideo ograniczeniem nie jest jakość modelu, tylko rozmiar karty graficznej, którą ludzie naprawdę mają.

▸Wideo

Brak materiałów wideo.

▸Recenzje