Wan2.1-T2V-14B

Wan2.1-T2V-14B to założycielski model rodziny wideo Alibaby, opublikowany 22 lutego 2025 roku razem z kodem uruchomieniowym na zwykłej licencji Apache 2.0. Półtora roku później wciąż jest najczęściej zakładkowanym plikiem na koncie firmy na Hugging Face, co dużo mówi o tym, jak niewiele otwarcie opublikowanych modeli wideo tej klasy w ogóle istnieje. Technicznie jest to transformer dyfuzyjny uczony metodą dopasowania przepływu: 40 warstw, 40 głowic uwagi, szerokość ukryta 5120, koder umT5 czytający polecenia po chińsku i po angielsku oraz zbudowany specjalnie do tego zadania trójwymiarowy autokoder przyczynowy, nazwany przez zespół Wan-VAE. To właśnie autokoder warto zrozumieć, bo dzięki niemu reszta staje się opłacalna — kompresuje wideo w przestrzeni i w czasie, zachowując przyczynowość czasową, i potrafi zakodować oraz odtworzyć materiał 1080P o dowolnej długości, nie gubiąc tego, co było wcześniej w ujęciu. Sam model wypuszcza pięciosekundowe klipy w rozdzielczości 480P albo 720P. Jedna umiejętność była wtedy naprawdę nowa i do dziś nie jest powszechna: model potrafi umieścić w kadrze czytelny napis, i po chińsku, i alfabetem łacińskim. Większość generatorów wideo z tamtego okresu produkowała w tym miejscu plamy udające litery. Własne porównanie Alibaby stawiało model przed konkurencją otwartą i zamkniętą z początku 2025 roku na wewnętrznym zestawie 1035 poleceń ocenianych w 14 wymiarach — to tablica wyników producenta i tak należy ją czytać. Osobna uwaga należy się licencji. Repozytoria Wan2.1 zawierają pełny tekst Apache 2.0 jako plik, a karta modelu dodaje, że Alibaba nie rości sobie praw do tego, co użytkownik wygeneruje. Począwszy od Wan2.2 ten plik znika z repozytoriów z wagami, choć karty wciąż do niego odsyłają.

▸Wideo

Brak materiałów wideo.

▸Recenzje