Wan2.1-VACE-1.3B
Alibaba Cloud · China · 2025
Edycja wideo — podmiana bohatera, przemalowanie zaznaczonego fragmentu — z wag na tyle małych, że mieszczą się na jednej domowej karcie graficznej, kosztem pozostania przy 480p.
Wan2.1-VACE-1.3B to mała wersja scalonego modelu Alibaby do edycji wideo, opublikowana 13 maja 2025 roku na licencji Apache 2.0, tego samego dnia co siostrzana wersja czternastomiliardowa. Wykonuje te same trzy zadania z jednego zestawu wag: generowanie z odniesienia, w którym zdjęcie bohatera pozostaje spójne przez cały materiał; edycję nagrania, w której istniejący materiał przepisuje się według polecenia; oraz edycję w zamaskowanym obszarze, gdzie zmiana ogranicza się do zaznaczonego fragmentu, a reszta kadru zostaje nietknięta. Ciekawe jest to, co Alibaba musiała pominąć, żeby model był mały. Plik konfiguracyjny pokazuje transformator o 30 warstwach i szerokości 1536, z 12 głowicami uwagi, wobec 40 warstw o szerokości 5120 w wersji czternastomiliardowej, a maszyneria edycyjna nie jest rozłożona na wszystkie warstwy: piętnaście warstw VACE wpleciono co drugą pozycję, z wejściem warunkującym o 96 kanałach. Pliki wag liczą 2,15 miliarda parametrów przy nazwie mówiącej o 1,3 miliarda, a ich układ jest nietypowy — część tensorów zapisano z pełną precyzją 32-bitową, część 16-bitową, zamiast jednolitego formatu, którego używa reszta rodziny. Praktycznym ograniczeniem jest rozdzielczość. Wersja czternastomiliardowa radzi sobie z 480p i 720p; tę producent zaleca trzymać wyłącznie przy 480p, bo trening w wyższej rozdzielczości był ograniczony. W zamian model zyskuje zasięg: taka wielkość mieści się na jednej domowej karcie graficznej, a to różnica między narzędziem, które hobbysta może wypróbować, a takim, które wymaga wynajętego sprzętu. Ruch jest skromny na tle dużej wersji — około 4 tysięcy pobrań miesięcznie wag natywnych i 11 tysięcy przeróbki Diffusers z 4 czerwca 2025 wobec mniej więcej 11 tysięcy pobrań natywnych wersji czternastomiliardowej — czyli tutaj mniejszy model nie wyprzedza większego, inaczej niż w liniach tekstowych i wizyjnych. Edycja wygląda na zadanie, do którego ludzie godzą się wynająć sprzęt. W repozytorium jest plik LICENSE.txt, do którego odsyła karta modelu.
▸Wideo
Brak materiałów wideo.
▸Recenzje
Brak recenzji. Bądź pierwszy!