Wan2.2-Animate-2-14B

Wan2.2-Animate-2-14B to druga generacja modelu Alibaby do animacji postaci: wagi i kod uruchomieniowy ukazały się 7 sierpnia 2026 na licencji Apache 2.0, a publikacja naukowa dzień później. Zadanie pozostało to samo — model dostaje nieruchomą postać, rysunek, render albo zdjęcie, oraz nagranie wzorcowe z grającym człowiekiem, i sprawia, że postać odtwarza tę grę. Zmieniła się droga, którą przechodzi ruch. Pierwsza generacja, a przed nią niemal wszystkie animatory postaci, czytały nagranie wzorcowe przez pośrednią reprezentację ruchu: najpierw wyodrębniały szkielet pozy, potem podawały go generatorowi. Publikacja samego zespołu nazywa dwie wady tej konstrukcji bez owijania w bawełnę — błędy wyodrębniania przenoszą się na wynik, a tożsamość postaci rozjeżdża się w miarę trwania ujęcia. Animate-2 usuwa pośrednika w całości. Nagranie wzorcowe wchodzi wprost do przebudowanego transformatora dyfuzyjnego i właśnie dlatego autorzy mówią o systemie od początku do końca, a nie o ulepszeniu. Drugą nowość łatwiej sobie wyobrazić. Sterowanie punktem widzenia z tekstu pozwala poleceniem ustawić kamerę wyjściową niezależnie od kamery, która filmowała wzorzec, więc to samo nagranie da się wyrenderować z innego ujęcia. Systemy oparte na szkielecie rzadko to potrafią, i to z przyczyny konstrukcyjnej: szkielet wyodrębniony z materiału ma punkt widzenia tego materiału wtopiony w siebie, a dalsze etapy nie mają już jak go stamtąd wyjąć. W repozytorium leżą dwa pliki wag tej samej wielkości, po 32,8 GB w formacie bfloat16 — sądząc po rozmiarze pliku około szesnastu miliardów parametrów, mimo oznaczenia 14B w nazwie. Wersja podstawowa wykonuje 40 kroków odszumiania ze wsparciem klasyfikatora; wersja destylowana dochodzi do obrazu w 10 krokach, bez tego wsparcia i na zwykłym solwerze Eulera. To ćwierć pracy próbkowania z pliku identycznej wielkości. Obok nich leżą wspólne części stosu Wan: koder tekstu umt5-xxl o rozmiarze 11,4 GB, wieża wizyjna CLIP 4,8 GB i autoenkoder wideo. Dwie rzeczy warto wiedzieć przed pobraniem. Po pierwsze, sztandarową obietnicą publikacji jest wariant czasu rzeczywistego Wan-Animate-2-Lite, uczony trzystopniowo — wstępnie z wymuszaniem nauczyciela i buforem błędu, potem destylacją Self-Forcing z propagacją wsteczną po blokach — po to, by zejść z opóźnieniem do progu transmisji na żywo. Lite jest opisany szczegółowo, a nie ma go ani w repozytorium, ani na liście rzeczy zapowiedzianych; wydano model działający poza czasem rzeczywistym. Po drugie, karta odsyła do pliku licencji, którego repozytorium nie zawiera — to ta sama luka, która ciągnie się przez całą generację Wan2.2 — a w bloku cytowania wciąż stoi niewypełnione miejsce w numerze publikacji. Przyjęcie modelu idzie na razie przez przeróbki, nie przez oryginał. Repozytorium podstawowe notuje w pierwszych trzydziestu dniach zero pobrań przy 185 zakładkach, a ruch biorą wydania w formacie Diffusers z 6 sierpnia 2026 — przy czym wersja destylowana pobierana jest mniej więcej trzy razy częściej niż pełnej jakości, co coś mówi o tym, czego ludzie oczekują od animacji postaci. Repozytorium wydające surowe pliki wag zamiast standardowej konfiguracji często pokazuje na tym liczniku zero, więc traktujmy tę liczbę jako ślad sposobu pobierania, a nie dowód znikomego zainteresowania. Pierwsza generacja Animate jest tymczasem wciąż pobierana o rząd wielkości częściej niż obie te wersje razem.

▸Newsy

Nowy model animacji Alibaby powstał z myślą o wideo na żywo — i akurat wersji do żywego jako jedynej nie wydano

3.09.2026 · Hugging Face — karta modelu Wan2.2-Animate-2-14B; arXiv 2608.06009

▸Wideo

Brak materiałów wideo.

▸Recenzje