Wan2.2-TI2V-5B

Wan2.2-TI2V-5B to ten członek lipcowej rodziny Wan2.2, którego nie projektowano pod wygrywanie testów. Projektowano go tak, żeby się zmieścił. Podczas gdy flagowiec tej samej generacji potrzebuje karty serwerowej z 80 GB pamięci, ten model to gęste pięć miliardów parametrów, o którym Alibaba pisze, że wyprodukuje pięciosekundowy klip w 720p w niecałe dziewięć minut na jednej konsumenckiej karcie graficznej — wymieniając z nazwy RTX 4090 — i to bez specjalnych optymalizacji. Sztuczka nie leży w liczbie parametrów, tylko w kompresorze ustawionym przed modelem. Wan2.2-VAE ściska wideo czterokrotnie w czasie i szesnastokrotnie w każdym z wymiarów obrazu, czyli sześćdziesięcioczterokrotnie łącznie, a dodatkowa warstwa dzieląca kadr na płatki doprowadza to, na czym model faktycznie pracuje, do czterech na trzydzieści dwa na trzydzieści dwa. Model dyfuzyjny odszumia więc znacznie mniejszą reprezentację niż jego bracia i dlatego średniej klasy komputer za tym nadąża. Tekst-na-wideo i obraz-na-wideo obsługuje jeden wspólny model, a nie dwa, więc jedno pobranie załatwia obie potrzeby. To, co katalog może dołożyć do opisu producenta, dotyczy tego, kto tych modeli naprawdę używa. Licząc ostatnie trzydzieści dni na Hugging Face, wersja tego modelu dla biblioteki diffusers pobierana jest około 190 tysięcy razy, a najczęściej pobieranym repozytorium całej linii Wan nie jest żaden z czternastomiliardowych flagowców, tylko Wan2.1-T2V-1.3B — najmniejszy i najstarszy model rodziny — z wynikiem około 242 tysięcy. Popyt w otwartym generowaniu wideo siedzi tam, gdzie modele mieszczą się na sprzęcie, który ludzie już mają, czyli dokładnie w tym segmencie, który Alibaba przestała obsługiwać, gdy po tej generacji zamknęła linię.

▸Wideo

Brak materiałów wideo.

▸Recenzje