Vimoo открыла веса видеогенераторов Vimoo 1.0 для генерации по тексту и изображениям!
Компания Vimoo открыла веса семейства видеогенераторов Vimoo 1.0 для генерации по тексту (T2V) и изображениям (I2V).
Модель не стали обучать с нуля: её собрали как гибридный конструктор из разных открытых компонентов вокруг собственного двухпоточного диффузионного трансформера на 11.7B параметров (Dual-Stream MMDiT).
Базовая генерация
- 5 секунд: 121 кадр при 24 FPS в разрешении 720p.
Внутри используется Wan 2.2: модель применяет видео-VAE со сжатием 4×16×16 и 48 латентными каналами.
За семантику промпта отвечает Qwen2.5-VL-7B. За типографику и чёткий текст в кадре отвечает посимвольный энкодер Glyph-ByT5-v2, а детализацию референсных кадров в режиме I2V обеспечивает Google SigLIP.
Для масштабирования до 1080p предусмотрена отдельная генеративная модель-реставратор Vimoo Enhancer.
Ссылки
Ещё новости:
