/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
video_only · dense
Опубликована
17 сен 2026

AlayaWorld-stage1

Видео из изображенияИзображение, текст → видео3 профессии

Общая двунаправленная видеомодель AlayaWorld Stage1 создаёт видео по изображению первого кадра и текстовому запросу.

19скачиваний за 30 дней0лайковвеса обновлены30 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AlayaLab AlayaWorld-stage1 — общая двунаправленная предобученная контрольная точка Stage1 для версий AlayaWorld DA3 и v1.1 ViGeo. Это плотный видеотрансформер, распространяемый в формате safetensors; размер файла весов составляет 26,2 млрд байт. Модель создаёт видео по первому кадру-изображению и текстовому запросу, без траектории камеры и без компонентов DA3 или ViGeo в этом режиме.

Stage1 является начальной точкой для последующих этапов авторегрессионного обучения и обучения пространственной памяти в соответствующих версиях AlayaWorld. Пример конфигурации генерирует видео из 481 кадра с разрешением 960×544 и частотой 24 кадра в секунду, используя 30 шагов сэмплирования. Для запуска отдельно требуются VAE и текстовый энкодер; в README указаны LTX-2.3 и Gemma. Репозиторий ссылается на код и инструкции по настройке AlayaWorld. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • создание видео по исходному изображению и текстовому описанию
  • анимация первого кадра в короткий видеоролик
  • генерация видео без задания траектории камеры

Ограничения

Для инференса отдельно нужны VAE и текстовый энкодер; веса и инструкции следует получать из указанных внешних репозиториев. Этот Stage1-чекпойнт не включает последующие версии с управлением камерой.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AlayaWorld Stage1 — shared bidirectional checkpoint

This repository releases the same Stage1 bidirectional pretraining checkpoint shared by the DA3 version of AlayaWorld and the v1.1 ViGeo version. Both versions use this checkpoint before their later autoregressive and spatial-memory training stages.

Stage1 supports image-to-video generation from a first-frame image and a text prompt. This inference path uses neither DA3 nor ViGeo and requires no camera trajectory. The later camera-controlled AR/DMD checkpoints are version-specific; use their corresponding inference configurations and weights.

Code and full setup: AlayaLab/AlayaWorld.

Files

FileContents
diffusion_pytorch_model.safetensorsFull Stage1 video transformer (26,248,786,528 bytes)
config.jsonOriginal transformer configuration
SHA256SUMSSHA-256 checksums of the two checkpoint files

The release does not bundle the VAE or text encoder. Obtain the LTX-2.3 base (ltx-2.3-22b-dev.safetensors) and Gemma separately, following the code repository's setup instructions.

Inference

From the latest AlayaWorld code repository and its Python environment:

hf download AlayaLab/AlayaWorld-stage1 \
  config.json diffusion_pytorch_model.safetensors \
  --local-dir weights/AlayaWorld-stage1

VALIDATE_ONLY=1 CONFIG_PATH=configs/infer_i2v_bidir.yaml bash scripts/finetune/train.sh

The config expects the LTX-2.3 base at weights/ltx-2.3/ltx-2.3-22b-dev.safetensors and Gemma at weights/ltx-2.3/google/gemma-3-12b-it-qat-q4_0-unquantized. Adjust paths.base_transformer, paths.vae, paths.gemma and paths.resume_checkpoint for your installation.

The default input is the bundled playground/case1 image and prompt. For your own input, edit image_dir and prompt_file under validation.modes.i2v_bidir.dataset; captions_json supports per-image prompts.

Default generation: 481 frames, 960×544, 24 fps (about 20 seconds), 30 steps, CFG 3, STG 1 (block 28), rescale 0.7, seed 42. This produces a single bidirectional clip through the shared RolloutTrainer validation path. Set LOG_FILTER=all to show loading and sampling progress.

中文说明

本仓库发布 AlayaWorld DA3 版本与 v1.1 ViGeo 版本共享的同一份 Stage1 双向预训练权重。两个版本都从这份 checkpoint 进入后续自回归与空间记忆训练阶段。

Stage1 双向推理只需首帧图片和文本提示词,本身不使用 DA3 或 ViGeo,也不需要 相机轨迹。后续支持相机控制的 AR/DMD 权重仍对应各自版本,应使用相应权重与配置。

发布文件包括完整 transformer 权重、原始 config.json 和文件校验值。 VAE 与文本编码器未打包在本仓库中,需按照 代码仓库 说明单独获取 LTX-2.3 底座和 Gemma。下载及启动命令见上方。

默认配置使用 playground/case1,生成 481 帧、960×544、24fps、约 20 秒的 单段视频,采样 30 步。使用自己的输入时,修改 validation.modes.i2v_bidir.dataset 下的 image_dir 与 prompt_file; 也可用 captions_json 指定每张图片的提示词。推理复用开源代码的 RolloutTrainer 验证流程。通过 LOG_FILTER=all 可查看加载与采样进度。

License / 许可证

These weights are fine-tuned from LTX-2.3 by Alaya Lab and are released under the LTX-2 Community License Agreement, with the AlayaWorld project's academic research and non-commercial-use restriction. See NOTICE for attribution. Third-party dependencies retain their own licenses.

本权重由 Alaya Lab 基于 LTX-2.3 微调,依据 LTX-2 社区许可协议 及 AlayaWorld 项目的学术研究与非商业用途限制发布。署名信息见 NOTICE, 第三方依赖遵循各自许可证。

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
79a04d7

0 моделей