VSpark — модель генерации видео, опубликованная AyaanAhmed123. Она построена на Spatial-Temporal Diffusion Transformer и содержит 726,2 млн параметров; видеобэкбон включает 16 блоков с размерностью 1024 и 16 головами, а видеокодек VAE использует четыре уровня и латентность из четырёх каналов с шагом 8. Для текста применяется шестислойный трансформер с размерностью 768 и BPE-словарём из 49 408 токенов.

Модель предназначена для создания видео по текстовому описанию. В примере использования конвейер принимает текстовый запрос и возвращает кадры вместе с аудиомел-спектрограммой; метаданные также отмечают мультимодальность и генерацию аудио, но основная задача модели указана как text-to-video. В карточке заявлена лицензия Apache-2.0. Поддерживаемый язык — английский.

Это чекпойнт, инициализированный и обученный с нуля, а не производная указанной базовой модели. README не сообщает длину контекста, качество на бенчмарках или ограничения генерации, поэтому оценить эти свойства по доступным сведениям нельзя.