/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
bernini · dense
Опубликована
10 июн 2026

Bernini-Diffusers

Видео по тексту и кадрамИзображение, текст → видео

Полный конвейер ByteDance для генерации и редактирования видео по инструкциям с семантическим планированием на базе Qwen2.5-VL и диффузионным рендерером Wan2.2.

0скачиваний за 30 дней39лайковвеса обновлены11 июн 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

Bernini-Diffusers — опубликованный ByteDance полный конвейер для генерации и редактирования видео. Он объединяет семантический планировщик на базе Qwen2.5-VL с весами Bernini и диффузионным рендерером на базе DiT и компонентов Wan2.2; выпуск упакован в формате Diffusers и предназначен для запуска через официальный код Bernini.

Модель принимает текстовые инструкции и, для сценариев редактирования видео, исходное видео; планировщик строит семантический план, а рендерер создаёт или изменяет видео. В README заявлены улучшенное следование сложным инструкциям и многошаговое планирование. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • создание видео по текстовому описанию
  • редактирование видео по сложным многошаговым инструкциям
  • семантическое преобразование исходного видео
  • генерация видео с улучшенным следованием инструкциям

Ограничения

Для запуска требуется официальный код Bernini и полный набор компонентов конвейера; в README prompt enhancer через OpenAI-совместимый endpoint рекомендован для лучшего качества. Количественные результаты benchmark приведены без подробностей методики в доступном фрагменте карточки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Chenchen Liu*, Junyi Chen*, Lei Li*, Lu Chi*,§, Mingzhen Sun*, Zhuoying Li*, Yi Fu, Ruoyu Guo, Yiheng Wu, Ge Bai, Zehuan Yuan✉

* Equal contribution  ✉ Corresponding author  § Project lead

arXiv Project Page HuggingFace

🎉 News

✨ Highlights

Bernini is a unified framework for video generation and editing that combines an MLLM-based semantic planner with a DiT-based renderer.

Compared with the renderer-only Bernini-R release, Bernini-Diffusers packages the full semantic-planning pipeline: a Qwen2.5-VL planner, Bernini planning weights, and Wan2.2 diffusion components in one self-contained directory. This makes it the recommended release when you need stronger instruction following, multi-step semantic planning, and better handling of complex video editing requests.

🧾 Model card

FieldDescription
Model typeFull video generation/editing pipeline with an MLLM-based semantic planner and a DiT-based renderer.
CheckpointByteDance/Bernini-Diffusers
CodeByteDance/Bernini
Recommended useComplex generation/editing requests that benefit from explicit latent semantic planning and stronger instruction following.
Model behaviorBetter at decomposing complex instructions and planning semantic changes before rendering, at the cost of a heavier checkpoint layout than Bernini-R.

Benchmark snapshot

ModelEditVerseOpenVEOpenS2VVBenchBernini-v2v (OS)Bernini-vr2v (OS)
Bernini 7+14B8.024.0362.3084.373.493.48

On video editing, Bernini reaches the first tier among leading closed-source commercial models in our internal arena evaluation based on blind human pairwise comparisons.

📦 Package layout

This release is a self-contained diffusers-format directory. Pass the downloaded Bernini-Diffusers directory directly to --config.

Bernini-Diffusers/
  bernini/
  mllm/
  scheduler/
  t5_text_encoder/
  t5_tokenizer/
  vae/
  config.json
  transformer_config.json
  transformer_2_config.json

At runtime:

  • bernini/ provides the Bernini planning checkpoint.
  • mllm/ provides the Qwen2.5-VL planner assets.
  • transformer_config.json and transformer_2_config.json define the Wan2.2 diffusion decoder components used by the full pipeline.
  • t5_text_encoder/, t5_tokenizer/, vae/, and scheduler/ provide the base diffusion modules required for inference.

📥 Download

pip install -U "huggingface_hub"
hf download ByteDance/Bernini-Diffusers \
    --local-dir pretrained_models/Bernini-Diffusers

🚀 Usage

The official inference code is available in the Bernini repository.

Installation

git clone https://github.com/bytedance/Bernini.git bernini && cd bernini
pip install -r requirements.txt

Recommended environment:

  • Python 3.11.2
  • PyTorch 2.5.1+cu124
  • CUDA toolkit 12.4
  • GPU Hopper GPUs (H100/H800/H200) are recommended for best performance

For multi-GPU sequence parallel inference, install VeOmni:

pip install --no-deps git+https://github.com/ByteDance-Seed/VeOmni.git@v0.1.10

Load the model

Pass the downloaded directory directly as --config:

python infer_single_gpu.py --config pretrained_models/Bernini-Diffusers \
    --case assets/testcases/i2i/i2i.json --num_frames 1

Prompt enhancer (highly recommended)

--use_pe enhances the prompt through an OpenAI-compatible endpoint and is recommended for best generation quality.

export BERNINI_PE_API_KEY=...      # or OPENAI_API_KEY
export BERNINI_PE_BASE_URL=...     # or OPENAI_BASE_URL
export BERNINI_PE_MODEL=...        # vision-capable chat model

Gradio demo

# Single GPU
python gradio_demo.py --config pretrained_models/Bernini-Diffusers --port 7860

# 8 GPUs, 8-way Ulysses sequence parallel
torchrun --nproc-per-node 8 gradio_demo.py --ulysses 8 \
    --config pretrained_models/Bernini-Diffusers \
    --port 7860 --share

Run scripts

The scripts/bernini/ directory in the Bernini repo provides ready-to-run task launchers for the full pipeline:

  • run_t2i.sh
  • run_i2i.sh
  • run_t2v.sh
  • run_v2v.sh
  • run_rv2v.sh
  • run_r2v.sh
  • run_gradio.sh

You can override the model directory with:

export BERNINI_CONFIG=/path/to/Bernini-Diffusers

📑 Citation

If you use Bernini in your research, please cite:

@article{bernini,
  title   = {Bernini: Latent Semantic Planning for Video Diffusion},
  author  = {Chenchen Liu and Junyi Chen and Lei Li and Lu Chi and Mingzhen Sun and Zhuoying Li and Yi Fu and Ruoyu Guo and Yiheng Wu and Ge Bai and Zehuan Yuan},
  journal = {arXiv preprint arXiv:2605.22344},
  year    = {2026}
}

🙏 Acknowledgements

Bernini builds on several outstanding open-source projects:

📄 License

Apache License 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Задача «image-text-to-video» пока не поддерживается рантаймом.

Класс архитектуры
BerniniModel
Ревизия весов
b988d6a

0 моделей