/ Модель

Характеристики

Размер весов
65,7 ГБ
Лицензия
Apache 2.0
Библиотека
diffusers
Опубликована
4 ноя 2025

BindWeave

Видео из изображенияИзображение, текст → видео4 профессии

BindWeave от ByteDance генерирует видео по изображению и текстовому запросу, стараясь сохранять идентичность одного или нескольких персонажей.

428скачиваний за 30 дней91лайквеса обновлены28 ноя 2025

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

BindWeave — система генерации видео от ByteDance и исследователей Университета науки и технологий Китая. Она использует архитектуру MLLM-DiT, объединяющую предварительно обученную мультимодальную языковую модель и диффузионный трансформер, чтобы создавать видео с сохранением внешнего вида персонажей и объектов, описанных в запросе.

Модель предназначена для генерации видео по изображению и текстовому запросу, в том числе со сценами, где участвуют один или несколько персонажей. MLLM разбирает сложные запросы, связывает упомянутые объекты с их представлениями, а диффузионный трансформер использует эти данные для генерации. В README приведён результат 57,61 балла на OpenS2V-Eval и сравнительные показатели по плавности движения, сходству лиц и другим критериям.

Репозиторий предназначен для image-to-video и содержит веса в формате safetensors; для работы используется библиотека diffusers. Модель распространяется по лицензии Apache-2.0. README не приводит размер модели, длину контекста или отдельные языковые ограничения; метаданные указывают английский язык карточки.

Сценарии применения

  • создание видео с персонажем по исходному изображению
  • генерация видео по описанию сцены с одним персонажем
  • создание сцен с несколькими описанными персонажами
  • превращение изображения в короткий видеоролик с заданным движением

Ограничения

В README приведены результаты бенчмарка, но нет описания ограничений генерации или требований к ресурсам. Карточка позиционирует систему как исследовательский фреймворк генерации видео.

Для каких профессий подходит4

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

arXiv  project page 

📖 Overview

BindWeave is a unified subject-consistent video generation framework for single- and multi-subject prompts, built on an MLLM-DiT architecture that couples a pretrained multimodal large language model with a diffusion transformer. It achieves cross-modal integration via entity grounding and representation alignment, leveraging the MLLM to parse complex prompts and produce subject-aware hidden states that condition the DiT for high-fidelity generation. For more details or tutorials refer to ByteDance/BindWeave

OpenS2V-Eval Performance 🏆

BindWeave achieves a solid score of 57.61 on the OpenS2V-Eval benchmark, highlighting its robust capabilities across multiple evaluation dimensions and demonstrating competitive performance against several leading open-source and commercial systems.

ModelTotalScore↑AestheticScore↑MotionSmoothness↑MotionAmplitude↑FaceSim↑GmeScore↑NexusScore↑NaturalScore↑
BindWeave57.61%45.55%95.90%13.91%53.71%67.79%46.84%66.85%
VACE-14B57.55%47.21%94.97%15.02%55.09%67.27%44.08%67.04%
Phantom-14B56.77%46.39%96.31%33.42%51.46%70.65%37.43%69.35%
Kling1.6(20250503)56.23%44.59%86.93%41.6%40.1%66.2%45.89%74.59%
Phantom-1.3B54.89%46.67%93.3%14.29%48.56%69.43%42.48%62.5%
MAGREF-480P52.51%45.02%93.17%21.81%30.83%70.47%43.04%66.9%
SkyReels-A2-P14B52.25%39.41%87.93%25.6%45.95%64.54%43.75%60.32%
Vidu2.0(20250503)51.95%41.48%90.45%13.52%35.11%67.57%43.37%65.88%
Pika2.1(20250503)51.88%46.88%87.06%24.71%30.38%69.19%45.4%63.32%
VACE-1.3B49.89%48.24%97.2%18.83%20.57%71.26%37.91%65.46%
VACE-P1.3B48.98%47.34%96.8%12.03%16.59%71.38%40.19%64.31%

BibTeX

@article{li2025bindweave,
  title={BindWeave: Subject-Consistent Video Generation via Cross-Modal Integration},
  author={Li, Zhaoyang and Qian, Dongjun and Su, Kai and Diao, Qishuai and Xia, Xiangyang and Liu, Chang and Yang, Wenfei and Zhang, Tianzhu and Yuan, Zehuan},
  journal={arXiv preprint arXiv:2510.00438},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
7ef5940

0 моделей