/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
ti2v · dense
Базовая модель
Wan2.2-TI2V-5B
Библиотека
diffusers
Опубликована
12 мая 2026

VideoRLVR-Wan2.2-Base

Видео из изображенияИзображение, текст → видео3 профессии

Дообученная Wan2.2-TI2V-5B модель для генерации видео по изображению с соблюдением проверяемых пространственных и логических условий.

1 293скачиваний за 30 дней0лайковвеса обновлены21 мая 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

DarthZhu/VideoRLVR-Wan2.2-Base — дообученная методом SFT модель генерации видео, созданная на основе Wan-AI/Wan2.2-TI2V-5B. Она предназначена для создания видео по исходному изображению с соблюдением пространственных, временных и логических правил; обучение проводилось на процедурно сгенерированных задачах Maze, FlowFree и Sokoban в рамках подхода VideoRLVR с проверяемыми наградами. В статье описана оптимизация SDE-GRPO, плотные декомпозированные награды и стратегия Early-Step Focus.

Модель рассчитана на визуальные траектории, которые удовлетворяют заданным условиям, например прохождение лабиринта или последовательное решение головоломки. Карточка сообщает об улучшении результатов относительно базовых моделей с supervised fine-tuning на этих задачах. Репозиторий использует Diffusers и формат safetensors; лицензия — Apache-2.0. Размер и длина контекста для этого чекпойнта не приведены.

Сценарии применения

  • генерация видео прохождения лабиринта по исходному изображению
  • создание видео последовательности ходов в Sokoban
  • генерация видео решения головоломки FlowFree
  • создание визуальных траекторий с заданными временными и пространственными правилами

Ограничения

Обучение описано на процедурных задачах Maze, FlowFree и Sokoban; качество на иных типах сцен и правил карточка не характеризует. Языки и контекстная длина для чекпойнта не указаны.

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

VideoRLVR

VideoRLVR is a reinforcement learning (RL) recipe for training video reasoning models with verifiable rewards, introduced in the paper Video Models Can Reason with Verifiable Rewards.

This checkpoint is an SFT version of Wan2.2-TI2V-5B trained on procedurally generated reasoning tasks including Maze, FlowFree, and Sokoban.

Overview

VideoRLVR formulates video reasoning as the generation of verifiable visual trajectories. It utilizes an SDE-GRPO optimization backbone, dense decomposed rewards, and an Early-Step Focus strategy for efficient training. This approach enables video diffusion models to satisfy explicit spatial, temporal, or logical constraints, moving beyond perceptual imitation toward reliable rule-consistent visual reasoning.

Across tasks like Maze, FlowFree, and Sokoban, VideoRLVR consistently improves over supervised fine-tuning baselines, demonstrating that verifiable RL can effectively optimize models for objective success criteria.

Citation

@article{zhu2026video,
  title={Video Models Can Reason with Verifiable Rewards}, 
  author={Tinghui Zhu and Sheng Zhang and James Y. Huang and Selena Song and Xiaofei Wen and Yuankai Li and Hoifung Poon and Muhao Chen},
  journal={arXiv preprint arXiv:2605.15458},
  year={2026}
}

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
540da95

0 моделей