/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
30 сен 2026

SemanTok

Генерация видеоТекст → видео

SemanTok — набор токенизатора и авторегрессионных моделей Stability AI для генерации видео по тексту или классу с настраиваемым бюджетом токенов.

0скачиваний за 30 дней1лайквеса обновлены7 окт 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

SemanTok — разработанная Stability AI модель для гибкой токенизации видео и авторегрессионной генерации видео с условием на класс или текст. Токенизатор формирует для каждого кадра упорядоченные FSQ-токены, чьи префиксы сохраняют семантическое содержание; авторегрессионная модель на основе трансформера в стиле LLaMA предсказывает токены от грубого представления к детальному, позволяя выбирать бюджет токенов. Декодер восстанавливает видео из префикса токенов, а обучение использует признаки DINOv2.

В репозитории представлены модели для генерации по классам Kinetics-600 и по текстовым описаниям uCO3D. Размеры авторегрессионных моделей варьируются от 49 млн до 679 млн параметров; веса сохранены в bf16. Модель предназначена для исследований генерации видео с переменным бюджетом токенов и воспроизведения экспериментов статьи. Лицензия указана как other; коммерческое использование организациями или людьми с годовой выручкой от 1 млн долларов требует отдельной коммерческой лицензии Stability AI.

Модель не предназначена для создания фактических изображений людей, событий, товаров или мест. Сгенерированные результаты следует проверять с учетом требований конкретного применения; использование также должно соответствовать правилам Stability AI.

Сценарии применения

  • генерация коротких видео по текстовым описаниям
  • генерация видео по меткам классов действий
  • эксперименты с авторегрессионной генерацией видео
  • сравнение качества видео при разных бюджетах токенов
  • воспроизведение экспериментов статьи о токенизации видео

Ограничения

Модель не предназначена для достоверного представления людей, событий, товаров или мест. Коммерческое использование при годовой выручке от 1 млн долларов требует отдельной лицензии Stability AI.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SemanTok

Predictable Semantic Tokens for Efficient Autoregressive Video Generation

SemanTok is a flexible (coarse-to-fine) video tokenizer whose first tokens carry the clip's semantics. Every nested token prefix is trained to reconstruct DINOv2 features, so an autoregressive (AR) model can stop after any number of tokens k per frame and still produce a semantically faithful video. A 201M SemanTok AR model matches or beats a VideoFlexTok AR model 3.4× its size.

This repository holds the paper's tokenizers and AR models for both SemanTok and the VideoFlexTok baseline, on Kinetics-600 (class-to-video) and uCO3D (text-to-video).

SemanTok overview: the tokenizer (left) and AR generation (right)

Please note: For individuals or organizations generating annual revenue of US $1,000,000 (or local currency equivalent) or more, regardless of the source of that revenue, you must obtain an enterprise commercial license directly from Stability AI before commercially using SemanTok, derivative works of SemanTok, or outputs from SemanTok. See https://stability.ai/license and https://stability.ai/enterprise.

Model Description

  • Developed by: Stability AI
  • Authors: Mikhail Dereviannykh, Vikram Voleti, Simon Donné, Mallikarjun Byrasandra Ramalinga Reddy, Shimon Vainer, Mark Boss
  • Model type: Flexible-length video tokenizer and class- / text-conditioned autoregressive video generation models
  • Model details: the tokenizer encodes each of 5 latent frames (17 frames, 128×128) into 256 ordered FSQ tokens (64k codes); any prefix of k tokens per frame decodes to a video through a rectified-flow decoder. SemanTok adds DINOv2 features to the encoder input, the DINO class token to the first register token, and dense and class DINO heads on every kept prefix during training. The AR models are LLaMA-style transformers that predict tokens coarse to fine up to the chosen budget k.
  • Base stack: VideoFlexTok (tokenizer architecture), VidTok VAE, DINOv2-L, umT5 text encoder (via Wan 2.1) for uCO3D captions

Model Sources

For installation, evaluation protocols, and data preparation, please use the GitHub repository.

Usage

git clone https://github.com/Stability-AI/SemanTok && cd SemanTok
pip install -e .          # Python >= 3.10, CUDA GPU
huggingface-cli download StabilityLabs/SemanTok --local-dir ckpts
CKPT=ckpts

# Reconstruct a clip from its first k tokens per frame
python scripts/reconstruct.py --ckpt-root $CKPT --tokenizer k600-semantok --video clip.mp4 --ks 1 4 16 64 256

# Class-to-video (Kinetics-600)
python scripts/generate.py --ckpt-root $CKPT --ar k600-semantok-d16 --class-name "yoga" --ks 4 16 64 256

# Text-to-video (uCO3D)
python scripts/generate.py --ckpt-root $CKPT --ar uco3d-semantok-d16 \
    --prompt "A small orange basketball on a plaid tablecloth" --ks 4 16 64

From Python:

from semantok import Tokenizer
from semantok.data.video import load_kinetics_clip

tok = Tokenizer(f"{CKPT}/tokenizers/k600-semantok")
clip = load_kinetics_clip("clip.mp4")[None]          # [1, 3, 17, 128, 128] in [-1, 1]
tokens = tok.encode(clip)                            # [1, 5, 256] FSQ ids, coarse to fine
video = tok.decode(tokens, k=16)                     # decode from the first 16 tokens per frame

Files

Every model is a directory with config.json and model.safetensors (bf16):

tokenizers/{k600,uco3d}-{videoflextok,semantok}/
ar/{k600,uco3d}-{videoflextok,semantok}-d{10,12,16,20,24}/
tokenizerdatatraining
k600-videoflextok, k600-semantokKinetics-600200k steps (131B tokens)
uco3d-videoflextok, uco3d-semantokuCO3D100k steps (66B tokens)
AR depthd10d12d16d20d24
parameters49M85M201M393M679M
  • Kinetics-600 AR models are class-conditioned (597 classes); uCO3D AR models are conditioned on umT5 caption embeddings.
  • All AR models here were trained for 20k steps. The paper's larger d30 (1.33B) and d36 (2.29B) models are not included.
  • Weights are stored in bf16; the paper evaluated the same weights in fp32 under bf16 autocast.
  • The tokenizers do not include the VidTok VAE when it is identical to the public one; the loader fetches it from EPFL-VILAB/videoflextok_d18_d18_k600.
  • SHA256SUMS lists the checksum of every model.safetensors.

License

  • Community License: Free for research, non-commercial, and commercial use by organizations and individuals generating annual revenue of US $1,000,000 (or local currency equivalent) or less, regardless of the source of that revenue.
  • If your annual revenue exceeds US $1M, any commercial use of this model or derivative works requires an Enterprise License directly from Stability AI.

The full text is in LICENSE.md; see also https://stability.ai/license.

Intended Uses

Intended uses include research on video tokenization and autoregressive video generation, in particular on generation at a variable token budget, and reproduction of the paper's evaluations.

Out-of-Scope Uses

SemanTok is not intended to generate factual representations of people, events, products, or places. Use must comply with Stability AI's Acceptable Use Policy and license terms.

Citation

@misc{dereviannykh2026semantok,
  title  = {SemanTok: Predictable Semantic Tokens for Efficient Autoregressive Video Generation},
  author = {Dereviannykh, Mikhail and Voleti, Vikram and Donn{\'e}, Simon and
            Reddy, Mallikarjun Byrasandra Ramalinga and Vainer, Shimon and Boss, Mark},
  year   = {2026}
}

Safety

Users should evaluate generated outputs for their own application constraints and apply additional mitigations where needed. Report safety issues to safety@stability.ai and security issues to security@stability.ai.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Ревизия весов
28065f7

0 моделей