/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Wan2.2-I2V-A14B-Diffusers
Библиотека
diffusers
Опубликована
23 авг 2026

VBVR-Pro-Wan2.2-I2V-A14B

Видео из изображенияИзображение, текст → видео3 профессии

Дообученная модель Wan2.2-I2V-A14B для генерации видео по изображению и текстовой инструкции, в том числе для задач визуального рассуждения.

24скачиваний за 30 дней3лайкавеса обновлены27 авг 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

VBVR-Pro-Wan2.2-I2V-A14B — дообученная Video-Reason модель Wan2.2-I2V-A14B для генерации видео по изображению и текстовой инструкции. Она предназначена для задач визуального рассуждения, в которых нужно показать развитие сцены во времени, например отслеживание изменений состояния объектов. Модель использует архитектуру Wan2.2-I2V с отдельными диффузионными трансформерами для высокого и низкого уровней шума; адаптеры rank 32 уже объединены с весами экспертов. Репозиторий содержит веса в формате Diffusers и safetensors, поэтому отдельная загрузка адаптеров не требуется.

Модель обучена на VBVR-Dataset и входит в исследовательский набор VBVR-Pro: в README описаны 300 процедурно созданных задач визуального рассуждения и перенос на внешние тесты. Для запуска предназначена библиотека Diffusers. Базовая модель рассчитана на генерацию видео 480p или 720p по метаданным каталога; поддерживаемые языки включают английский. Лицензия — Apache-2.0.

Сценарии применения

  • создание видео по исходному изображению и текстовой инструкции
  • визуализация изменения состояния объектов во времени
  • решение задач на отслеживание пространственно-временных изменений
  • генерация видео для экспериментов по визуальному рассуждению

Ограничения

Качество и применимость для конкретных задач зависят от входного изображения и текстовой инструкции; README не приводит конкретных ограничений или оценок для отдельных сценариев.

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

VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning

Overview

Native visual reasoning, i.e., reasoning through visual generation, has recently emerged as a promising direction for studying visual intelligence beyond language. Yet progress remains bottlenecked by the lack of scalable training tasks, reliable feedback, and controlled comparisons across generative substrates. In this work, we introduce VBVR-Pro, a closed-loop testbed that makes native visual reasoning through generation trainable, verifiable, optimizable, and experimentally controllable. 1) Task scaling. VBVR-Pro turns visual reasoning into a controlled task space of 300 procedurally generated tasks. Models trained on VBVR-Pro show strong transfer beyond the proposed suite across six held-out visual reasoning benchmarks such as RISE-Video, MME-CoF-Pro, and BabyVision. Further analysis validates that these gains reflect visual reasoning rather than instruction-pattern fitting. 2) Verifiable rewards. VBVR-Pro provides verifiable reward scorers for task-grounded evaluation. Through a systematic study of leading MLLMs as judges, we identify recurring failure modes of the prevalent VLM-as-a-judge paradigm. In contrast, the proposed scorers are grounded on verifiable task-specific rules, achieve fine-grained alignment with human judgments. Importantly, they serve as reliable reward signals for large-scale multi-task reinforcement learning and demonstrate stronger post-RL performance across visual reasoning tasks. 3) Mechanism study. VBVR-Pro enables controlled modality studies across more than 30 image, video, and interleaved generators. Our analysis shows that video generation remains strongest for tasks requiring persistent spatiotemporal state tracking, while interleaved generation provides a compute-efficient alternative by externalizing intermediate visual states. Critically, ablations and probing confirm the presence of vision-native trajectories, that are a more crucial substrate than explicit linguistic chains of thought for visual reasoning. We release all data, models, scorers, and code to facilitate future research.

The models are presented in the paper VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning.

Models Zoo

Release Information

VBVR-Pro fine-tuned Wan2.2-I2V-A14B for instruction-based image-to-video generation. It was trained on the VBVR-Dataset.

This is the merged model. Wan2.2-I2V uses separate high-noise and low-noise DiTs; the corresponding rank-32 adapters have already been fused into each expert's weights (transformer and transformer_2). Load the repository directly with diffusers; no adapter needs to be loaded separately.

FormatRepository
Merged / Diffusers (this repo)VBVR-Pro-Wan2.2-I2V-A14B
DiffSynth LoRAsVBVR-Pro-Wan2.2-I2V-A14B-diffsynth

In this release, we present all models presented in paper VBVR-Pro-Trained-Models, VBVR-Pro-Dataset-Video, VBVR-Pro-Dataset-Image, VBVR-Pro-Bench, VBVR-Pro-Code and VBVR-Bench-Leaderboard.

VBVR-Pro Benchmark Results

Quick Start

Method 1: Standalone Diffusers inference

1. Install Diffusers

pip install -U diffusers transformers accelerate pillow imageio imageio-ffmpeg

2. Run example.py

The included example.py loads the merged checkpoint directly with Diffusers and enables model CPU offloading.

python example.py \
  --model_path Video-Reason/VBVR-Pro-Wan2.2-I2V-A14B \
  --image input.png \
  --prompt "The subject walks toward the doorway." \
  --num_frames 81 --width 832 --height 480 \
  --output output.mp4

Method 2: Unified VBVR-Pro inference

Clone Video-Reason/VBVR-Pro and create its unified inference environment:

git clone https://github.com/Video-Reason/VBVR-Pro.git
cd VBVR-Pro/
uv sync --extra cu124 # or one of [cu118|cu121|cu124|cu126|cu128|cu129]
source .venv/bin/activate

Then run the unified inference script:

python example.py \
  --model_path Video-Reason/VBVR-Pro-Wan2.2-I2V-A14B \
  --image_paths input.png \
  --prompt "The subject walks toward the doorway." \
  --num_frames 81 --width 832 --height 480 \
  --output output.mp4

Citation

@article{vbvr2025,
  title={VBVR: A Very Big Video Reasoning Suite},
  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
c5cdaf0

0 моделей