/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Wan2.2-TI2V-5B-Diffusers
Библиотека
diffusers
Опубликована
23 авг 2026

VBVR-Pro-Wan2.2-TI2V-5B

Генерация видеоТекст → видео3 профессии

Дообученная Wan2.2 модель для генерации видео по текстовым инструкциям и изображениям в задачах визуального рассуждения.

28скачиваний за 30 дней0лайковвеса обновлены27 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Видео» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

Video-Reason разработала VBVR-Pro-Wan2.2-TI2V-5B — дообученную модель Wan2.2-TI2V-5B для генерации видео по текстовым инструкциям и изображениям. Она предназначена для задач визуального рассуждения, в которых ответ выражается сгенерированным видео, включая отслеживание состояний и изменений во времени. Модель обучена на VBVR-Dataset и опубликована как слитый чекпойнт с rank-32 LoRA, объединённой с весами DiT; для загрузки через Diffusers отдельный адаптер не нужен.

Модель распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Карточка описывает её как исследовательский релиз в рамках набора VBVR-Pro, но приводит сценарии прямого инференса. Подробные результаты бенчмарков и характеристики разрешения или длины контекста в доступной части карточки отсутствуют.

Сценарии применения

  • генерация видео по текстовому описанию
  • анимация заданного изображения по инструкции
  • создание видеоответов для задач визуального рассуждения

Ограничения

Карточка не содержит подробных результатов бенчмарков и не сообщает точные ограничения по длительности, разрешению или качеству генерации. Модель ориентирована на задачи набора VBVR-Pro, поэтому качество в других сценариях может отличаться.

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-TI2V-5B for instruction-based text/image-to-video generation. It was trained on the VBVR-Dataset.

This is the merged model: the rank-32 LoRA has already been fused into the DiT weights. Load it directly with diffusers; no adapter needs to be loaded separately.

FormatRepository
Merged / Diffusers (this repo)VBVR-Pro-Wan2.2-TI2V-5B
DiffSynth LoRAVBVR-Pro-Wan2.2-TI2V-5B-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-TI2V-5B \
  --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-TI2V-5B \
  --prompt "The subject walks toward the doorway." \
  --num_frames 81 --width 832 --height 480 \
  --output output.mp4

Citation

@misc{xu2026vbvrproscalableverifiablesuite,
      title={VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning}, 
      author={Junxiang Xu and Ruisi Wang and Fanyi Pu and Maijunxian Wang and Ran Ji and Tongxi Zhou and Chenyang Gu and Jing Zuo and Hongcan Xiao and Yimeng Geng and Wanqi Yin and Wei Chen and Oscar Qian and Zhengan Yan and Ziqi Huang and Haiwen Diao and Liang Pan and Bo Li and Xiangyu Fan and Dezhi Luo and Fengyuan Yu and Zehong Zhao and Qingying Gao and Tinghui Zhu and Yilan Zhang and Jingqi Tong and Pinyuan Feng and Zhengze Jiang and Letian Wang and Ziyu Guo and Renrui Zhang and Jieneng Chen and Sonia Joseph and Constantin Venhoff and Saman Motamed and Mengyue Yang and Chandra Sripada and Alan Yuille and Philip Torr and Lvmin Zhang and Vikash Kumar and Daniel Khashabi and Nikolaus Kriegeskorte and Raphaël Millière and Vincent C. Müller and Anyi Rao and Quan Wang and Ziwei Liu and Dahua Lin and Lei Yang and Hokin Deng and Zhongang Cai},
      year={2026},
      eprint={2608.26105},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2608.26105}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Можно запустить

Подбираем GPU…

Ревизия весов
d695166

0 моделей