/ Модель

Характеристики

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

VBVR-Wan2.2

Видео из изображенияИзображение, текст → видео3 профессии

Дообученная на данных VBVR модель Wan2.2 для генерации видео по изображению и текстовому описанию, предназначенная для исследований видеорассуждений.

36скачиваний за 30 дней132лайкавеса обновлены15 апр 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-Wan2.2 — дообученная модель генерации видео из изображения, представленная авторами набора VBVR в исследовании A Very Big Video Reasoning Suite. Она основана на Wan2.2-I2V-A14B и сохраняет исходную архитектуру без изменений. Модель предназначена для изучения того, как масштабирование данных влияет на рассуждения о видео, и служит базовым решением для исследований в этой области.

Модель принимает изображение и текстовое описание и генерирует видео. По данным авторов, обучение проводилось на VBVR-Dataset — наборе более чем из миллиона видеоклипов для 200 задач рассуждения; модель показала наилучший результат на VBVR-Bench. Репозиторий распространяет веса в формате Diffusers и Safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • генерация видео по исходному изображению и текстовому описанию
  • создание видео для экспериментов с пространственно-временными рассуждениями
  • сравнение генеративных моделей на задачах VBVR-Bench

Ограничения

Модель представлена как исследовательский базовый вариант для изучения масштабирования данных; README не приводит подробных характеристик качества за пределами результата на VBVR-Bench.

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: A Very Big Video Reasoning Suite

🔥Please check out our newly released VBVR-Wan2.1 (Diffusers format), VBVR-Wan2.1-diffsynth (DiffSynth LoRA format), and VBVR-LTX2.3-diffsynth (DiffSynth LoRA format; Diffusers does not yet support LTX-Video-2.3, so only the DiffSynth LoRA format is released for this model).

Overview

Video reasoning grounds intelligence in spatiotemporally consistent visual environments that go beyond what text can naturally capture, enabling intuitive reasoning over motion, interaction, and causality. Rapid progress in video models has focused primarily on visual quality. Systematically studying video reasoning and its scaling behavior suffers from a lack of video reasoning (training) data.

To address this gap, we introduce the Very Big Video Reasoning (VBVR) Dataset, an unprecedentedly large-scale resource spanning 200 curated reasoning tasks and over one million video clips—approximately three orders of magnitude larger than existing datasets. We further present VBVR-Bench, a verifiable evaluation framework that moves beyond model-based judging by incorporating rule-based, human-aligned scorers, enabling reproducible and interpretable diagnosis of video reasoning capabilities.

Leveraging the VBVR suite, we conduct one of the first large-scale scaling studies of video reasoning and observe early signs of emergent generalization to unseen reasoning tasks. Together, VBVR lays a foundation for the next stage of research in generalizable video reasoning.

The model was presented in the paper A Very Big Video Reasoning Suite.

Models Zoo

ModelBase ArchitectureOther Remarks
VBVR-Wan2.1Wan2.1-I2V-14B-720PDiffusers format
VBVR-Wan2.2Wan2.2-I2V-A14BDiffusers format
VBVR-Wan2.1-diffsynthWan2.1-I2V-14B-720PDiffSynth LoRA format
VBVR-Wan2.2-diffsynthWan2.2-I2V-A14BDiffSynth LoRA format
VBVR-LTX2.3-diffsynthLTX-Video-2.3DiffSynth LoRA format

Release Information

VBVR-Wan2.2 is trained from Wan2.2-I2V-A14B without architectural modifications, as the goal of VBVR-Wan2.2 is to investigate data scaling behavior and provide a strong baseline model for the video reasoning research community. Leveraging the VBVR-Dataset, which constitutes one of the largest video reasoning datasets to date, VBVR-Wan2.2 achieved highest score on VBVR-Bench.

In this release, we present VBVR-Wan2.2, VBVR-Dataset, VBVR-Bench-Data and VBVR-Bench-Leaderboard.

QuickStart

Installation

We recommend using uv to manage the environment.

uv installation guide: https://docs.astral.sh/uv/getting-started/installation/#installing-uv

pip install torch>=2.4.0 torchvision>=0.19.0 transformers Pillow huggingface_hub[cli]
uv pip install git+https://github.com/huggingface/diffusers

Example Code

huggingface-cli download Video-Reason/VBVR-Wan2.2 --local-dir ./VBVR-Wan2.2

python example.py \
  --model_path ./VBVR-Wan2.2

Citation

@article{vbvr2026,
  title   = {A Very Big Video Reasoning Suite},
  author  = {Wang, Maijunxian and Wang, Ruisi and Lin, Juyi and Ji, Ran and
             Wiedemer, Thadd{\"a}us and Gao, Qingying and Luo, Dezhi and
             Qian, Yaoyao and Huang, Lianyu and Hong, Zelong and Ge, Jiahui and
             Ma, Qianli and He, Hang and Zhou, Yifan and Guo, Lingzi and
             Mei, Lantao and Li, Jiachen and Xing, Hanwen and Zhao, Tianqi and
             Yu, Fengyuan and Xiao, Weihang and Jiao, Yizheng and
             Hou, Jianheng and Zhang, Danyang and Xu, Pengcheng and
             Zhong, Boyang and Zhao, Zehong and Fang, Gaoyun and Kitaoka, John and
             Xu, Yile and Xu, Hua bureau and Blacutt, Kenton and Nguyen, Tin and
             Song, Siyuan and Sun, Haoran and Wen, Shaoyue and He, Linyang and
             Wang, Runming and Wang, Yanzhi and Yang, Mengyue and Ma, Ziqiao and
             Milli{\`e}re, Rapha{\"e}l and Shi, Freda and Vasconcelos, Nuno and
             Khashabi, Daniel and Yuille, Alan and Du, Yilun and Liu, Ziming and
             Lin, Dahua and Liu, Ziwei and Kumar, Vikash and Li, Yijiang and
             Yang, Lei and Cai, Zhongang and Deng, Hokin},
  journal = {arXiv preprint arXiv:2602.20159},
  year    = {2026},
  url     = {https://arxiv.org/abs/2602.20159}
}

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
d98d411

0 моделей