/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
lingbot-video-dense-1.3b
Библиотека
diffusers
Опубликована
10 июл 2026

LingBot-Video-Dense-1.3B-SDNQ-uint4-static

Генерация видеоТекст → видео

Квантованная в UINT4 версия LingBot Video Dense 1.3B для генерации видео по текстовому описанию с уменьшенным пиковым потреблением видеопамяти.

11скачиваний за 30 дней0лайковвеса обновлены10 июл 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

LingBot Video Dense 1.3B SDNQ UINT4 Static — производная модель WaveCut на базе robbyant/lingbot-video-dense-1.3b для генерации видео по текстовому описанию. Она оформлена для загрузки через Diffusers, а веса diffusion transformer статически квантованы в UINT4; текстовый энкодер, токенизатор, планировщик и VAE сохранены в исходной точности. В README указано, что квантовано около 97,1% параметров трансформера.

Модель предназначена для создания видеоклипов по текстовым запросам. В опубликованном сравнительном тесте использовались ролики размером 832×480, длительностью 73 кадра при 24 кадрах в секунду. На испытанной конфигурации B200 квантованная версия снизила пиковое потребление видеопамяти примерно на 9% относительно BF16, но это измерение не гарантирует такой же результат на другом оборудовании.

Квантование UINT4 заметно меняет сгенерированные пиксели, поэтому качество следует оценивать на собственных запросах, особенно для задач с высокими требованиями к точности изображения. Быстродействие и потребление памяти зависят от разрешения, числа кадров, GPU и настроек запуска. Лицензия — Apache-2.0.

Сценарии применения

  • создание короткого видео по текстовому промпту
  • генерация видеосцен для прототипа ролика
  • подготовка вариантов видеоряда для творческого проекта

Ограничения

Квантование UINT4 заметно меняет генерируемые пиксели, поэтому качество стоит проверять на целевых запросах. Скорость и потребление памяти зависят от оборудования и параметров генерации; приведённые в README результаты относятся к одному тестовому запуску на B200.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LingBot Video Dense 1.3B SDNQ UINT4 Static

This is a complete, loadable derivative of robbyant/lingbot-video-dense-1.3b with the diffusion transformer stored using static SDNQ UINT4 weights. It is tied to source model revision f9789a7d9b4772a47aba62d4eb5282ddefd1da21, LingBot Video code a2bb04b78edd848500dc27a26e035a95442ae186, and SDNQ d841c383ff7be38728d4df829e17af4f15d4fd66 (v0.2.1-17-gd841c38).

Text encoder, tokenizer/processor, scheduler, and VAE remain at their upstream precision. Convolutions and embeddings are not quantized. The recipe is uint4-static-transformer-only-with-3d-expert-adapter: weights_dtype=uint4, auto group size (group_size=0), no dynamic quantization, SVD, Hadamard transform, convolution quantization, or embedding quantization.

Coverage

Coverage is calculated from the original parameter inventory, not from model-file sizes.

ComponentTotal logical paramsQuantized paramsOriginal parameter bytes coveredPacked storagePacked grouped experts
transformer1,357,171,26497.1278%94.4287%0.69 GiBn/a

This Dense checkpoint has no grouped-expert tensors. Exact module-level coverage and unquantized tensors are in quantization_manifest.json and benchmark/coverage.

Reproducible base benchmark

All five pairs use identical prompts, negative prompt, seeds 4201-4205, scheduler inputs, 832x480 dimensions, 73 frames, 24 fps, 40 steps, guidance 3.0, shift 3.0, batch_cfg=False, and null_cond_clone_zero=False. Resources were sampled every 250 ms from /proc, psutil, and nvidia-smi.

VariantLoad (s)Cold generation (s)Hot mean (s)Peak VRAM (MiB)Peak Torch allocated (MiB)Process RSS (GiB)System RAM used (GiB)
Original BF1640.3959.3558.6427122206982.8085.31
SDNQ UINT436.7059.9259.2224674188882.83135.90

Observed base peak-VRAM reduction: 9.03%. Timing and memory are measurements on the environment recorded in benchmark/environment, not universal performance claims.

Frame-aligned aggregate quality across the five pairs: MAE 0.082366, RMSE 0.131955, PSNR 18.048 dB, SSIM 0.618208, LPIPS-Alex 0.390647.

Original versus SDNQ comparison

The complete contact sheets and side-by-side MP4s are under assets/comparison/base. Quantized sample MP4s are under samples/base. Raw per-prompt CSV/JSONL, resource samples, commands, ffprobe records, output sizes, and SHA-256 values are under benchmark.

Installation and load

Use the exact pinned dependencies shipped with the repository:

git clone https://huggingface.co/WaveCut/LingBot-Video-Dense-1.3B-SDNQ-uint4-static
cd LingBot-Video-Dense-1.3B-SDNQ-uint4-static
python -m pip install -r runtime-requirements.txt

The repository includes the runtime adapter; no unmerged LingBot branch or local hidden file is needed:

import sys
from huggingface_hub import snapshot_download

root = snapshot_download("WaveCut/LingBot-Video-Dense-1.3B-SDNQ-uint4-static")
sys.path.insert(0, root)

from lingbot_sdnq_runtime import load_pipeline

pipe = load_pipeline(root, device="cuda")
# For the MoE refiner: load_pipeline(root, transformer_subfolder="refiner", device="cuda")

See prompts.json for the exact A/B inputs and benchmark/summary.json for portable metrics. Recorded consumer/offload smoke artifacts: benchmark/smokes/dense-sdnq-model.json, benchmark/smokes/dense-sdnq-model.mp4, benchmark/smokes/dense-sdnq-sequential.json, benchmark/smokes/dense-sdnq-sequential.mp4, benchmark/smokes/dense-sdnq-standard.json, benchmark/smokes/dense-sdnq-standard.mp4.

Runtime behavior and limitations

  • Generic SDNQ Linear layers use eager BF16 dequantization followed by F.linear in the tested Torch 2.8/CUDA 12.8 environment because the current SDNQ Triton quantized-matmul path is incompatible there.
  • Packed MoE experts are dequantized for each expert call and executed by the pinned SGLang Triton fused-MoE path. The adapter does not keep a persistent BF16 expert-weight cache.
  • Static UINT4 materially changes generated pixels. Inspect the published matrices and per-prompt metrics before choosing this derivative for quality-sensitive work.
  • Peak residency and speed depend strongly on resolution, frame count, attention backend, offload mode, and GPU. The numbers above describe the exact recorded B200 run only.
  • The Apache-2.0 upstream license is retained. Users remain responsible for evaluating generated content for their application.

Evidence map

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Пайплайн LingBotVideoPipeline не входит в diffusers 0.41.0.dev0: нужен custom_pipeline.

Ревизия весов
31ec291

0 моделей