/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
t2v · dense
Базовая модель
Wan2.1-T2V-14B
Библиотека
diffusers
Опубликована
25 июл 2025

Wan2.1-T2V-14B-NABLA-0.5-STA-11-5-5

Генерация видеоТекст → видео3 профессии

Дообученная Wan2.1 T2V-14B с разреженным вниманием NABLA и STA для ускоренной генерации видео по тексту.

182скачиваний за 30 дней0лайковвеса обновлены28 июл 2025

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

ai-forever представляет дообученную версию Wan2.1 T2V-14B для генерации видео по текстовому описанию. Модель использует архитектуру diffusion transformer и сочетает разреженное внимание NABLA с Sliding Tile Attention (STA); конфигурация репозитория указывает на окно STA 11×5×5 и порог NABLA 0.5.

NABLA адаптивно формирует разреженную маску внимания: сжимает запросы и ключи усреднением, вычисляет внимание на уменьшенном представлении и строит маску на основе CDF. В README описаны ускорение обучения и генерации до 2,7 раза в зависимости от размера видео и конфигурации, а также тестирование качества по CLIP, VBench и оценке людей. Базовая Wan2.1 T2V-14B предназначена для генерации видео 480p или 720p; README также заявляет поддержку 720p и выше для метода NABLA.

Модель принимает текстовые запросы и выдаёт видео. Для работы в описанном примере используется Diffusers и PyTorch версии 2.7 или выше. Карточка не приводит сведения о поддерживаемых языках запросов помимо английского тега. Модель распространяется по лицензии Apache-2.0. Показатели скорости зависят от конфигурации и размера видео; приведённая в README команда для конфигурации STA 11×5×5 задаёт порог NABLA 0.6, хотя идентификатор репозитория и текст примера указывают на 0.5, поэтому точный порог этой сборки по карточке неясен.

Сценарии применения

  • генерация видео по текстовому описанию
  • ускоренная генерация видео высокого разрешения
  • эксперименты с разреженным вниманием в видеодиффузионных моделях

Ограничения

Ускорение зависит от размера видео и конфигурации; карточка приводит разные значения порога NABLA для указанной сборки STA 11×5×5. Для описанного запуска требуется PyTorch 2.7 или выше.

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

∇NABLA: Neighborhood Adaptive Block-Level Attention

GitHub repo PyTorch License

Efficient, adaptive, and hardware-friendly sparse attention for video generation with Diffusion Transformers (DiTs).

🔬 Overview

NABLA (Neighborhood Adaptive Block-Level Attention) is a dynamic sparse attention mechanism designed to optimize both training and inference in high-resolution video diffusion transformers. The algorithm is demonstrated using Wan 2.1 project — an advanced open-source text-to-video diffusion model — and significantly enhances its efficiency via sparse attention.

📄 Paper: arXiv:2507.13546
📁 Code & Models: github.com/gen-ai-team/Wan2.1-NABLA
🔗 Upstream Model: Wan 2.1 GitHub
🤗 Finetuned weights: Wan-NABLA


🚀 Features

  • ⚡ 2.7× Faster training & inference via adaptive attention sparsity (depends on video size and configuration)
  • 🧠 Maintains Quality (CLIP/VBench/Human eval scores)
  • 🔧 Zero-Custom CUDA: Implemented using PyTorch's Flex Attention
  • 🎥 Video generation ready: Supports 720p+, high-dynamic, long-duration content
  • 🤝 Compatible with Sliding Tile Attention (STA) and CrossAttention DiT models

📐 How It Works

NABLA works by:

  1. Downsampling Q/K using average pooling.
  2. Computing attention on the compressed space.
  3. Applying CDF-based binarization to generate a sparse attention mask.
  4. Directly using this mask in FlexAttention.
  5. Optionally combining with STA masks for additional precision.

See Algorithm 1 in the paper for detailed pseudocode.

Make sure you are using PyTorch ≥ 2.7 for Flex Attention support.


Usage examples:

We finetuned Wan2.1 with three configurations. You can download them from HuggingFace (Wan-NABLA), then use:

  • NABLA with threshold 0.7
    python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B-NABLA-0.7 --prompt {prompt} --frame_num {frame_num}
    
  • NABLA with threshold 0.6 + STA with window sizes wT=11, wH=3, wW=3
    python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B-NABLA-0.6-STA-11-3-3 --prompt {prompt} --frame_num {frame_num}
    
  • NABLA with threshold 0.5 + STA with window sizes wT=11, wH=5, wW=5
    python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B-NABLA-0.6-STA-11-5-5 --prompt {prompt} --frame_num {frame_num}
    

You also can use NABLA in Zero-Shot mode:

  • Only NABLA:
    python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B --prompt {prompt} --frame_num {frame_num} --sparse_algo nabla-{thr}
    
  • Only STA (without optimal configuration search):
    python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B --prompt {prompt} --frame_num {frame_num} --sparse_algo sta-{wT}-{wH}-{wW}
    
  • NABLA + STA (without optimal configuration search):
    python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B --prompt {prompt} --frame_num {frame_num} --sparse_algo nabla-{thr}_sta-{wT}-{wH}-{wW}
    

NABLA supports video resolutions that are divisible by 128, so 1280x720 will be converted to 1280x640


📊 Results

MethodInference Time ↓CLIP Score ↑VBench Total ↑Human Eval Parity
Full Attention (Wan 2.1)8.35 min42.0683.16✅
NABLA (0.4)3.07 min42.0883.17✅
NABLA (0.2) + STA(11,24,24)3.13 min41.9883.22✅

🤝 Citation

If you use this work in your research, please cite:

@misc{mikhailov2025nablanablaneighborhoodadaptiveblocklevel,
      title={$
abla$NABLA: Neighborhood Adaptive Block-Level Attention}, 
      author={Dmitrii Mikhailov and Aleksey Letunovskiy and Maria Kovaleva and Vladimir Arkhipkin and Vladimir Korviakov and Vladimir Polovnikov and Viacheslav Vasilev and Evelina Sidorova and Denis Dimitrov},
      year={2025},
      eprint={2507.13546},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2507.13546}, 
}

You may also want to cite the original Wan 2.1 paper:

@article{wan2025,
      title={Wan: Open and Advanced Large-Scale Video Generative Models}, 
      author={Team Wan and Ang Wang and Baole Ai and Bin Wen and Chaojie Mao and Chen-Wei Xie and Di Chen and Feiwu Yu and Haiming Zhao and Jianxiao Yang and Jianyuan Zeng and Jiayu Wang and Jingfeng Zhang and Jingren Zhou and Jinkai Wang and Jixuan Chen and Kai Zhu and Kang Zhao and Keyu Yan and Lianghua Huang and Mengyang Feng and Ningyi Zhang and Pandeng Li and Pingyu Wu and Ruihang Chu and Ruili Feng and Shiwei Zhang and Siyang Sun and Tao Fang and Tianxing Wang and Tianyi Gui and Tingyu Weng and Tong Shen and Wei Lin and Wei Wang and Wei Wang and Wenmeng Zhou and Wente Wang and Wenting Shen and Wenyuan Yu and Xianzhong Shi and Xiaoming Huang and Xin Xu and Yan Kou and Yangyu Lv and Yifei Li and Yijing Liu and Yiming Wang and Yingya Zhang and Yitong Huang and Yong Li and You Wu and Yu Liu and Yulin Pan and Yun Zheng and Yuntao Hong and Yupeng Shi and Yutong Feng and Zeyinzi Jiang and Zhen Han and Zhi-Fan Wu and Ziyu Liu},
      journal = {arXiv preprint arXiv:2503.20314},
      year={2025}
}

📬 Contact

For questions or collaborations:
📧 vpkorvyakov@sberbank.ru, dimitrov.d.v@sberbank.ru


📝 License

This project is licensed under the Apache 2.0 License. See the LICENSE file for details.

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Базовая модель Wan-AI/Wan2.1-T2V-14B выложена не в формате diffusers, адаптер не к чему подключить.

Ревизия весов
612711d

0 моделей