/ Модель

Характеристики

Размер весов
1 МБ
Библиотека
diffusers
Опубликована
9 авг 2026

tiny-wan22-vace-modular-pipe

Генерация изображенийТекст → изображение3 профессии

Модульный конвейер Wan2.2 VACE для генерации видео по тексту с управлением через видео, маску и эталонные изображения.

2 149скачиваний за 30 дней0лайковвеса обновлены9 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

Это модульный конвейер генерации видео на основе Wan2.2 VACE, опубликованный akshan-main для Diffusers. Он состоит из пяти настраиваемых блоков: кодирования текста, подготовки управляющего видео, маски и эталонных изображений, денойзинга, обрезки латентов и декодирования. В компоненты входят UMT5EncoderModel, WanVACETransformer3DModel и AutoencoderKLWan; для управления генерацией используется ClassifierFreeGuidance. Доступна настройка boundary_ratio, разделяющего этапы денойзинга с высоким и низким уровнем шума.

Конвейер предназначен для управляемой генерации видео по текстовому запросу, с дополнительным видео, маской областей и эталонными изображениями. По умолчанию он рассчитан на 81 кадр и 50 шагов инференса; максимальная длина последовательности текста по умолчанию — 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Пример запуска в карточке не приведён. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация видео по текстовому описанию
  • изменение заданных областей управляющего видео по маске
  • генерация видео с опорой на эталонные изображения
  • управляемое создание видеокадров на основе входного видео

Ограничения

В карточке нет примера запуска, а лицензия в предоставленных данных не указана. Максимальная длина текстовой последовательности по умолчанию — 512 токенов.

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

This is a modular diffusion pipeline built with 🧨 Diffusers' modular pipeline framework.

Pipeline Type: Wan22VaceBlocks

Description: Modular pipeline for controllable video generation using Wan2.2 VACE.

This pipeline uses a 5-block architecture that can be customized and extended.

Example Usage

[TODO]

Pipeline Architecture

This modular pipeline is composed of the following blocks:

  1. text_encoder (WanTextEncoderStep)
    • Text Encoder step that generate text_embeddings to guide the video generation
  2. vace_encoder (WanVaceEncoderStep)
    • Vace Encoder step that preprocesses the control video, mask and reference images and encodes them into the conditioning latents used by the VACE control branch of the transformer
  3. denoise (Wan22VaceCoreDenoiseStep)
    • denoise block that takes encoded text and vace conditioning latents and runs the denoising process.
  4. trim_latents (WanVaceTrimReferenceLatentsStep)
    • Step that removes the prepended reference image frames from the denoised latents before decoding
  5. decode (WanVaeDecoderStep)
    • Step that decodes the denoised latents into images

Model Components

  1. text_encoder (UMT5EncoderModel)
  2. tokenizer (AutoTokenizer)
  3. guider (ClassifierFreeGuidance)
  4. transformer (WanVACETransformer3DModel)
  5. vae (AutoencoderKLWan)
  6. video_processor (VideoProcessor)
  7. scheduler (UniPCMultistepScheduler)
  8. guider_2 (ClassifierFreeGuidance)
  9. transformer_2 (WanVACETransformer3DModel)

Configuration Parameters

boundary_ratio (default: 0.875): The boundary ratio to divide the denoising loop into high noise and low noise stages.

Input/Output Specification

Inputs:

  • prompt (None, optional): No description provided
  • negative_prompt (None, optional): No description provided
  • max_sequence_length (None, optional, defaults to 512): No description provided
  • video (list, optional): The control video to condition the generation on. If not provided, an empty video is used.
  • mask (list, optional): The mask that defines which video regions to condition on (black) and which to generate (white). Can only be passed if video is passed as well.
  • reference_images (Image | list, optional): One or more reference images as extra conditioning for the generation.
  • conditioning_scale (float | list | Tensor, optional, defaults to 1.0): The conditioning scale applied in each control layer of the model. If a float, it is applied uniformly to all layers; a list or tensor must have the same length as the number of control layers.
  • height (None, optional): No description provided
  • width (None, optional): No description provided
  • num_frames (int, optional, defaults to 81): No description provided
  • generator (None, optional): No description provided
  • num_videos_per_prompt (None, optional, defaults to 1): No description provided
  • num_inference_steps (None, optional, defaults to 50): No description provided
  • timesteps (None, optional): No description provided
  • sigmas (None, optional): No description provided
  • latents (Tensor | NoneType, optional): No description provided
  • attention_kwargs (None, optional): No description provided
  • output_type (str, optional, defaults to np): The output type of the decoded videos

Outputs:

  • videos (list): The generated videos.

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модель выложена как модульный пайплайн diffusers (modular_model_index.json): рантайм собирает только обычные пайплайны.

Ревизия весов
e12b699

0 моделей