Характеристики

Лицензия: Apache 2.0
Базовая модель: Wan2.1-T2V-1.3B
Опубликована: 29 сен 2026

Ссылки

Hugging Face

clean-forcing

illustro1

Генерация видеоТекст → видео

Адаптированные контрольные точки Wan2.1 для авторегрессионной генерации видео по тексту с уменьшением дрейфа кадров.

0скачиваний за 30 дней0лайковвеса обновлены29 сен 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

illustro1/clean-forcing — набор адаптированных контрольных точек для метода Clean Forcing, представленный разработчиком проекта Clean Forcing. Он предназначен для авторегрессионной генерации видео по текстовому описанию с использованием block-causal pipeline и снижения дрейфа при последовательной генерации кадров.

В репозитории есть варианты на базе Wan2.1-T2V-1.3B и Wan2.1-T2V-14B. К базам применён rank-64 causal adapter, веса которого объединены с базовыми; также опубликованы 14 LoRA-корректоров дрейфа ранга 16 для слоёв self-attention q/k/v/o. Контрольные точки использованы в результатах и абляциях статьи, а версия 14B — для эксперимента по переносу масштаба. Лицензия — Apache-2.0, как у Wan2.1.

Сценарии применения

генерация видео по текстовому описанию
авторегрессионная генерация последовательности видеокадров
эксперименты по снижению дрейфа в генерируемом видео

Ограничения

Для загрузки объединённых весов требуется block-causal pipeline; в README приведены инструкции для интеграции с кодовым репозиторием метода. Опубликованные LoRA-корректоры предназначены для указанных базовых контрольных точек.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Clean Forcing — adapted base checkpoints

Checkpoints for Clean Forcing: Drift-Resistant Autoregressive Video Diffusion with a Frozen Base: the causally adapted Wan2.1 bases (repo root) and the 14 drift-corrector LoRAs (weights/, rank 16 on self-attention q/k/v/o; weights/README.md maps each LoRA to its base and paper row).

# from the code repo root: LoRAs land in weights/, bases in the repo root
huggingface-cli download illustro1/clean-forcing --local-dir .
mv adapted_base_4000.pt self_forcing/wan_cache/

File	Base	Size	Used for
`adapted_base_4000.pt`	Wan2.1-T2V-1.3B + rank-64 causal adapter (merged, step 4K)	0.57 GB	all 1.3B results (Table 1 and ablations)
`wan14b_adapted_base_4000.pt`	Wan2.1-T2V-14B + rank-64 causal adapter (merged, step 4K)	8.4 GB	the 14B scale-transfer appendix

Load the merged weights with torch.load(path)["merged"] into the block-causal pipeline (see the code repo's RUN.md). Verify downloads with sha256sum -c SHA256SUMS (bases) and cd weights && sha256sum -c SHA256SUMS (LoRAs).

Code: https://github.com/wnqw/clean_forcing
Project page and paper: https://clean-forcing.github.io/

Both checkpoints are derived from Wan2.1 (Apache-2.0) and are released under the same license.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Базовая модель Wan-AI/Wan2.1-T2V-1.3B выложена не в формате diffusers, адаптер не к чему подключить.

Ревизия весов: 9a5e329