/ Модель

Характеристики

Библиотека
diffusers
Опубликована
26 фев 2026

kiwi-edit-5b-instruct-reference-diffusers

Видео из изображенияИзображение, текст → видео3 профессии

Kiwi-Edit — модель редактирования видео по текстовым инструкциям с возможностью использовать опорное изображение для управления результатом.

2 245скачиваний за 30 дней11лайковвеса обновлены5 мар 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

Kiwi-Edit — архитектура для редактирования видео по текстовой инструкции с использованием опорного изображения. Карточка описывает управление преобразованием через семантические признаки и латентные визуальные представления; заявлены многоэтапное обучение и улучшенное следование инструкциям с сохранением соответствия референсу. Репозиторий подготовлен для работы с библиотекой diffusers и содержит веса в формате safetensors.

Модель предназначена для изменения содержимого видео по запросу, например удаления объекта, с опорой на предоставленное изображение. В README приведён пример удаления обезьяны из видео. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или лицензию, поэтому эти характеристики не приводятся.

Сценарии применения

  • удаление объектов из видео по текстовому запросу
  • редактирование видеокадров с опорой на референсное изображение
  • изменение визуальных деталей видео по инструкции

Ограничения

Карточка не указывает лицензию, размер модели, языки или длину контекста. Заявления об улучшенном следовании инструкциям и точности соответствия референсу не сопровождаются количественными результатами в предоставленном описании.

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

Kiwi-Edit: Versatile Video Editing via Instruction and Reference Guidance

Kiwi-Edit is a versatile video editing framework built on an MLLM encoder and a video Diffusion Transformer (DiT). It supports both instruction-based video editing and reference-guided editing (using a reference image and instruction).

Model Description

Kiwi-Edit introduces a unified editing architecture that synergizes learnable queries and latent visual features for reference semantic guidance. It addresses the challenge of precise visual control in instruction-based editing by allowing users to provide a reference image to guide the transformation. The framework achieves significant performance improvements in instruction following and reference fidelity through a scalable data generation pipeline and a multi-stage training curriculum.

Usage

This model is compatible with the diffusers library. To run inference, follow the installation instructions in the official repository.

Quick Test with Diffusers

You can run a quick test on a demo video using the following command provided in the repository:

python diffusers_demo.py \
    --video_path ./demo_data/video/source/0005e4ad9f49814db1d3f2296b911abf.mp4 \
    --prompt "Remove the monkey." \
    --save_path output.mp4 \
    --model_path linyq/kiwi-edit-5b-instruct-only-diffusers

Citation

If you find this work useful, please cite:

@misc{kiwiedit,
      title={Kiwi-Edit: Versatile Video Editing via Instruction and Reference Guidance}, 
      author={Yiqi Lin and Guoqiang Liang and Ziyun Zeng and Zechen Bai and Yanzhe Chen and Mike Zheng Shou},
      year={2026},
      eprint={2603.02175},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2603.02175}, 
}

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
2760d81

0 моделей