/ Модель

Характеристики

Размер весов
12,8 ГБ
Лицензия
bsd-3-clause-clear
Базовая модель
Neodragon
Библиотека
litert
Опубликована
2 сен 2026

Neo_Dragon

Генерация видеоТекст → видео3 профессии

Neo_Dragon — это набор конвертированных в формат LiteRT/TFLite моделей Qualcomm AI Research, подготовленный для офлайн-приложения Box на Android.

1 144скачиваний за 30 дней3лайкавеса обновлены2 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

Основное назначение — генерация коротких видеоклипов на устройстве: исходный текст преобразуется в первый кадр, после чего видеопайплайн формирует продолжение. Обработка выполняется полностью локально, без сети, сервера и учётной записи.

Комплект включает текстовые энкодеры DT5 и CLIP, адаптер контекста, три этапа DiT с общими весами размером 1,5 млрд параметров, а также причинный video VAE. Поддерживается генерация клипов размером 320×512 и длительностью 9 кадров; фиксированная форма графов ограничивает пайплайн двумя условными латентами. Для создания первого кадра используется SSD1B с разрешением 640×1024. Поддерживаются текстовые входы через CLIP BPE и DT5 SentencePiece; конкретный набор языков в README не указан. Модели рассчитаны на CPU: использование GPU delegate ограничено 5D-тензорами Neodragon и может приводить к сбою. Приведены замеры времени работы на Pixel 10 Pro Fold с Tensor G5: примерно 1,1, 3,9 и 17,3 секунды на вызов для трёх этапов DiT.

Это конвертированные артефакты оригинальной модели, а не самостоятельная исследовательская разработка. Сильные стороны — автономная работа на Android, отсутствие сетевых требований и поддержка генерации видео на устройстве. Ограничения включают CPU-only исполнение, крупный объём файлов, фиксированные разрешения и длину клипа, а также отсутствие указаний о поддерживаемых языках и качестве генерации. Распространение регулируется лицензиями BSD 3-Clause Clear и Qualcomm Responsible AI License. Последняя вводит дополнительные ограничения, включая запрет военного применения, predictive policing, социального скоринга, биометрической категоризации, распознавания эмоций на работе или в образовании и распространения сгенерированного контента без раскрытия его машинного происхождения.

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

Neodragon — LiteRT (.tflite) conversions for on-device text-to-video

LiteRT conversions of Qualcomm-AI-Research/Neodragon, prepared for Box — an open-source, fully offline on-device AI app for Android.

These are converted artifacts only. The models, research and original weights are Qualcomm AI Research's work; see the upstream repo and paper.

Generates a 320×512 clip entirely on-device — no network, no server, no account.

Licence — please read before use

The weights are released by Qualcomm under two licences, and both carry over to these conversions:

  1. BSD 3-Clause Clear — permits redistribution and derivative works (a conversion is a derivative) with notices retained. Note the "Clear" variant grants no patent licence.
  2. Qualcomm Responsible AI License — adds use restrictions. It is not a grant licence; it sits on top of the BSD grant and flows down to you. Prohibited uses include military use, criminal/predictive-policing applications, social scoring, biometric categorisation, emotion recognition in workplaces or education, and distributing generated content without disclosing that it is machine generated. Read the full text before using these files.

Box surfaces these restrictions in a consent screen before download and marks generated output as AI-generated.

What's here

Fixed-shape LiteRT graphs. Filenames are deliberately flat — Box's downloader flattens remote paths into a single directory.

Video pipeline (picture → video)

filesizeshape
dt5_text_encoder.tflite495 MB(1,128) ids + mask → (1,128,4096)
context_adapter_dynamic_int8.tflite124 MB(1,128,4096) → (1,128,1536)
clip_l_text_encoder.tflite472 MB(1,77) → pooled 768
clip_g_text_encoder_int8.tflite670 MB(1,77) → pooled 1280
dit_stage0_10x16_int4.tflite816 MBpyramid stage 0
dit_stage1_20x32_int4.tflite817 MBpyramid stage 1
dit_stage2_40x64_int4.tflite822 MBpyramid stage 2
causal_video_vae_encoder_320x512.tflite419 MB(1,3,1,320,512) → (1,16,1,40,64)
causal_video_vae_decoder.tflite38 MB(1,16,2,40,64) → (1,3,9,320,512)

The three DiT graphs are the same 1.5B weights at three input resolutions; the pipeline calls one per pyramid stage. Each accepts exactly two conditioning latents, which is what limits this set to 9-frame clips.

First-frame pipeline (text → picture, SSD1B at 640×1024)

filesizeshape
ssd_1b_clip_l.tflite443 MB(1,77) → (1,77,768) hidden_states[-2]
ssd_1b_clip_g.tflite2.65 GB(1,77) → (1,1280) + (1,77,1280)
ssd_1b_unet_640x1024.tflite5.07 GB(1,4,80,128) + t + ehs + text_embeds + time_ids
ssd_1b_vae_decoder_640x1024.tflite189 MB(1,4,80,128) → (1,3,640,1024)

Tokenizer assets

filenote
clip_vocab.json, clip_merges.txtCLIP BPE, shared by all four CLIP encoders
t5_spiece.modelDT5 unigram SentencePiece

clip_merges.txt retains its #version: 0.2 header line — skip it when loading, or every merge rank shifts by one and tokenization silently corrupts.

Notes for anyone reusing these

  • CPU only. The LiteRT GPU delegate supports at most rank-4 tensors, and Neodragon's latents are 5D (b,c,t,h,w). On a Tensor G5, --gpu places 256 of 3402 ops on the GPU and then segfaults (RESHAPE: Tensor dimensions must be less than 5). This is structural, not a configuration problem.
  • Two different CLIP pairs. clip_* are Neodragon's own encoders (for the DiT's pooled vector); ssd_1b_clip_* are SSD1B's (for SDXL conditioning). Their weights differ. The tokenizer vocabularies are identical, so one tokenizer serves both.
  • SDXL uses hidden_states[-2], not last_hidden_state, from both CLIP encoders. Using the last layer does not crash — it quietly degrades output.
  • The SSD1B UNet is fp32 because int8 quantisation fails in ai_edge_quantizer 0.8.0 on one layer (CrossAttnDownBlock2D_2/ResnetBlock2D_0/conv2: "input operand has more dimensions than allowed by the axis remapping").
  • Measured on a Pixel 10 Pro Fold (Tensor G5), CPU: DiT stages ≈ 1.1 / 3.9 / 17.3 s per call.

Credit

All credit for the model and research to Qualcomm AI Research — Animesh Karnewar and the Neodragon authors. These conversions exist only to make that work runnable on more devices.

Как запустить

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

GPU в ailist

Универсальный рантайм · litert

Нельзя запустить

Генеративная модель выложена не в формате diffusers: рантайм её не загрузит.

Ревизия весов
31871df

0 моделей