/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Wan2.1-T2V-1.3B-Diffusers
Опубликована
25 сен 2026

vsqa-preview-1.3b

Генерация видеоТекст → видео3 профессии

Предварительная трёхшаговая дистиллированная модель на базе Wan2.1-T2V-1.3B для генерации коротких видео по текстовому запросу.

7скачиваний за 30 дней0лайковвеса обновлены25 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Видео» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

memset0/vsqa-preview-1.3b — предварительная версия модели для генерации видео по текстовому запросу, созданная в рамках проекта VSQA на основе Wan2.1-T2V-1.3B от Wan-AI. Это трёхшаговая DMD-дистилляция с разреженным вниманием VSA и обучением с учётом NVFP4-квантизации внимания и линейных слоёв. Текстовый энкодер, токенизатор, VAE и планировщик унаследованы от базовой модели.

Модель рассчитана на генерацию 61 кадра с разрешением 896×448 за три шага денойзинга. Для воспроизведения обученных численных режимов нужны ядра FastVideo VSA/QAT; запуск с обычными плотными BF16-слоями представляет собой непроверенную конфигурацию. Это предварительный чекпойнт для ранней оценки. Лицензия — Apache-2.0.

Сценарии применения

  • создание короткого видео по текстовому описанию
  • быстрое прототипирование видеосцен
  • генерация 61-кадровых роликов размером 896×448
  • экспериментальная оценка генерации с разреженным вниманием и NVFP4

Ограничения

Для соответствия обученному режиму нужны ядра FastVideo VSA/QAT; применение плотных BF16-слоёв не проверено. Это предварительный чекпойнт, опубликованный для ранней оценки.

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

VSQA preview 1.3B — DMD step 1000

Preview checkpoint. This is the student of a completed 1000-step DMD run, exported at its final step (1000). It is published for early inspection.

What it is

A few-step (3-step DMD) student of Wan2.1-T2V-1.3B trained with video sparse attention (VSA) and NVFP4 quantization-aware training (QAT) of both attention and linear layers (VSQA project).

Training lineage (all at 61 frames, 896×448, global batch 16, NVFP4 attention and linear QAT):

  1. Dense NVFP4 per-layer reconstruction (groups of 5 blocks, teacher inputs), from the original Wan2.1-T2V-1.3B weights, LR 1e-6; the step-500 checkpoint is used.
  2. Sparse ODE initialization with an auxiliary reconstruction loss (endpoint weight 0.5, attention and MLP reconstruction weights 0.25 each), VSA C128 cube (4, 4, 8) at sparsity 0.9, 3-step schedule, LR 1e-5; the step-500 checkpoint is used.
  3. DMD distillation, 1000 steps (this checkpoint), student LR 2e-6, critic LR 4e-7, generator updated every 5 iterations, no EMA, real-score guidance 3.5. Teacher and critic are the original dense Wan2.1-T2V-1.3B.

Sampling contract

  • 3 denoising steps at timesteps [1000.0, 941.1763916015625, 800.0], no additional timestep warp.
  • flow_shift = 8.0, guidance scale 1.0 (distilled), 61 frames at 896×448.
  • Attention backend used in training: VSA_QAT_TRAIN_C128 (sparsity 0.9); linear quantization nvfp4_qat_train. Reproducing the trained numerics needs the FastVideo VSA/QAT kernels; running the weights with plain dense BF16 attention and linears is a different (untested) configuration.

Files

Diffusers layout. transformer/ holds the exported student; text_encoder/, tokenizer/, vae/ and scheduler/ are unchanged from the base model. metadata.json (normalized training contract), artifact_manifest.json, resolved.yaml and source.yaml record provenance; the export passed a strict reload and its payload digests match artifact_manifest.json.

License follows the base model (Apache-2.0).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
1766a6f

0 моделей