/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Wan2.1-T2V-14B-Diffusers
Опубликована
23 сен 2026

vsqa-preview-14b

Генерация видеоТекст → видео3 профессии

Промежуточная дистиллированная модель на основе Wan2.1-T2V-14B для генерации короткого видео по текстовому описанию за три шага.

10скачиваний за 30 дней0лайковвеса обновлены23 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

VSQA preview 14B — промежуточный чекпойнт студенческой модели генерации видео по тексту, созданный в рамках проекта VSQA на основе Wan2.1-T2V-14B. Веса экспортированы в формате Diffusers и safetensors; архитектура и размер базовой модели — диффузионный трансформер Wan2.1, 14 млрд параметров. Модель обучалась для генерации 77 кадров размером 1280×768 за три шага денойзинга с разреженным видео-вниманием VSA и NVFP4 QAT для слоёв внимания и линейных слоёв.

Это чекпойнт на 100-м шаге из запланированных 1000 шагов DMD-дистилляции; качество не оценивалось, а последующие чекпойнты могут заменить его. Для воспроизведения обученных вычислений нужны FastVideo VSA/QAT kernels: запуск с обычными плотными BF16-слоями — другая конфигурация, которая не тестировалась. Лицензия — Apache-2.0, унаследованная от базовой модели.

Сценарии применения

  • создание короткого видео по текстовому промпту
  • быстрое прототипирование генерации видео
  • экспериментальная оценка разреженного внимания в генерации видео

Ограничения

Это промежуточный чекпойнт на 100-м из 1000 шагов DMD-дистилляции, и его качество не оценивалось. Для воспроизведения обученной конфигурации нужны FastVideo VSA/QAT kernels; запуск с плотными BF16-слоями не тестировался.

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 14B — DMD step 100

Preview / intermediate checkpoint. Not evaluated. This is the student of an in-progress 1000-step DMD run, exported at step 100. It is published for early inspection only; later checkpoints of the same run may replace it.

What it is

A few-step (3-step DMD) student of Wan2.1-T2V-14B trained with video sparse attention (VSA) and NVFP4 quantization-aware training (QAT) of both attention and linear layers (VSQA project).

Training lineage (all at 77 frames, 1280×768, global batch 16):

  1. Dense NVFP4 per-layer reconstruction, 250 steps, from the original Wan2.1-T2V-14B weights.
  2. Plain ODE initialization (endpoint regression, no reconstruction loss), 500 steps, VSA C256 cube (4, 8, 8) at sparsity 0.9, NVFP4 attention and linear QAT.
  3. DMD distillation (this checkpoint: step 100 of 1000), student LR 2e-6, critic LR 4e-7, generator updated every iteration, no EMA. Teacher and critic are the original dense Wan2.1-T2V-14B.

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), 77 frames at 1280×768.
  • Attention backend used in training: VSA_QAT_TRAIN_C256 (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, source.yaml and export-verification.json record provenance and the strict-reload export verification.

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
46ee603

0 моделей