/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
t2v · dense
Базовая модель
Bernini-R-1.3B-Diffusers
Библиотека
mlx
Опубликована
15 июн 2026

Bernini-R-1.3B-bf16

Генерация видеоТекст → видео3 профессии

Порт Bernini-R-1.3B для MLX генерирует и редактирует видео по текстовым запросам и референсным изображениям на Apple Silicon.

38скачиваний за 30 дней2лайкавеса обновлены15 июн 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

Bernini-R-1.3B-bf16 — порт рендерера Bernini от ByteDance в формате MLX, подготовленный mlx-community для запуска на Apple Silicon. Это генератор и редактор видео на основе архитектуры Wan2.1-T2V-1.3B: модель содержит один эксперт и использует Segment-Aware 3D RoPE для работы с несколькими эталонными изображениями и задачами редактирования. Вариант bf16 занимает 2,6 ГБ для трансформера; общие компоненты Wan2.1 — VAE и текстовый энкодер UMT5 — требуют ещё около 11,1 ГБ.

Модель поддерживает генерацию видео по текстовому запросу, создание видео с заданным объектом по референсным изображениям и редактирование исходного видео по запросу. Также заявлены преобразование текста в изображение, перенос стиля, удаление субтитров и водяных знаков и локальное редактирование; на простых задачах малый вариант, по описанию проекта, близок к версии 14B. Порт использует только текстовое обусловливание UMT5: семантический планировщик Qwen2.5-VL-7B, описанный в статье, не входит в выпуск.

Модель основана на Wan2.1-T2V-1.3B и преобразована из исходной версии ByteDance в bf16. Лицензия — Apache-2.0. Запуск рассчитан на Apple Silicon через MLX и mlx-video; опубликованная проверка проведена на CPU-потоке, поэтому качество и производительность на конкретном устройстве могут отличаться.

Сценарии применения

  • генерация видео по текстовому описанию
  • создание видео с заданным объектом по референсным изображениям
  • редактирование исходного видео по текстовому запросу
  • перенос стиля в видео
  • удаление субтитров или водяных знаков из видео
  • локальное редактирование видео

Ограничения

Выпущен только рендерер: семантический планировщик Qwen2.5-VL-7B отсутствует, поэтому порт использует только текстовое обусловливание UMT5. Работа рассчитана на Apple Silicon с MLX; качество и скорость зависят от устройства и задачи.

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

Bernini-R-1.3B (MLX)

Apple MLX port of ByteDance/Bernini-R-1.3B — the 1.3B tier of ByteDance's Bernini Renderer: a Wan2.1-T2V-1.3B-derived video generator/editor with Segment-Aware 3D RoPE for multi-reference / editing tasks. The small tier "performs close to the 14B variant on simple tasks such as style transfer, subtitle or watermark removal, and local editing."

Runs on Apple Silicon via MLX + the mlx-video Wan backbone.

This is the lowest-cost Bernini tier. For the higher-quality A14B renderer see mlx-community/Bernini-R-bf16 / -int4.

⚠️ Scope: renderer only

Only the Renderer ("-R") is open-sourced upstream. The MLLM semantic planner (the paper's headline "latent semantic planning", a Qwen2.5-VL-7B model) is not released. This port therefore runs with UMT5 text conditioning only — the planner-feature channel is absent (and carries no weights in the released checkpoint).

Architecture

BackboneWan2.1-T2V-1.3B, single expert (30L · dim 1536 · 12H · ffn 8960)
Expertsone (skip_transformer_2: true, switch_dit_boundary: 0)
VAE16-ch AutoencoderKLWan (stock Wan2.1)
Text encoderUMT5-xxl
Bernini knobsshift 3.0, use_src_id_rotary_emb (SA-3D RoPE — no extra parameters)

Differs from the A14B port only by config: a single 1.3B expert instead of the high/low-noise A14B pair. There is no expert-boundary switch.

Tasks

TaskDescription
t2v / t2itext-to-video / image
r2vreference-to-video — generate a subject from up to K reference images (chained APG)
v2vprompt-based video editing (source video injected as conditioning)
rv2vreference + video editing

Variants

RepoPrecisionTransformer+ shared
…-1.3B-bf16bfloat162.6 GBVAE 0.5 GB · UMT5 10.6 GB
…-1.3B-int44-bit (group 64)0.8 GBVAE 0.5 GB · UMT5 10.6 GB

Provenance & validation

  • Architecture: stock Wan2.1-T2V-1.3B (verified — diffusers WanTransformer3DModel keys, no extra tensors; matches mlx-video wan21_t2v_1_3b exactly: 30L/1536/12H/8960). Bernini knobs (switch_dit_boundary 0, shift 3.0, use_src_id_rotary_emb) live in the wrapper config; SA-3D RoPE adds no parameters.
  • Converted fp32 → bf16 from ByteDance/Bernini-R-1.3B-Diffusers; VAE/UMT5 are the shared stock Wan2.1 components (byte-identical to the A14B port).
  • Validated on the CPU stream: key contract bijective (825 file tensors = model params minus the derived freqs rope buffer); bf16 forward cosine 0.999983 vs source fp32; int4 per-pass cosine 0.9943 vs bf16 (group 64, ≥0.99 gate).

License & attribution

Apache-2.0. Derived from ByteDance Bernini-R, Wan2.1 (Wan-AI), and mlx-video. See NOTICE.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
131d52a

0 моделей