Характеристики

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

Ссылки

Bernini-R-1.3B-int4

Генерация видеоТекст → видео3 профессии

Квантизированный до int4 видеогенератор ByteDance Bernini Renderer для создания и редактирования видео по тексту и визуальным референсам на Apple Silicon.

71скачиваний за 30 дней1лайквеса 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-int4 — это 4-битная версия модели-видеогенератора Bernini Renderer от ByteDance, подготовленная сообществом mlx-community для запуска на Apple Silicon через MLX. Модель основана на Wan2.1-T2V-1.3B и предназначена для генерации и редактирования видео по тексту, изображению или исходному видео. Архитектура включает один экспертный блок Transformer на 1,3 млрд параметров; веса трансформера квантизированы до int4 с группами по 64, а общие компоненты VAE и UMT5 оставлены без квантизации.

Модель поддерживает генерацию видео по текстовому запросу, создание видео с объектом по нескольким референсным изображениям, а также редактирование исходного видео по текстовой инструкции. Малый вариант рассчитан на экономичный запуск и, по описанию, близок к версии 14B на простых задачах вроде переноса стиля, удаления субтитров и водяных знаков и локального редактирования. Доступен только Renderer: семантический планировщик на Qwen2.5-VL-7B не выпущен, поэтому здесь используется только текстовое кондиционирование UMT5. Лицензия — Apache-2.0.

Сценарии применения

генерация видео по текстовому описанию
создание видео с персонажем или объектом по референсным изображениям
редактирование видео по текстовой инструкции
перенос стиля в видео
удаление субтитров или водяных знаков из видео
локальное редактирование фрагментов видео

Ограничения

Выпущен только Renderer без семантического планировщика Qwen2.5-VL-7B, поэтому отсутствует канал planner-feature и используется только текстовое кондиционирование UMT5. По сравнению с вариантом A14B качество может быть ниже на сложных задачах; заявленная близость относится к простым сценариям.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.10Универсальные способностиВидео, анимация и 3DAI помогает создавать, анализировать и преобразовывать динамический визуальный контент и 3D-сцены.18 задач3 279моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bernini-R-1.3B (MLX) — int4

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


Backbone	Wan2.1-T2V-1.3B, single expert (30L · dim 1536 · 12H · ffn 8960)
Experts	one (`skip_transformer_2: true`, `switch_dit_boundary: 0`)
VAE	16-ch `AutoencoderKLWan` (stock Wan2.1)
Text encoder	UMT5-xxl
Bernini knobs	`shift 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

Task	Description
`t2v` / `t2i`	text-to-video / image
`r2v`	reference-to-video — generate a subject from up to K reference images (chained APG)
`v2v`	prompt-based video editing (source video injected as conditioning)
`rv2v`	reference + video editing

Variants

Repo	Precision	Transformer	+ shared
`…-1.3B-bf16`	bfloat16	2.6 GB	VAE 0.5 GB · UMT5 10.6 GB
`…-1.3B-int4`	4-bit (group 64)	0.8 GB	VAE 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.
4-bit (group 64) quantization of the bf16 conversion of ByteDance/Bernini-R-1.3B-Diffusers (attention Q/K/V/O + FFN fc1/fc2 only; embeds/norms/head/modulation kept hi-precision). VAE/UMT5 are the shared stock Wan2.1 components, unquantized.
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: 46f8e16