/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Wan2.1-I2V-1.3B
Библиотека
diffusers
Опубликована
23 июл 2026

TrackWan-1.3B-I2V-synth-stage2

Видео из изображенияИзображение, текст → видео3 профессии

TrackWan 1.3B I2V генерирует видео из изображения с движением, управляемым разреженными траекториями точек.

7скачиваний за 30 дней0лайковвеса обновлены23 июл 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

TrackWan 1.3B I2V — модель преобразования изображения в видео с управлением движением по разреженным траекториям точек, разработанная на базе Wan2.1 1.3B. Она принимает исходное изображение, текстовое условие и траектории пикселей с видимостью по кадрам, а затем генерирует видео, согласованное с заданным движением. Репозиторий содержит самодостаточный конвейер Diffusers с трансформером, VAE, текстовым энкодером T5, энкодером изображений CLIP, токенизатором и планировщиком.

Архитектура — DiT Wan2.1 на 1,3 млрд параметров с 30 слоями и шириной скрытого представления 1536, дополненная WanTrack head для кодирования траекторий. Чекпойнт — финальный шаг 600 второго этапа дообучения на объединённом синтетическом наборе траекторий; заявленный режим генерации — 480×832, 121 кадр при 24 кадрах в секунду. Модель предназначена для исследовательских и прикладных экспериментов по управляемой генерации движения в видео. Лицензия — Apache-2.0. README не сообщает о поддерживаемых языках текста.

Сценарии применения

  • создание видео из изображения по заданным траекториям объектов
  • управление движением объектов по покадровым точкам и видимости
  • анимация исходного изображения с текстовым условием
  • эксперименты с управляемой генерацией движения в видео

Ограничения

Модель ориентирована на заданные траектории точек и для заявленного режима использует разрешение 480×832, 121 кадр и 24 кадра/с. README не приводит количественных оценок качества генерации.

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

TrackWan 1.3B I2V — Motion-Track Teacher (synth stage-2)

A motion-track-conditioned image-to-video model based on Wan2.1 1.3B (Fun-InP). On top of the standard I2V conditioning it takes a set of sparse point tracks (a small number of pixel trajectories with per-frame visibility) and generates a video whose motion follows those tracks. It is the "teacher" model in a MotionStream-style track-conditioning recipe.

This repository is a complete, self-contained diffusers pipeline — transformer, VAE, T5 text encoder, CLIP image encoder, tokenizer, scheduler — so it loads directly with no external weights.

Checkpoint

  • Final checkpoint (step 600) of the synth_stage2_paperLR run.
  • Stage-2 fine-tune (lr 1e-6, global batch size 128, 600 steps) on a combined synthetic track dataset, with stochastic track/motion dropping, starting from the stage-1 OpenVid-1M teacher.
  • 480×832, 121 frames, 24 fps, flow_shift = 6.

Architecture

Standard Wan2.1 1.3B DiT (30 layers, hidden 1536) with a WanTrack head:

fieldvalue
in_channels52 (16 latent + 20 I2V/mask + 16 track channels)
out_channels16
track_config.id_dim64 (sinusoidal track-id embedding)
track_config.track_channels16
track_config.vae_spatial_compression8
track_config.vae_temporal_compression4

The track pathway is track_encoder.{temporal_conv, proj} plus the extra patch_embedding input channels [:, 36:] (the "track slot").

Usage (FastVideo)

The model is a diffusers-format directory and loads directly by path in FastVideo's WanTrack inference / training stack. VAE, T5, and CLIP are the standard Wan2.1 components and are bundled here.

Notes

  • VAE / T5 / CLIP are identical to the Wan2.1 base components; they are included so the pipeline is directly loadable.
  • Base model: Wan2.1 1.3B (Fun-InP variant).

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
238530a

0 моделей