/ Модель

Характеристики

Размер весов
11,7 ГБ
Лицензия
Своя лицензия
Базовая модель
lingbot-video-dense-1.3b
Библиотека
diffusers
Опубликована
10 июл 2026

LingBot_ComfyUI

Видео из изображенияИзображение, текст → видео3 профессии

LingBot_ComfyUI — сборка LingBot Video Dense 1.3B для генерации коротких видео по изображению и текстовому запросу в ComfyUI.

3 243скачиваний за 30 дней11лайковвеса обновлены11 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

LingBot_ComfyUI — подготовленная realrebelai сборка LingBot Video Dense 1.3B для работы в ComfyUI через набор узлов ComfyUI_Rebels_LingBot. Это дообученная модель генерации видео из изображения и текста (TI2V); исходные веса не изменялись, а файлы Diffusers были объединены и переименованы для размещения в папках ComfyUI. В состав входят диффузионная модель DiT на 1,3 млрд параметров в bf16, текстовый энкодер Qwen3-VL и VAE. Метаданные указывают библиотеку Diffusers и формат safetensors.

Модель рассчитана на генерацию коротких видеоклипов по текстовому запросу и изображению-условию, в том числе на видеокарте RTX 3070 с 8 ГБ памяти при загрузке текстового энкодера на CPU. Рекомендованы разрешение 832×480 и длительность до 81 кадра; изображения требуются одновременно для визуального кодирования и задания первого кадра в workflow узлов. Лицензия указана как other, конкретные условия в карточке не приведены.

Сценарии применения

  • создание видеоклипа по исходному изображению и текстовому описанию
  • анимация первого кадра в ComfyUI
  • генерация коротких роликов до 81 кадра
  • локальная генерация видео на RTX 3070 с 8 ГБ VRAM

Ограничения

Обученное окно составляет 81 кадр, а более длинные генерации теряют качество; для других соотношений сторон возможны артефакты, поэтому рекомендуется 832×480. Сложность движения ограничена, а текст внутри сгенерированных кадров обычно нечитаем.

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

LingBot-Video-Dense-1.3B — ComfyUI repack (single-file, 8GB-VRAM ready)

UPDATE! - added a prompt rebuilder node to satisfy the models need for a VERY strict json structure. this is not normal json, its what i like to call "LingBot" json prompting as its alot more in depth. try it out!

Repackaged weights of robbyant/lingbot-video-dense-1.3b for use with the ComfyUI_Rebels_LingBot node pack. No weight modification — the original diffusers shards are merged/renamed into single files for ComfyUI's model folders. All configs ship inside the node pack.

Runs T2V and TI2V on an RTX 3070 8GB / 16GB RAM: the Qwen3-VL encoder is loaded on CPU, used, and freed before the 1.3B DiT (2.79GB bf16, fully VRAM-resident) starts.

Files

FilePut inSize
LingBot_1.3b_DiT.safetensorsComfyUI/models/diffusion_models/~2.8 GB
LingBot_text-encoder.safetensorsComfyUI/models/text_encoders/~8 GB
LingBot_vae.safetensorsComfyUI/models/vae/~0.5 GB

The text encoder is the repo's Qwen3-VL, shards merged into one file (bit-identical tensors). lm_head.weight is intentionally absent — it is tied to embed_tokens; the node pack re-ties it at load.

Recommended settings

  • 832×480, up to 81 frames, 40 steps, shift 3.0
  • guidance 3.0 (t2v) / ~3.0 (TI2V — higher burns color on image runs)
  • export at 24 fps
  • VAE tiling off unless you must (temporal color/exposure drift on long clips)

~14 s/it on a 3070 at the settings above (sequential CFG); ≈10 minutes per 81-frame clip.

Notes & limitations

  • The trained window is 81 frames; longer generations collapse.
  • Square/other aspect ratios are out-of-distribution (letterboxing artifacts) — stay at 832×480.
  • 1.3B-class video: modest motion complexity; rendered text (signs/labels) is not legible.
  • TI2V requires the image to be fed to both the encode node (vision conditioning) and the sampler (first-frame latent) in the node pack's workflow.

License

Weights inherit the upstream LingBot-Video license (see license_link). This repo is a format repack only; review the upstream terms before commercial use or redistribution.

Repack + nodes by RealRebelAI.

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
65ede0d

0 моделей