Wan2.6-R2V
Wan2.6-R2V 是阿里巴巴万相 2.6 系列的参考生视频模型。用户可提供角色参考视频和文本提示词,生成以参考主体为主角的新场景;官方称其可用于人物、动物或物品,并支持多个主体共同出镜。(alibabacloud.com) 参考素材可用于提取主体形象及已有音色,以在生成内容中保持角色特征;支持单角色或多角色、有声视频及多镜头叙事。(help.aliyun.com) 可用于短剧、角色表演、故事短…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
Wan2.6-R2V 是阿里巴巴万相 2.6 系列的参考生视频模型。用户可提供角色参考视频和文本提示词,生成以参考主体为主角的新场景;官方称其可用于人物、动物或物品,并支持多个主体共同出镜。(alibabacloud.com) 参考素材可用于提取主体形象及已有音色,以在生成内容中保持角色特征;支持单角色或多角色、有声视频及多镜头叙事。(help.aliyun.com) 可用于短剧、角色表演、故事短…
VTP-Large-f16d64 是 VTP(Visual Tokenizer Pre-training)系列的视觉分词器模型,面向图像表征、重建和生成研究,而非通用文本对话模型。官方模型卡列出的模型规模约为 0.7B 参数。(github.com) **视觉表征与图文对齐:**联合使用图文对比学习、自监督学习和图像重建目标,可提取图像特征,也可计算图像与文本的特征相似度,用于零样本分类等任务。…
VTP-Base-f16d64 是 MiniMax 发布的 Base 版视觉分词器预训练模型,主要用于图像特征提取和生成模型的视觉潜空间表示。VTP 框架联合训练图文对比、自监督和图像重建目标。官方模型页面提供可下载权重,标注模型规模约 0.3B 参数、许可证为 modified-mit。(huggingface.co) 将图像编码为视觉特征或潜变量,并用于图像重建;可结合文本特征进行图文相似度计…
VTP-Small-f16d64 是 VTP 系列的 Small 版视觉分词器和图像特征提取模型,由 MiniMax 与华中科技大学研究人员开展相关研究。模型权重已公开,可用于本地部署;官方模型页标示约 0.2B 参数。(github.com) 将图像编码为潜在表示,并支持图像重建;可提取图像特征,用于视觉表示学习和线性探测。 支持图文对比特征,可用于零样本图像分类;也可作为扩散模型的视觉分词器,…