模型定位
Bernini 是统一的视频生成与编辑框架。完整的 Bernini 7+14B 管线结合基于 Qwen2.5-VL-7B-Instruct 的多模态语义规划器和基于 Wan2.2-T2V-A14B 的扩散变换器渲染器:前者规划语义变化,后者据此生成画面。它不同于仅包含渲染器的 Bernini-R。(github.com)
能力与用途
官方列出的任务接口包括文生图、图像编辑、文生视频、视频编辑、参考素材引导的视频编辑和参考素材生成视频。可用于视觉内容创作、视频修改及相关研究;规划器旨在改善复杂指令的遵循能力。(github.com)
发布与使用
- 2026-05-22:官方仓库记录的论文发布日期。
- 完整模型推理代码和权重随后开源:GitHub 仓库记载为 2026-06-11,模型卡记载为 2026-06-10;两处日期不一致。
- 官方仓库和模型卡标注 Apache License 2.0;使用时仍应核对模型及其依赖组件的适用许可。(github.com)
限制
论文指出,模型受规划器和渲染器基础模型能力限制;复杂编辑仍可能依赖较强的语言模型将指令改写得更详细、结构化,参考生成的视频视觉质量也有提升空间。官方推理环境需要 CUDA GPU,推荐 Hopper GPU;其运行脚本采用单 GPU 图像路径和多 GPU 视频路径。视频脚本默认输出为 480p、16 fps、81 帧,这些是默认配置而非已核实的绝对上限。(arxiv.org)
价格
截至 2026-11-16,查询官方国内和国际定价页面,均未找到可核实的 Bernini 7+14B 专属托管 API 报价;输入和输出计费及其单位均未核实。开源权重可供自行部署,但计算等部署成本需另计。(console.volcengine.com)