Wan2.6-R2V
Wan2.6-R2V 是阿里巴巴萬相 2.6 系列的參考素材生成影片模型。官方於 2025 年 12 月 16 日發布:使用者可提供角色參考影片及文字提示,讓人物、動物或物件出現在新場景中,並盡量維持參考對象的外觀和聲音特徵。(alibabacloud.com) 支援文字、圖片和影片輸入,輸出含影片與音訊的內容;可使用多個角色參考素材,製作互動及多鏡頭敘事。(help.aliyun.com) 適用…
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
Wan2.6-R2V 是阿里巴巴萬相 2.6 系列的參考素材生成影片模型。官方於 2025 年 12 月 16 日發布:使用者可提供角色參考影片及文字提示,讓人物、動物或物件出現在新場景中,並盡量維持參考對象的外觀和聲音特徵。(alibabacloud.com) 支援文字、圖片和影片輸入,輸出含影片與音訊的內容;可使用多個角色參考素材,製作互動及多鏡頭敘事。(help.aliyun.com) 適用…
VTP-Large-f16d64 是 MiniMax 與華中科技大學研究人員合作的 VTP 視覺分詞器大型版本,主要用於影像表徵、重建及下游生成研究,而非通用聊天模型。官方模型頁列出約 0.7B 參數與預訓練權重。(huggingface.co) 結合影像-文字對比學習、自監督學習與重建目標,學習兼顧語意理解和影像重建的視覺表徵。 可用於影像特徵擷取、影像-文字相似度及零樣本分類,也可將影像編碼為…
VTP-Base-f16d64 是 VTP 視覺 token 化預訓練系列的 Base 版本,主要用於影像特徵擷取及作為視覺生成模型的元件;官方模型集合標示約 0.3B 參數。它不是獨立的文字聊天模型。(huggingface.co) 透過影像編碼取得潛在表示,並可解碼重建影像;可用於影像重建與生成模型研究。 VTP 結合圖文對比、自監督及重建學習,可用於視覺表徵擷取、圖文相似度與分類等研究。官方…
VTP-Small-f16d64 是 VTP 視覺 tokenizer 預訓練框架的 Small 版本,主要用於影像特徵擷取、影像重建,以及為下游生成模型提供視覺潛在表示。該研究由華中科技大學與 MiniMax 的研究人員共同完成;官方模型頁標示模型規模約為 0.2B 參數。(github.com) 結合圖文對比、自監督與重建學習,訓練可用於視覺理解和生成的表示。(github.com) 可將影像…