Alibaba: Wan 3.0

Alibaba: Wan 3.0 es un modelo de generación de video de Alibaba. Pertenece a la categoría de video y se identifica en api14 como alibaba/wan-3.0. El modelo está diseñado para convertir texto e imágenes en video, y se sitúa junto a los demás trabajos generativos de Alibaba en lugar de ser un modelo de texto de propósito general.

Wan 3.0 acepta entradas de texto e imagen y devuelve video como su única salida. Admite texto a video, imagen a video y generación de video guiada por referencia. La salida se puede producir en 480p, 720p o 1080p, en relaciones de aspecto de 16:9, 4:3, 1:1, 3:4 y 9:16. Las duraciones van de 2 a 30 segundos. El modelo también puede generar audio junto con el video. Para el trabajo impulsado por imágenes, se puede proporcionar una imagen first_frame. No se indica una longitud de contexto para este modelo, así que planifica en torno a los parámetros de video en lugar de una ventana de tokens.

Esas capacidades apuntan a un conjunto bastante específico de usos. Texto a video se adapta a clips cortos generados a partir de una descripción escrita, como una escena, una toma de producto o una vista previa de concepto. Imagen a video con un first_frame es útil cuando ya tienes una imagen fija y quieres que se mueva, lo que encaja con animación de storyboard, variaciones de anuncios o dar vida a una sola imagen. La generación guiada por referencia sirve cuando la salida necesita mantenerse cerca de una referencia visual proporcionada. El rango de 2 a 30 segundos cubre formatos cortos y breves momentos narrativos, y las relaciones cuadrada, vertical y horizontal significan que el mismo modelo puede servir para ubicaciones de feed, story y pantalla ancha. La generación de audio significa que no tienes que añadir un paso de sonido separado para los clips que lo necesiten.

Llamas a Wan 3.0 a través de la API compatible con OpenAI de api14 usando el modelo alibaba/wan-3.0. La solicitud acepta max_tokens, presence_penalty, response_format, seed, temperature y top_p. Vale la pena establecer seed cuando quieres una salida reproducible entre ejecuciones, y temperature y top_p dan control sobre la variación. Como la salida es video, response_format es el parámetro que debes revisar cuando necesitas una forma de retorno específica. Los ajustes de video en sí, como la resolución, la relación de aspecto, la duración y la imagen first_frame, forman parte de la solicitud que construyes para este modelo.

No se indica una longitud de contexto, y maxOutput se reporta como 0, así que trata esto como un endpoint de generación en lugar de un modelo de razonamiento de contexto largo. Si tu tarea es texto, código o análisis, un modelo de lenguaje encajará mejor. Wan 3.0 es la elección correcta cuando el entregable es un clip de video corto construido a partir de texto, una imagen o una referencia.