Alibaba: Wan 3.0

अलीबाबा: Wan 3.0 अलीबाबा का एक वीडियो जनरेशन मॉडल है। यह वीडियो श्रेणी से संबंधित है और api14 पर alibaba/wan-3.0 के रूप में पहचाना जाता है। यह मॉडल टेक्स्ट और इमेज को वीडियो में बदलने के लिए बनाया गया है, और यह अलीबाबा के अन्य जनरेटिव काम के साथ मौजूद है, न कि यह कोई सामान्य प्रयोजन वाला टेक्स्ट मॉडल है।

Wan 3.0 टेक्स्ट और इमेज इनपुट स्वीकार करता है और इसके आउटपुट के रूप में केवल वीडियो लौटाता है। यह text-to-video, image-to-video, और reference-guided video generation का समर्थन करता है। आउटपुट 480p, 720p, या 1080p पर, 16:9, 4:3, 1:1, 3:4, और 9:16 के aspect ratios में तैयार किया जा सकता है। अवधि 2 से 30 सेकंड तक होती है। यह मॉडल वीडियो के साथ ऑडियो भी जनरेट कर सकता है। इमेज-आधारित काम के लिए, एक first_frame इमेज दी जा सकती है। इस मॉडल के लिए कोई context length सूचीबद्ध नहीं है, इसलिए token window के बजाय वीडियो parameters के आधार पर योजना बनाएं।

ये क्षमताएं उपयोगों के एक काफी विशिष्ट समूह की ओर इशारा करती हैं। Text-to-video लिखित विवरण से जनरेट किए गए छोटे क्लिप के लिए उपयुक्त है, जैसे कोई दृश्य, प्रोडक्ट शॉट, या कॉन्सेप्ट प्रीव्यू। first_frame के साथ image-to-video तब उपयोगी होता है जब आपके पास पहले से एक स्थिर चित्र हो और आप उसे गतिमान करना चाहते हों, जो स्टोरीबोर्ड एनिमेशन, विज्ञापन विविधताओं, या एक ही फ्रेम को जीवंत करने के लिए उपयुक्त है। Reference-guided generation तब मदद करता है जब आउटपुट को दिए गए विजुअल संदर्भ के करीब रहना हो। 2 से 30 सेकंड की सीमा छोटे सोशल प्रारूपों और संक्षिप्त कथात्मक क्षणों को कवर करती है, और वर्गाकार, लंबवत, तथा लैंडस्केप अनुपात का अर्थ है कि वही मॉडल फीड, स्टोरी, और वाइडस्क्रीन प्लेसमेंट के लिए काम कर सकता है। ऑडियो जनरेशन का अर्थ है कि जिन क्लिप को इसकी आवश्यकता हो, उनके लिए आपको अलग से ध्वनि चरण जोड़ने की जरूरत नहीं है।

आप Wan 3.0 को api14 के OpenAI-compatible API के माध्यम से model id alibaba/wan-3.0 का उपयोग करके कॉल करते हैं। अनुरोध max_tokens, presence_penalty, response_format, seed, temperature, और top_p स्वीकार करता है। Seed तब सेट करना उपयोगी है जब आप runs के बीच प्रतिलिपि-योग्य आउटपुट चाहते हों, और temperature तथा top_p आपको भिन्नता पर नियंत्रण देते हैं। चूंकि आउटपुट वीडियो है, जब आपको कोई विशिष्ट रिटर्न आकार चाहिए तो response_format वह parameter है जिसे जांचना चाहिए। वीडियो सेटिंग्स स्वयं, जैसे resolution, aspect ratio, duration, और first_frame इमेज, इस मॉडल के लिए आपके द्वारा बनाए गए अनुरोध का हिस्सा हैं।

कोई context length सूचीबद्ध नहीं है, और maxOutput 0 बताया गया है, इसलिए इसे लंबे-संदर्भ वाले तर्क मॉडल के बजाय एक जनरेशन endpoint मानें। यदि आपका कार्य टेक्स्ट, कोड, या विश्लेषण है, तो एक भाषा मॉडल बेहतर फिट होगा। Wan 3.0 सही चुनाव है जब डिलीवरेबल टेक्स्ट, किसी इमेज, या किसी संदर्भ से बनाया गया छोटा वीडियो क्लिप हो।