Alibaba: Wan 3.0 Prime

Wan 3.0 Prime, Alibaba का वीडियो जनरेशन मॉडल है, जो api14 पर मॉडल आईडी alibaba/wan-3.0-prime के तहत सूचीबद्ध है। यह Alibaba के Wan 3.0 का fast-mode वेरिएंट है, और इसका बताया गया उद्देश्य text-to-video और first-frame image-to-video जनरेशन है। यदि आप Wan श्रृंखला से पहले से परिचित हैं, तो इसे एक अलग मॉडल परिवार के बजाय उसका तेज़ सहोदर मानें।

मॉडल text और image इनपुट लेता है और इसके आउटपुट के रूप में केवल वीडियो देता है। चूंकि यह first frame image स्वीकार करता है, आप अपनी दी गई स्टिल से क्लिप चला सकते हैं, या पूरी तरह से लिखित prompt से जनरेट कर सकते हैं। आउटपुट 480p, 720p या 1080p में अनुरोध किया जा सकता है, 16:9, 4:3, 1:1, 3:4 और 9:16 के aspect ratios में, जो landscape, square और vertical प्रारूपों को कवर करता है। क्लिप की अवधि 2 से 30 सेकंड तक एक सेकंड के चरणों में होती है, इसलिए आप बिना जोड़े छोटे loops या लंबे sequences मांग सकते हैं। Audio generation भी उपलब्ध है, जिसका अर्थ है कि एक ही अनुरोध मौन ट्रैक के बजाय ध्वनि के साथ वीडियो लौटा सकता है। इस मॉडल के लिए कोई context length प्रकाशित नहीं है, इसलिए token बजट के बजाय वीडियो parameters के आसपास योजना बनाएं।

ये क्षमताएं काफी विशिष्ट प्रकार के कार्यों की ओर इशारा करती हैं। छोटी अवधि पर vertical 9:16 आउटपुट social और mobile placements के लिए उपयुक्त है, जबकि उच्च resolutions पर 16:9 web, presentation और broadcast शैली की सामग्री के लिए फिट बैठता है। First-frame image-to-video तब उपयोगी है जब आपके पास स्वीकृत artwork, product shot या storyboard panel हो और आप उससे नई व्याख्या के बजाय motion प्राप्त करना चाहते हों। 2 से 30 सेकंड की सीमा teasers, animated stills, background plates और loopable clips के लिए काम करती है। Audio generation सरल pieces पर अलग sound pass की आवश्यकता कम करता है। Square और 4:3 ratios तब मदद करते हैं जब एक ही asset को एक से अधिक channel पर चलाना हो।

आप इसे api14 के OpenAI-compatible API के माध्यम से मॉडल आईडी alibaba/wan-3.0-prime का उपयोग करके कॉल करते हैं, इसलिए मौजूदा OpenAI शैली के client code में बस बदले हुए model string से थोड़ा अधिक कुछ नहीं चाहिए। यह जिन request parameters का समर्थन करता है वे हैं max_tokens, presence_penalty, response_format, seed, temperature और top_p। Seed तब चुनें जब आपको runs के बीच प्रतिलिपि योग्य आउटपुट चाहिए, और temperature तथा top_p आपको generations के बीच भिन्नता पर नियंत्रण देते हैं। ध्यान दें कि max_tokens एक parameter के रूप में समर्थित है भले ही मॉडल का आउटपुट वीडियो है, और प्रकाशित maxOutput मान 0 है, इसलिए क्लिप की लंबाई सीमित करने के लिए इस पर भरोसा न करें। Duration, resolution और aspect ratio token parameters के बजाय वीडियो विशिष्ट फ़ील्ड के माध्यम से सेट किए जाते हैं।

कोई प्रकाशित context length नहीं है, और मॉडल केवल वीडियो है, इसलिए यह text chat, classification, summarisation या किसी भी ऐसे कार्य के लिए उपयुक्त नहीं है जो text या structured response की अपेक्षा करता हो। यदि आपको वे चाहिए, तो text मॉडल बेहतर विकल्प है। वीडियो कार्य के भीतर, योजना बनाने के लिए मुख्य बाधा अवधि है: 30 सेकंड की सीमा है, इसलिए लंबे pieces को segments में जनरेट करके बाद में जोड़ना होगा।