Alibaba: Wan 3.0 Prime

Wan 3.0 Prime to model generowania wideo od Alibaba, wymieniony na api14 pod identyfikatorem modelu alibaba/wan-3.0-prime. Jest to wariant trybu szybkiego modelu Wan 3.0 od Alibaba, a jego deklarowanym przeznaczeniem jest generowanie wideo z tekstu oraz z obrazu pierwszego kadru. Jeśli znasz już linię Wan, traktuj go jako szybsze rodzeństwo, a nie inną rodzinę modeli.

Model przyjmuje dane wejściowe w postaci tekstu i obrazu, a jako jedyne wyjście generuje wideo. Ponieważ przyjmuje obraz pierwszego kadru, możesz napędzać klip ze dostarczonego zdjęcia albo generować go w całości z opisu tekstowego. Wyjście można zamówić w rozdzielczości 480p, 720p lub 1080p, w proporcjach 16:9, 4:3, 1:1, 3:4 i 9:16, co obejmuje formaty poziome, kwadratowe i pionowe. Czas trwania klipów wynosi od 2 do 30 sekund w krokach co jedną sekundę, więc możesz zamówić krótkie pętle lub dłuższe sekwencje bez sklejania. Dostępne jest także generowanie dźwięku, co oznacza, że jedno żądanie może zwrócić wideo z dźwiękiem, a nie cichą ścieżkę. Dla tego modelu nie opublikowano długości kontekstu, więc planuj w oparciu o parametry wideo, a nie budżet tokenów.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Wyjście pionowe 9:16 przy krótkich czasach trwania pasuje do publikacji społecznościowych i mobilnych, natomiast 16:9 w wyższych rozdzielczościach pasuje do treści internetowych, prezentacyjnych i w stylu broadcast. Generowanie wideo z obrazu pierwszego kadru jest przydatne, gdy masz zatwierdzoną grafikę, zdjęcie produktu lub panel storyboardu i chcesz uzyskać ruch z niego, a nie świeżą interpretację. Zakres od 2 do 30 sekund sprawdza się w teaserach, animowanych zdjęciach, tłach i klipach zapętlanych. Generowanie dźwięku zmniejsza potrzebę osobnego etapu dźwiękowego w prostych materiałach. Proporcje kwadratowe i 4:3 pomagają, gdy ten sam materiał ma być używany w więcej niż jednym kanale.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu alibaba/wan-3.0-prime, więc istniejący kod klienta w stylu OpenAI wymaga niewiele więcej niż zmiany ciągu modelu. Obsługiwane parametry żądania to max_tokens, presence_penalty, response_format, seed, temperature i top_p. Seed jest tym, po który warto sięgnąć, gdy potrzebujesz powtarzalnego wyjścia między uruchomieniami, a temperature i top_p dają kontrolę nad zmiennością między generacjami. Pamiętaj, że max_tokens jest obsługiwany jako parametr, mimo że wyjściem modelu jest wideo, a opublikowana wartość maxOutput wynosi 0, więc nie polegaj na nim przy ograniczaniu długości klipu. Czas trwania, rozdzielczość i proporcje ustawia się przez pola specyficzne dla wideo, a nie przez parametry tokenów.

Nie opublikowano długości kontekstu, a model obsługuje tylko wideo, więc nie nadaje się do czatu tekstowego, klasyfikacji, streszczania ani żadnego zadania oczekującego odpowiedzi tekstowej lub ustrukturyzowanej. Jeśli ich potrzebujesz, lepszym wyborem będzie model tekstowy. W pracy z wideo głównym ograniczeniem, które trzeba uwzględnić w planowaniu, jest czas trwania: 30 sekund to pułap, więc dłuższe materiały trzeba generować segmentami i łączyć później.