Alibaba: Wan 3.0 Prime

Wan 3.0 Prime är en videogenereringsmodell från Alibaba, listad på api14 under modell-id:t alibaba/wan-3.0-prime. Det är en variant i snabbläge av Alibabas Wan 3.0, och dess angivna syfte är text-till-video och bild-till-video från första bildrutan. Om du redan känner till Wan-serien kan du se detta som det snabbare syskonet snarare än en annan modellfamilj.

Modellen tar text- och bildindata och producerar video som enda utdata. Eftersom den accepterar en bild för första bildrutan kan du styra ett klipp från en stillbild du tillhandahåller, eller generera helt från en skriven prompt. Utdata kan begäras i 480p, 720p eller 1080p, i bildförhållandena 16:9, 4:3, 1:1, 3:4 och 9:16, vilket täcker liggande, kvadratiskt och vertikalt format. Klipplängder sträcker sig från 2 till 30 sekunder i steg om en sekund, så du kan begära korta loopar eller längre sekvenser utan att skarva ihop dem. Ljudgenerering finns också tillgänglig, vilket innebär att en enda begäran kan returnera video med ljud snarare än ett tyst spår. Ingen kontextlängd publiceras för denna modell, så planera utifrån videoparametrarna snarare än en tokenbudget.

Dessa funktioner pekar mot en ganska specifik uppsättning arbetsuppgifter. Vertikala 9:16-utdata vid korta varaktigheter passar sociala medier och mobila placeringar, medan 16:9 vid högre upplösningar passar webb-, presentations- och sändningsliknande innehåll. Bild-till-video från första bildrutan är användbart när du har godkänd grafik, en produktbild eller en bildruta från en storyboard och vill att rörelsen härleds från den snarare än en helt ny tolkning. Intervallet 2 till 30 sekunder fungerar för teasers, animerade stillbilder, bakgrundsplattor och loopbara klipp. Ljudgenerering minskar behovet av en separat ljudomgång för enkla stycken. Kvadratiska och 4:3-förhållanden hjälper när samma tillgång måste köras i mer än en kanal.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t alibaba/wan-3.0-prime, så befintlig klientkod av OpenAI-typ behöver inte mycket mer än en ändrad modellsträng. Begäransparametrarna den stöder är max_tokens, presence_penalty, response_format, seed, temperature och top_p. Seed är den du ska ta till när du behöver reproducerbara utdata mellan körningar, och temperature och top_p ger dig kontroll över variationen mellan genereringar. Notera att max_tokens stöds som parameter även om modellens utdata är video, och det publicerade maxOutput-värdet är 0, så förlita dig inte på det för att begränsa klipplängden. Varaktighet, upplösning och bildförhållande ställs in via de videospecifika fälten snarare än tokenparametrarna.

Det finns ingen publicerad kontextlängd, och modellen är endast för video, så den passar inte för textchatt, klassificering, sammanfattning eller någon uppgift som förväntar sig ett text- eller strukturerat svar. Om du behöver sådant är en textmodell det bättre valet. Inom videobearbetning är den främsta begränsningen att planera runt varaktigheten: 30 sekunder är taket, så längre stycken behöver genereras i segment och fogas samman efteråt.