Wan2.2-TI2V-5B-Diffusers

это текст-к-видео (Text-to-Video, T2V) и изображение-к-видео (Image-to-Video, I2V) модель на основе архитектуры диффузера, разработанная в рамках проекта Wan2.2. Модель содержит 5 миллиардов параметров и использует высококомпрессивный кодировщик Wan2.2-VAE с соотношением сжатия 4×16×16. Она поддерживает генерацию видео в разрешении 720p (1280×704 или 704×1280) с частотой кадров 24 fps, и может работать на потребительских GPU, таких как NVIDIA RTX 4090.

Ключевые особенности

• Поддержка нескольких задач - генерация видео по тексту (T2V) и генерация видео по изображению (I2V). Обе задачи реализованы в едином фреймворке.
• Архитектура Mixture-of-Experts (MoE) — использует специализированных экспертов для удаления шума на разных этапах процесса диффузии. Эксперт для высокого уровня шума отвечает за генерацию начального этапа композиции, в то время как эксперт для низкого уровня шума точно восстанавливает детали на поздних этапах, увеличивая емкость модели вдвое без роста вычислительных затрат.
• Улучшенная эстетика и движение — обучена на расширенных датасетах (на 65,6% больше изображений и на 83,2% больше видео, чем в Wan2.1), что улучшает генерацию движения, семантическое разнообразие и эстетику кинематографического стиля (освещение, композиция, цветовая гамма).
• Производительность — показывает лучшие результаты среди моделей с открытым и закрытым исходным кодом на бенчмарке Wan-Bench 2.0.
• Эффективность - Генерация 5-секундного видео в 720p занимает менее 9 минут на одном GPU RTX 4090. Поддерживает выгрузку моделей на CPU и смешанную точность для экономии памяти. Мульти-GPU вывод доступен через FSDP + DeepSpeed Ulysses (опции --dit_fsdp, --t5_fsdp).
• Ограничения - Поддерживает только формат видео с разрешением 720p (аспект-соотношение может зависеть от входных данных).

---

Модель является составной частью пайплайна генерации видео, состоящего из:

• Text encoder: ~6B параметров, 
• Transformer: ~5B параметров, 
• VAE: ~705M параметров.

Всего: ~11B параметров

---

Строка "Потребление памяти" рассчитана на основе размера весов в указанной точности с добавочным коэффициентом +10% на инференс: 
  model_parameters_count * bytes_per_parameter * 1.1 / 1024^3 
где model_parameters_count - количество параметров модели, bytes_per_parameter - количество байтов, используемых для хранения одного параметра. Для 16 bit = 2, 8 bit = 1, 4 bit = 0.5.

Дата анонса: 28.07.2025
Параметров: 5B
Потребление памяти: 5.8 ГБ в точности 4 бит, 11.7 ГБ в точности 8 бит, 23.3 ГБ в точности 16 бит
Разработчик: Alibaba Wan Team
Лицензия: Apache 2.0

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с Wan2.2-TI2V-5B-Diffusers. Получить токен для доступа к API вы можете на странице управления токенами после регистрации и верификации.

Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.

Мы рекомендуем создание частных инстансов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве,
• использовать кастомизированные веса: fine-tuned версии или lora-адаптеры.

Свяжитесь с нашей специализированной группой поддержки по нейросетям nn@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.