HenryAvatud lähtekoodiga AI videomudelid jõuavad lõpuks järele
Wan 2.2, HunyuanVideo 1.5 ja Open-Sora 2.0 vähendavad vahet suletud hiiglastega. Siin on, mida see loojatele ja ettevõtetele tähendab.
Aastaid oli avatud lähtekoodiga AI video nagu superautode võidusõidule jalgrattaga ilmumine. OpenAI, Google ja Runway suletud mudelid domineerisid igas võrdlustestis, samal ajal kui avatud alternatiivid võitlesid elementaarse sidususega. Kuid 2025. aasta lõpus midagi muutus ja vahe lõpuks, tõeliselt väheneb.
Uued avatud lähtekoodiga pretendendid
Ütlen otse: kui proovisite aasta tagasi avatud lähtekoodiga video genereerimist ja loobusite frustratsioonist, on aeg uuesti proovida. Maastik on muutunud.
Wan 2.2: MoE läbimurre
Alibaba Wan 2.2 väärib erilist tähelepanu. See on esimene avatud lähtekoodiga videomudel, mis kasutab Mixture-of-Experts arhitektuuri, sama lähenemist, mis tegi GPT-4 nii võimsaks. Tulemus? Natiivne 720p 24fps juures tarbija RTX 4090 kaartidel, 1080p saavutatav AI upscaling'iga.
Wan 2.2 treeniti 65% rohkemate piltide ja 83% rohkemate videotega kui selle eelkäija. Kvaliteedihüpe on nähtav.
Mudel käsitleb füüsikat üllatavalt hästi, säilitades objektide püsivust ja gravitatsiooni järjepidevust seal, kus varasemad avatud mudelid ebaõnnestusid. See pole täiuslik, kuid on piisavalt lähedal, et olla oluline.
HunyuanVideo 1.5: Rohkem vähemaga
Tencent valis HunyuanVideo 1.5 puhul teistsuguse lähenemise. Suurendamise asemel vähendas ta, 13 miljardilt 8,3 miljardile parameetrile, samal ajal kuidagi suurendades nii kiirust kui kvaliteeti.
Töötab 14GB VRAM-iga offloading'iga. Natiivne heli integratsioon. Sisseehitatud füüsika simulatsioon. Tõhus arhitektuur.
Aeglasem kui pilve alternatiivid. Vajab tehnilist seadistamist. Vähem viimistletud kui kaubanduslikud tööriistad.
Tõhususe kasud on olulised, sest need toovad tõsise video genereerimise sülearvutitesse ja tööjaamadesse, mitte ainult andmekeskustesse.
Open-Sora 2.0: $200K eksperiment
Siin on provotseeriv number: Open-Sora 2.0 treeniti umbes $200 000 eest. Võrrelge seda sadade miljonitega, mis kulutatakse suletud mudelitele. Ometi vastab see 11-miljardise parameetriga HunyuanVideo kvaliteedile ja isegi esitab väljakutse Step-Video 30-miljardise parameetriga hiiglasele.
Treeningkood on täielikult avatud. Kaalud on allalaaditavad. Arhitektuur on dokumenteeritud. See pole uurimise eelvaade, see on tootmisvalmis mudel, mida saate täna käivitada.
Miks vahe väheneb
Kolm jõudu koonduvad:
Arhitektuuri lähenemine
Avatud mudelid võtsid kasutusele diffusion transformer arhitektuurid, jõudes järele suletud innovatsioonidele.
Treeningu tõhusus
Uued tehnikad nagu MoE ja sparse attention vähendasid dramaatiliselt arvutusnõudeid.
Kogukonna hoog
ComfyUI töövood, peenhäälestamise juhendid ja optimeerimistööriistad küpsesid kiiresti.
Muster peegeldab seda, mis juhtus LTX-2 4K toomisega tarbija GPU-dele, kuid suuremas mahus.
Praktiline reaalsus
Ütlen ausalt, mida "järelejõudmine" tegelikult tähendab:
| Aspekt | Avatud lähtekood | Suletud |
|---|---|---|
| Tippkvaliteet | 85-90% | 100% |
| Genereerimiskiirus | 2-5 minutit | 10-30 sekundit |
| Kasutusmugavus | Tehniline seadistus | Ühe klõpsuga veeb |
| Hind video kohta | Tasuta (pärast riistvara) | $0,10-$2,00 |
| Kohandatavus | Piiramatu | Piiratud |
Avatud lähtekood jääb endiselt toorest kvaliteedist ja kiirusest maha. Kuid paljude kasutusjuhtumite puhul pole see vahe enam oluline.
Lisateabe saamiseks nende mudelite võrdlemise kohta kaubanduslike valikutega vaadake meie üksikasjalikku Sora 2, Runway ja Veo 3 võrdlust.
Keda see peaks huvitama?
Sõltumatud loojad
Genereerige piiramatult videoid ilma tellimiskuludeta. Treenige oma stiilis.
Ettevõtte meeskonnad
Paigaldage kohapeale tundliku sisu jaoks. Andmed ei lahku teie serveritest.
Teadlased
Täielik juurdepääs kaaludele ja arhitektuurile. Modifitseerige, eksperimenteerige, avaldage.
Mängude arendajad
Genereerige vahestseene ja varasid kohapeal. Integreerige torustikesse.
Kuue kuu prognoos
Praeguste trajektooride põhjal ootan:
- ✓Alla 10-sekundiline genereerimine muutub standardiks 2026. aasta II kvartaliks
- ✓Reaalajas genereerimise prototüübid ilmuvad aasta keskpaigas
- ○Kvaliteedi võrdsus suletud mudelitega (endiselt 12-18 kuud eemal)
- ✓ComfyUI massiline kasutuselevõtt kiireneb
Diffusion transformer arhitektuur, mis neid mudeleid toidab, paraneb jätkuvalt. Iga kuu toob uusi optimeerimisi, uusi treenimistehnikaid, uusi tõhususe kasusid.
Alustamine
Kui soovite neid mudeleid ise proovida:
- Wan 2.2: Vajab RTX 4090 või samaväärset. Saadaval GitHubis ComfyUI sõlmedega.
- HunyuanVideo 1.5: Töötab 14GB+ VRAM-iga. Saadaval Hugging Face integratsioon.
- Open-Sora 2.0: Täielik treeningu ja järeldamise kood GitHubis.
Need mudelid nõuavad tehnilist mugavust Pythoni, CUDA ja mudeli laadimisega. Need pole veel ühe klõpsuga lahendused.
Suurem pilt
Mis mind kõige rohkem põnevil hoiab, pole see, kus avatud lähtekoodiga video täna on, vaid kuhu see suundub. Iga läbimurre füüsika simulatsioonis ja natiivses heli genereerimises voolab lõpuks avatud mudelitesse.
Demokratiseerimine on reaalne. Tööriistad on kättesaadavad. Vahe väheneb.
Loojatele, kes on premium AI video tellimuste hindade tõttu kõrvale jäetud, ettevõtetele, kes vajavad kohapealseid lahendusi, teadlastele, kes nihutavad võimaliku piire, on see hetk tähelepanu pööramiseks.
Jalgratas muutub mootorrattaks. Ja superautode võidusõit muutus just palju huvitavamaks.
Kas see artikkel oli kasulik?
Henry
Loov tehnoloogLoov tehnoloog Lausanne'ist, kes uurib tehisintellekti ja kunsti kohtumispunkti. Eksperimenteerib generatiivsete mudelitega elektroonilise muusika seansside vahel.
Seotud artiklid
Jätkake uurimist nende seotud postitustega
ByteDance Vidi2: AI, mis mõistab videot nagu toimetaja
ByteDance avalikustas just Vidi2, 12 miljardi parameetriga mudeli, mis mõistab video sisu piisavalt hästi, et automaatselt monteerida tundide kaupa materjalist viimistletud klipid. See juba töötab TikToki Smart Split funktsioonis.
Veo 3.1 Ingredients to Video: Täielik juhend piltide teisendamisest videoks
Google toob Ingredients to Video otse YouTube Shortsisse ja YouTube Create rakendusesse, võimaldades loojatel muuta kuni kolme pilti sidusateks vertikaalseks videoks omapärase 4K skaleerimisega.
Tehisintellekti videote jälle väga intensiivselt: OpenAI, Google ja Kuaishou võitlevad 2026. aasta valitsemise pärast
Kolm tehisintellekti jätti kujundavad videote loomist miljardite dollaritest kokkuleppete, uuenduslike omaduste ja 60 miljoni kasutajaga. Nii kiireneb konkurentsi.