Atvērtā koda AI video modeļi beidzot panāk konkurentus

Gadiem ilgi atvērtā koda AI video bija kā ierasties superauto sacīkstēs ar velosipēdu. OpenAI, Google un Runway slēgtie modeļi dominēja katrā etalonā, kamēr atvērtās alternatīvas cīnījās ar pamata saskaņotību. Bet 2025. gada beigās kaut kas mainījās, un plaisa beidzot, patiesi samazinās.

Jaunie atvērtā koda pretendenti

Būšu tiešs: ja pirms gada izmēģinājāt atvērtā koda video ģenerēšanu un padevāties no vilšanās, ir laiks mēģināt vēlreiz. Ainava ir pārveidojusies.

720p

Dabīgā izšķirtspēja

24fps

Kadru ātrums

14GB

Min VRAM

Wan 2.2: MoE izrāviens

Alibaba Wan 2.2 ir pelnījis īpašu uzmanību. Tas ir pirmais atvērtā koda video modelis, kas izmanto Mixture-of-Experts arhitektūru, to pašu pieeju, kas padarīja GPT-4 tik jaudīgu. Rezultāts? Dabīga 720p ar 24fps uz patērētāju RTX 4090 kartēm, ar 1080p sasniedzamu caur AI upscaling.

💡

Wan 2.2 tika apmācīts ar 65% vairāk attēlu un 83% vairāk video nekā tā priekštecis. Kvalitātes lēciens ir redzams.

Modelis pārsteidzoši labi tiek galā ar fiziku, saglabājot objektu pastāvību un gravitācijas konsekvenci tur, kur iepriekšējie atvērtie modeļi cieta neveiksmi. Tas nav ideāls, bet ir pietiekami tuvu, lai tam būtu nozīme.

HunyuanVideo 1.5: Vairāk ar mazāk

Tencent izvēlējās citu pieeju ar HunyuanVideo 1.5. Tā vietā, lai palielinātu, viņi samazināja, no 13 miljardiem uz 8,3 miljardiem parametru, vienlaikus kaut kā palielinot gan ātrumu, gan kvalitāti.

✓Stiprās puses

Darbojas ar 14GB VRAM ar offloading. Dabīga audio integrācija. Iebūvēta fizikas simulācija. Efektīva arhitektūra.

✗Ierobežojumi

Lēnāks nekā mākoņa alternatīvas. Nepieciešama tehniska iestatīšana. Mazāk noslīpēts nekā komerciālie rīki.

Efektivitātes ieguvumi ir svarīgi, jo tie nodrošina nopietnu video ģenerēšanu klēpjdatoros un darbstacijās, ne tikai datu centros.

Open-Sora 2.0: $200K eksperiments

Lūk provokatīvs skaitlis: Open-Sora 2.0 tika apmācīts par aptuveni $200 000. Salīdziniet to ar simtiem miljonu, kas tērēti slēgtajiem modeļiem. Tomēr tas atbilst 11 miljardu parametru HunyuanVideo kvalitātei un pat izaicina Step-Video 30 miljardu parametru gigantu.

Apmācības kods ir pilnībā atvērts. Svari ir lejupielādējami. Arhitektūra ir dokumentēta. Šī nav pētniecības priekšskatīšana, tas ir ražošanai gatavs modelis, ko varat palaist jau šodien.

Kāpēc plaisa samazinās

Trīs spēki saplūst:

2025 vidus

Arhitektūras konverģence

Atvērtie modeļi pieņēma diffusion transformer arhitektūras, panākot slēgtos jauninājumus.

2025 beigas

Apmācības efektivitāte

Jaunas tehnikas kā MoE un sparse attention dramatiski samazināja skaitļošanas prasības.

2026 sākums

Kopienas impulss

ComfyUI darbplūsmas, precīzās pielāgošanas rokasgrāmatas un optimizācijas rīki ātri nobriedās.

Modelis atspoguļo to, kas notika ar LTX-2 4K nodrošināšanu patērētāju GPU, bet lielākā mērogā.

Praktiskā realitāte

Būšu godīgs par to, ko "panākšana" patiesībā nozīmē:

Aspekts	Atvērtais kods	Slēgtais kods
Augstākā kvalitāte	85-90%	100%
Ģenerēšanas ātrums	2-5 minūtes	10-30 sekundes
Lietošanas ērtums	Tehniska iestatīšana	Viena klikšķa tīmeklis
Izmaksas par video	Bezmaksas (pēc aparatūras)	$0,10-$2,00
Pielāgošana	Neierobežota	Ierobežota

Atvērtais kods joprojām atpaliek neapstrādātā kvalitātē un ātrumā. Bet daudziem lietošanas gadījumiem šī plaisa vairs nav svarīga.

💡

Lai iegūtu vairāk konteksta par to, kā šie modeļi salīdzinās ar komerciālajām opcijām, skatiet mūsu detalizēto Sora 2, Runway un Veo 3 salīdzinājumu.

Kam vajadzētu interesēties?

🎨

Neatkarīgie radītāji

Ģenerējiet neierobežotus video bez abonēšanas izmaksām. Apmāciet savā stilā.

🏢

Uzņēmumu komandas

Izvietojiet uz vietas jutīgam saturam. Dati nepamet jūsu serverus.

🔬

Pētnieki

Pilna piekļuve svariem un arhitektūrai. Modificējiet, eksperimentējiet, publicējiet.

🎮

Spēļu izstrādātāji

Ģenerējiet starpskatus un aktīvus lokāli. Integrējiet cauruļvados.

Sešu mēnešu prognoze

Balstoties uz pašreizējām trajektorijām, es sagaidu:

✓Ģenerēšana zem 10 sekundēm kļūst par standartu līdz 2026. gada 2. ceturksnim
✓Reāllaika ģenerēšanas prototipi parādās gada vidū
✓Kvalitātes paritāte ar slēgtajiem modeļiem (joprojām 12-18 mēnešu attālumā)
✓Masveida ComfyUI pieņemšana paātrinās

Diffusion transformer arhitektūra, kas darbina šos modeļus, turpina uzlaboties. Katrs mēnesis nes jaunas optimizācijas, jaunas apmācības tehnikas, jaunus efektivitātes ieguvumus.

Sākšana

Ja vēlaties paši izmēģināt šos modeļus:

Wan 2.2: Nepieciešams RTX 4090 vai ekvivalents. Pieejams GitHub ar ComfyUI mezgliem.
HunyuanVideo 1.5: Darbojas ar 14GB+ VRAM. Pieejama Hugging Face integrācija.
Open-Sora 2.0: Pilns apmācības un secinājumu kods GitHub.

⚠️

Šie modeļi prasa tehnisku komfortu ar Python, CUDA un modeļu ielādi. Tie vēl nav viena klikšķa risinājumi.

Lielākā aina

Kas mani visvairāk satrauc, nav tas, kur atvērtā koda video ir šodien, bet kurp tas virzās. Katrs izrāviens fizikas simulācijā un dabīgā audio ģenerēšanā galu galā ieplūst atvērtajos modeļos.

Demokratizācija ir īsta. Rīki ir pieejami. Plaisa samazinās.

Radītājiem, kas ir izslēgti no premium AI video abonementiem cenu dēļ, uzņēmumiem, kam nepieciešami uz vietas risinājumi, pētniekiem, kas paplašina iespējamā robežas, šis ir brīdis pievērst uzmanību.

Velosipēds kļūst par motociklu. Un superauto sacīkstes tikko kļuva daudz interesantākas.