Kandinsky 5.0: Rusya'nın Açık Kaynak Yapay Zeka Video Üretim Çözümü

Açık Kaynak Video Manzarası Değişiyor

ByteDance video anlama modelini açık kaynak yaptığında ve Tencent HunyuanVideo'yu yayınladığında, bir değişimin ilk sarsıntılarını gördük. Şimdi Sberbank destekli Kandinsky Lab, herkesin Apache 2.0 lisansı altında çalıştırabileceği, değiştirebileceği ve ticari olarak kullanabileceği eksiksiz bir model ailesi yayınladı.

Bu bir araştırma önizlemesi veya kısıtlı bir API değil. Tam ağırlıklar, eğitim kodu ve çıkarım hattı GitHub ve Hugging Face'te mevcut.

Model Ailesi

Kandinsky 5.0 tek bir model değil, üç modelden oluşan bir aile:

6 milyar parametreli bir Image Lite modeli, 1280×768 veya 1024×1024 çözünürlükte durağan görüntü üretimi için aileyi tamamlıyor.

Teknik Mimari

Kandinsky 5.0'daki mühendislik kararları, kıyaslama peşinde koşmaktan ziyade pratik dağıtıma odaklanan bir ekibi ortaya koyuyor.

Temel: Difüzyondan Ziyade Flow Matching

Geleneksel difüzyon modelleri, adım adım gürültü ekleme sürecini tersine çevirmeyi öğrenir. Flow matching farklı bir yaklaşım benimser: sürekli bir akış alanı aracılığıyla gürültüden görüntüye doğrudan bir yol öğrenir. Avantajları önemlidir:

NABLA: Uzun Videoları Mümkün Kılmak

Gerçek yenilik, Neighborhood Adaptive Block-Level Attention'ın kısaltması olan NABLA'dır. Standart transformatör dikkat mekanizması, dizi uzunluğuyla karesel olarak ölçeklenir. Video için bu felaket olur. 24 fps'de 10 saniyelik bir klip, her biri binlerce uzamsal yamaya sahip 240 kare içerir. Hepsinde tam dikkat, hesaplama açısından uygulanamaz.

NABLA bunu seyrek dikkat desenleri aracılığıyla ele alır. Her karedeki her yamaya dikkat etmek yerine, hesaplamayı şunlara odaklar:

1. Her kare içindeki yerel uzamsal komşuluklar
2. Bitişik kareler arasındaki zamansal komşular
3. Uzun menzilli tutarlılık için öğrenilmiş küresel çıpalar

Sonuç, karesel yerine video uzunluğuyla neredeyse doğrusal ölçeklenmedir. Tüketici donanımında 10 saniyelik üretimi mümkün kılan budur.

HunyuanVideo Üzerine Kurulu

Her şeyi sıfırdan eğitmek yerine, Kandinsky 5.0 Tencent'in HunyuanVideo projesinden 3D VAE'yi benimser. Bu kodlayıcı-kod çözücü, piksel alanı ile difüzyon sürecinin çalıştığı kompakt gizli alan arasındaki çeviriyi yönetir.

Metin anlayışı, semantik temelllendirme için CLIP gömmeleriyle birleştirilmiş bir görme-dil modeli olan Qwen2.5-VL'den gelir. Bu çift kodlayıcı yaklaşımı, modelin hem değişmez anlamı hem de ipuçlarının ima ettiği görsel tarzı anlamasına olanak tanır.

Performans: Nerede Duruyor

Ekip, Video Lite'ı parametre sınıfında açık kaynak modeller arasında en iyi performans gösteren olarak konumlandırıyor. Kıyaslamalar şunu gösteriyor:

12GB VRAM gereksinimi, tüketici RTX 3090 ve 4090 kartlarında dağıtıma kapı açıyor, bu önemli bir erişilebilirlik kilometre taşı.

Kalite karşılaştırmaları ölçümlemek daha zor. Kullanıcı raporları, Kandinsky'nin CogVideoX'ten daha tutarlı hareket ürettiğini ancak foto gerçekçilikte HunyuanVideo'nun gerisinde kaldığını öne sürüyor. 16 adımlı damıtılmış model, hız için bazı ince detayları feda eder, bu prototipleme için iyi çalışan ancak nihai üretim ihtiyaçlarını karşılamayabilecek bir ödünleşim.

Kandinsky'yi Yerel Olarak Çalıştırma

Proje, ComfyUI düğümleri ve bağımsız betikler sağlar. Temel bir metinden videoya iş akışı:

from kandinsky5 import Kandinsky5VideoLite
 
model = Kandinsky5VideoLite.from_pretrained("kandinskylab/Kandinsky-5.0-T2V-Lite")
model.enable_model_cpu_offload()  # For 12GB cards
 
video = model.generate(
    prompt="A mountain lake at dawn, mist rising from still water",
    num_frames=120,  # 5 seconds at 24fps
    guidance_scale=7.0,
    num_inference_steps=16
)
video.save("output.mp4")

Bellek boşaltma, çıkarım sırasında model ağırlıklarını CPU ve GPU arasında taşır. Bu, erişilebilirlik için hızı takas eder, daha büyük modellerin daha küçük kartlarda çalışmasına olanak tanır.

Sberbank Bağlantısı

Kandinsky Lab, Rusya'nın en büyük bankası Sberbank'ın yapay zeka bölümü olan Sber AI altında faaliyet göstermektedir. Bu destek, projenin arkasındaki önemli kaynakları açıklıyor: tescilli veriler üzerinde çok aşamalı eğitim, pekiştirmeli öğrenme sonrası eğitim ve eksiksiz bir üretim hattını açık kaynak yapmak için gösterilen mühendislik çabası.

Jeopolitik bağlam karmaşıklık katıyor. Batılı geliştiriciler, Rus kökenli modellerden kaçınmak için kurumsal baskıyla karşılaşabilir. Apache 2.0 lisansı yasal olarak açıktır, ancak kurumsal politikalar değişir. Bireysel geliştiriciler ve daha küçük stüdyolar için hesaplama daha basittir: iyi teknoloji iyi teknolojidir.

Pratik Uygulamalar

10 saniyelik süre ve tüketici donanımı gereksinimleri, belirli kullanım durumlarını açar:

İleriye Bakış

Kandinsky 5.0 daha geniş bir eğilimi temsil ediyor: açık ve kapalı kaynak video üretimi arasındaki fark daralıyor. Bir yıl önce, açık modeller belirgin yapay hatalarla kısa, düşük çözünürlüklü klipler üretiyordu. Bugün, tüketici donanımında 2 milyar parametreli bir model, 2023'te imkansız görünecek 10 saniyelik HD video üretiyor.

Yarış bitmedi. Sora 2 ve Runway Gen-4.5 gibi kapalı kaynak liderleri hala kalite, süre ve kontrol edilebilirlik açısından öncü. Ancak taban yükseliyor. Birçok uygulama için açık kaynak artık yeterince iyi.

Sonuç

Kandinsky 5.0 her kıyaslamada zirvede olmayabilir, ancak en önemli yerde başarılı oluyor: gerçek insanların sahip olduğu donanımda gerçek video üretimi çalıştırma, gerçek ticari kullanıma izin veren bir lisans altında. Yapay zeka videoyu demokratikleştirme yarışında, Rus ekibi bitiş çizgisini daha yakına taşıdı.

Açık kaynak video üretimini keşfeden geliştiriciler için, Kandinsky 5.0 kısa listenizde bir yer hak ediyor.