Lesen Sie die offizielle Zeile
| VAE | Ich bin nicht ein Schwein. | Feature dim | Informationsrate | PSNR↑ | SSIM↑ | LPIPS↓ |
|---|---|---|---|---|---|---|
| SVD | 1×8×8 | 4 | 48 | 28.307 | 0,816 | 0,067 |
| Kosmos | 4×8×8 | 16 | 48 | 29.632 | 0,863 | 0,132 |
| Hunyuan | 4×8×8 | 16 | 48 | 33.298 | 0,922 | 023 |
| CogVideoX1.5 | 4×8×8 | 16 | 48 | - die Zahl der | 0,922 | 040 |
| Wan2.1-VAE | 4×8×8 | 16 | 48 | 32.222 | 0,911 | 0 026 |
| Wan2.2-VAE | 4×16×16 | 48 | 64 | - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - | 0,922 | 022 |
Die 2.2 VAE ist räumlich komprimierter (16 vs 8) mit einem breiteren latenten Kanal (48 vs 16). Die Rekonstruktion entspricht noch immer oder schlägt die 4×8×8 Packung auf SSIM und LPIPS in dieser Tabelle. Das ist der Anspruch, nicht ein hausgemachtes 64× besser-Slogan zu wiederholen.
Schaltet auf TI2V-5B
README: bei einer zusätzlichen Patch-Schicht erreicht die Gesamtkompression TI2V-5Bs 4×32×32. In Kombination mit einer 5B dichten DiT wird eine 5-Sekunden- 720P clip auf einem einzelnen Verbraucher GPU ohne zusätzliche Kompilatör-Trick als weniger als 9 Minuten angegeben.
A14B verwendet immer noch die frühere VAE Familie
Die hohe Kompression VAE Die Kommission ist für die 5B Die Hybrid- 27B MoE T2V/I2V Die Modelle halten eine mit der 14B-Skala-Stack (Wan2.1-style 4×8×8) Mischen VAE Gewichte in diesen Familien werden Müll entschlüsseln.
Häufige Fragen
- Warum vier in der Zeit?
- Causal 3D VAE: vier Bilder (plus eine Grenze) zusammenbrechen zu einem temporären Latent. Deshalb sind die Videolängen 4n+1 Bilder.
- Kann ich 2,2 Latente mit einem 2,1 VAE dekodieren?
- Die Anzahl der Kanäle und die räumliche Schrittzahl unterscheiden sich (48 vs 16, 16 vs 8).
Primärquellen
Mit dem Wan-Video/Wan2.2 README abgeglichen · 28. August 2026
