Lea la fila oficial
| VAE | ¿Qué es eso? | Disminución de la característica | Tarifa de información | PSNR↑ | SSIM↑ | LPIPS↓ |
|---|---|---|---|---|---|---|
| VVD | 1×8×8 | 4 El | 48 | 28.307 | 0,816 | 0,067 |
| Cosmos | 4×8×8 | 16 | 48 | 29.632 | 0,863 | 0,132 |
| El Húnyuan | 4×8×8 | 16 | 48 | El número de personas | 0,922 | 0,023 |
| CogVideoX1.5 | 4×8×8 | 16 | 48 | Las medidas de ayuda | 0,922 | 040 |
| Wan2.1-VAE | 4×8×8 | 16 | 48 | Los Estados miembros | 0,911 | 026 |
| Wan2.2-VAE | 4×16×16 | 48 | El número de personas | Los Estados miembros | 0,922 | 022 |
La 2.2 VAE es más comprimida espacialmente (16 vs 8) con un canal latente más amplio (48 vs 16). La reconstrucción todavía coincide o supera el paquete 4×8×8 en SSIM y LPIPS en esta tabla.
Aplique el TI2V-5B
README: con una capa de parcheado adicional, la compresión total de TI2V-5Bs alcanza 4×32×32. Combinada con una 5B densa DiT, un 720P clip de 5 segundos se cita como menos de 9 minutos en un solo consumidor GPU sin trucos de compilador adicionales.
A14B todavía utiliza la familia anterior VAE
El VAE de alta compresión se llama para el 5B híbrido. Los modelos 27B MoE T2V/I2V mantienen un latente compatible con la pila de escala 14B (Wan2.1-style 4×8×8). La mezcla de pesos VAE en esas familias descifrará la basura.
Preguntas frecuentes
- ¿Por qué cuatro a tiempo?
- Causal 3D VAE: cuatro cuadros (más un límite) colapsan a un latente temporal. Es por eso que las longitudes de vídeo son cuadros 4n + 1.
- ¿Puedo decodificar 2.2 latente con un 2.1 VAE?
- No. El número de canales y el paso espacial difieren (48 vs 16, 16 vs 8).
Fuentes primarias
Verificado con el README de Wan-Video/Wan2.2 · 28 de agosto de 2026
