यू-नेट के बजाय DiT क्यों
क्लासिक छवि विसारण में घुमावदार यू-नेट्स का उपयोग किया गया था। DiT (पीबल्स एंड एक्सी) पैच किए गए लटेंट पर ट्रांसफार्मर ब्लॉकों के साथ रीढ़ की हड्डी को बदल देता है। वीडियो समय में पैच ग्रिड का विस्तार करता है। Wan उस रेखा का अनुसरण करता है (कई 20242025 वीडियो मॉडल के साथ साझा) ताकि ध्यान लंबी दूरी की गति और कैमरा आंदोलनों का मॉडल बना सके।
केवल ईप्सिलन-प्रकटीकरण नहीं, प्रवाह मिलान
आधिकारिक कोड में प्रवाह-मिलान / सुधारित-प्रवाह शैली हलकों (यूएनपीसी, प्रवाह डीपीएम) का उपयोग किया जाता है। नेटवर्क केवल ε के बजाय शोर से डेटा तक एक गति क्षेत्र की भविष्यवाणी करता है। README (और ComfyUI टेम्पलेट्स) में नमूना चरण गिनती का अनुमान है कि अनुसूचक परिवार।
कंडीशनिंग
- पाठः UMT5-XXL एम्बेड, प्रत्येक ब्लॉक में क्रॉस-अटेंशन।
- छवि (I2V/FLF2V): CLIP-vision + VAE टोकन, अतिरिक्त MLP परियोजना (FLF2V Wan2.1 में 257×2 टोकन का पहला/अंतिम स्थितिगत एम्बेडिंग जोड़ता है) ।
- ऑडियो (S2V): एक समर्पित इंजेक्शन पथ (आधिकारिक S2V ऑडियो आकृति) ।
- समय चरण / SNR: AdaLN; A14B पर यह भी चुनता है कि कौन सा विशेषज्ञ लाइव है।
अक्सर पूछे जाने वाले प्रश्न
- क्या Wan एक autoregressive वीडियो LLM है?
- नहीं, यह एक लटेंट ग्रिड पर एक पुनरावर्ती डेनोइज़र है। टोकन समय प्रसार समय है, बाएं से दाएं शब्दों नहीं।
- यू-नेट कहाँ है?
- Wan2.2 में कोई नहीं है. यदि ComfyUI ग्राफ में UNetLoader दिखाया गया है, तो यह लोडर नाम है वजन अभी भी DiT ब्लॉक हैं।
प्राथमिक स्रोत
Wan-Video/Wan2.2 README से सत्यापित · 28 अगस्त 2026
