आधिकारिक पंक्ति पढ़ें
| VAE | T×H×W | विशेषता मंद | सूचना दर | PSNR↑ | SSIM↑ | LPIPS↓ |
|---|---|---|---|---|---|---|
| एसवीडी | 1×8×8 | 4 | 48 | 28.307 | 0.816 | 0.067 |
| कॉस्मोस | 4×8×8 | 16 | 48 | 29.632 | 0.863 | 0.132 |
| हनुआन | 4×8×8 | 16 | 48 | 33.298 | 0.922 | 0.023 |
| CogVideoX1.5 | 4×8×8 | 16 | 48 | 32.955 | 0.922 | 0.040 |
| Wan2.1-VAE | 4×8×8 | 16 | 48 | 32.222 | 0.911 | 0.026 |
| Wan2.2-VAE | 4×16×16 | 48 | 64 | 33.223 | 0.922 | 0.022 |
2.2 VAE को एक व्यापक लटेंट चैनल (48 vs 16) के साथ स्थानिक रूप से अधिक संपीड़ित किया गया है। पुनर्निर्माण अभी भी इस तालिका में SSIM और LPIPS पर 4×8×8 पैक से मेल खाता है या हराता है। यह घर के बना 64× बेहतर नारा नहीं दोहराता है।
पेच लगाएँ TI2V-5B
README: अतिरिक्त पैचिंग परत के साथ, TI2V-5Bs कुल संपीड़न 4×32×32 तक पहुंचता है। 5B घने DiT के साथ संयुक्त रूप से, एक 5-सेकंड 720P clip को अतिरिक्त संकलक चाल के बिना एकल उपभोक्ता GPU पर 9 मिनट से कम के रूप में उद्धृत किया जाता है।
A14B अभी भी पुराने VAE परिवार का उपयोग करता है
5B हाइब्रिड के लिए उच्च-संपीड़न VAE को बुलाया जाता है। 27B MoE T2V/I2V मॉडल 14B-पैमाना स्टैक (Wan2.1-style 4×8×8) के साथ एक संगत लटेंट रखते हैं। VAE वजन को मिश्रित करने से उन परिवारों में कचरा डिकोड होगा।
अक्सर पूछे जाने वाले प्रश्न
- समय पर 4 क्यों?
- कारण 3D VAE: चार फ्रेम (और एक सीमा) एक समय लटेंट में गिर जाते हैं। यही कारण है कि वीडियो लंबाई 4n + 1 फ्रेम है।
- मैं एक 2.1 VAE के साथ 2.2 लटेंट को डिकोड कर सकते हैं?
- न. चैनल की संख्या और स्थानिक गति भिन्न होती है (48 बनाम 16, 16 बनाम 8) ।
प्राथमिक स्रोत
Wan-Video/Wan2.2 README से सत्यापित · 28 अगस्त 2026
