用 Qwen3-VL 文本编码器训练 Wan 2.1 视频模型
ostrisai · x · 2026-07-05
开源开发者 ostrisai 进行实验,将视频生成模型 Wan 2.1-1.3B 适配 Qwen3-VL-2B 视觉语言文本编码器,按文本、VL、两者混合各 33% 的比例训练,目前仅预训练两个文本输入线性层。他指出模型适配新文本编码器速度极快,已完成 25750 步(BS=10)训练。
「多模态」频道最新
- 开源 ComfyUI 客户端把非技术用户也纳入图像生成流程 — Specialist_Room1970 · 2026-07-27
- 微调后的 Krea 2 raw 模型做出了一张雨夜驾驶图 — darlens13 · 2026-07-27
- 有人在问 Video2X 能否加载 OpenModelDB 自定义模型 — Used-Profit2355 · 2026-07-27
- 有人想让 AI 逆向拆解爆款视频特效成 ComfyUI 流程 — stale2000 · 2026-07-27
- Midjourney V8.2 加入个性化并展示新图像效果 — Mr_AllenT · 2026-07-27
- Midjourney 图像多样性引发 Krea 2 对比与复现提问 — diffusion_throwaway · 2026-07-27