WAN 2.1 被改造成多任务视觉模型
cloneofsimo · x · 2026-07-15
这条引用围绕一个被戏称为“**Abadon generative models**”的开源模型工作展开，主要是在夸赞一个多模态/生成方向的技术改造。 要点包括： - 以 Alibaba 的 **WAN 2.1** 开源开权重视频生成模型为基础 - 把 **DiT** 改造成可做多种视觉任务的特征提取器 - 通过微调让模型在**图像到图像**等任务上表现很强，甚至覆盖多个视觉任务 - 对于像**Camera Pose Estimation** 这类高维任务，也用了类似 **Rothko Raymap** 的技巧做表示 整体是在说：一个生成式基础模型被重新利用后，可以在多个视觉任务上取得很强表现。