Kandinsky 实验室发布 KVAE：多模态生成模型全系列分词器
kandinskylab · hf · 2026-08-08
Kandinsky 实验室发布了 KVAE 系列分词器，专为后续的文本条件生成设计，涵盖音频、图像和视频模态：
- KVAE-Audio：连续全频段 48kHz 分词器，具备 50Hz 潜在空间和 64 个通道。
- KVAE-3D：两款用于视频的因果分词器，压缩率分别为 4x16x16 和 4x8x8。
- KVAE-2D：图像模型，压缩因子为 8，包含 32 个通道。
团队表示，在主客观各项重建与生成指标上，KVAE 匹配或超越了现有的前沿开源分词器（如 Wan-2.2, FLUX.2, StableAudio 等）。此外，他们还公开了训练细节、模型选择方法及设计消融实验，代码已完全开源。
「多模态」频道最新
- Grok 图像生成能力实测：相同提示词输出差异大，整体效果显著提升 — VoidStateKate · 2026-08-08
- 用 Seedance 与 Leonardo 制作 3D 动画广告 — aziz4ai · 2026-08-08
- HeyGen 发起挑战：你能分清数字人与真人吗？ — HeyGen · 2026-08-08
- 本地运行 MiniMax H3 模型：单提示词生成《蝙蝠侠大战超人》片段 — takayatodoroki · 2026-08-08
- WebAR联动AI模型：让静态老漫画动起来 — OdinLovis · 2026-08-08
- 用 MiniMax H3 复刻《老友记》：图生视频提示词实践 — leftatgreenland · 2026-08-08