Qwen-Video-Edit：复用图像模型实现指令视频编辑
AgeNo5351 · reddit · 2026-08-24
核心机制
Qwen-Video-Edit 通过将 Qwen-Image-Edit 的 Transformer 适配到视频 VAE 潜空间，实现了指令式视频编辑。
技术细节
- 跨空间映射：使用两个微小的投影层将 Wan 2.1 的视频潜空间映射到 DiT 的 Token 空间，使静态视频帧像图像一样被模型理解。
- 排列处理：将视频潜空间帧排列为一张大虚拟图像的 Tile，沿用图像模型的预训练位置编码。
- 训练流程：先在 Ditto-1M 数据集（源视频、编辑后视频、指令三元组）上用 LoRA 或全参数微调，最后通过少量 Wan 2.2 去噪增强步骤精修。
可用性
项目已提供模型权重、代码和演示页面。
「多模态」频道最新
- Halcyon 早期融合图像模型省 275 倍预训练算力并开源 — davidwromero · 2026-10-16
- 12GB 笔记本显卡硬跑 Wan2.1 14B FP16:内存交换压测 4 分 11 秒出片 — RYuu-1120 · 2026-10-16
- Midjourney 出图:黑洞吸积盘与行星系美学新作 — ciguleva · 2026-10-16
- Andrew 暗示 Fable 5.5 或于今日发布，最早下周 — kimmonismus · 2026-10-16
- 可灵 4.0 升级支持时间线内边看边改,获《首尔之春》导演背书 — xiaohu · 2026-10-16
- 一句 Prompt 让模型用 NumPy 手推公式生成 3D 高斯泼溅 — fofrAI · 2026-10-16