Stable Video Diffusion
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Stability AI
- Tipo de Organización
- Industry
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 25 November 2023
- Autores
- Andreas Blattmann, Tim Dockhorn, Sumith Kulal, Daniel Mendelevitch, Maciej Kilian, Dominik Lorenz, Yam Levi, Zion English, Vikram Voleti, Adam Letts, Varun Jampani, Robin Rombach
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation, Video
- Tarea
- Image generation, Video generation, Text-to-video, Image-to-video
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 6.7 × 10²² FLOP
- Cómo se estableció
- Hardware
312000000000000 FLOP / GPU / sec [bf16 assumed] * 200000 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 6.7392e+22 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100 SXM4 80 GB
- Chips utilizados
- 384
- Horas de chip
- 200,000
- Consumo de energía
- 304.6 kW
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (restricted use)
- Código de entrenamiento
- Open (non-commercial)
- Hugging Face
- stabilityai
https://huggingface.co/stabilityai/stable-video-diffusion-img2vid-xt Community License: Free for research, non-commercial, and commercial use by organizations and individuals generating annual revenue of US $1,000,000 (or local currency equivalent) or less, regardless of the source of that revenue. https://github.com/Stability-AI/generative-models
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Probablemente por encima de 10²³ FLOP
- Yes
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Stable Video Diffusion: Scaling Latent Video Diffusion Models to Large Datasets
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Stable Video Diffusion fue publicado por Stability AI, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante November 2023. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Image generation, Video, y se registra como realizando la tarea de image generation, Video generation, Text-to-video, Image-to-video.
Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible. En Hugging Face está publicado bajo la organización stabilityai.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 6.7 × 10²² FLOP, en hardware registrado como NVIDIA A100 SXM4 80 GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Stable Video Diffusion — preguntas comunes
Stable Video Diffusion— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, Video, y se registra como manejando la tarea de image generation, Video generation, Text-to-video, Image-to-video. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Stable Video Diffusion— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización stabilityai. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
Stable Video Diffusion— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.7 × 10²² FLOP, en hardware registrado como NVIDIA A100 SXM4 80 GB. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Stable Video Diffusion— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
Stable Video Diffusion— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
Stable Video Diffusion— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Stable Video Diffusion— ¿Quién lo creó?
Fue publicado por Stability AI, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como industry.
Stable Video Diffusion— ¿cuándo fue lanzado?
Se publicó en November 2023. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.