Qwen-Video-Edit: Edición de Vídeo por Instrucciones en Latentes Wan

Variantes

Selecciona una variante arriba para ver descargas de pesos seleccionadas, tutoriales e información relacionada.

Acerca de Qwen-Video-Edit

Qwen-Video-Edit sigue una ruta distinta a la de los modelos de edición preentrenados con vídeo. En lugar de adaptar un transformer de difusión de vídeo para que siga instrucciones de edición, enseña a un potente editor de imágenes basado en instrucciones a editar latentes de vídeo: el DiT de Qwen-Image-Edit opera directamente sobre los latentes del VAE de vídeo de Wan 2.1, conectados mediante un par de proyecciones ligeras de entrada y salida que se inicializan (warm-start) a partir de las propias capas patchify y unpatchify del editor. En la inicialización, un vídeo estático se incrusta exactamente igual que una imagen que el editor ya comprende, por lo que el ajuste fino solo tiene que aprender el cambio de distribución.

Tres decisiones de diseño sostienen el método. Los fotogramas latentes se organizan como teselas de una única imagen grande virtual, de modo que la codificación posicional de imagen del editor se aplica sin cambios a cada tesela. Una rama Qwen2.5-VL codifica la instrucción junto con una cuadrícula de vista previa de los fotogramas de origen. El VAE congelado de Wan 2.1 se encarga de la codificación y la decodificación en ambos extremos, y una etapa opcional de mejora de eliminación de ruido de Wan 2.2, tomada de Ditto, limpia los latentes editados. El informe es obra de Yunpeng Bai, Yossi Gandelsman, Michaël Gharbi y Qixing Huang, y el código, el artículo y el checkpoint de 360P se publicaron el 2026-08-14, con el soporte de ComfyUI y los checkpoints de 480P y 720P llegando el 2026-08-20.

Checkpoints

Los checkpoints con ajuste fino se publican de 360P a 720P. Los nombres de los directorios codifican el subconjunto de entrenamiento de Ditto-1M (global, local, sim2real) y la longitud de fragmento admitida (45 u 81 fotogramas), y el checkpoint entrenado con los subconjuntos global y local a 360P es el valor predeterminado RECOMENDADO. En la inferencia, el número de fotogramas y el presupuesto máximo de píxeles deben coincidir con el checkpoint, y todos los checkpoints usan latent_mode wan_compressed con pe_mode grid.

ComfyUI

El repositorio funciona además como un paquete de nodos personalizados de ComfyUI con semántica de un solo fragmento: una llamada al muestreador edita una ventana de num_frames, y los vídeos largos se editan fragmento a fragmento. Se registran tres nodos bajo la categoría QwenVideoEdit, y el paquete depende de ComfyUI-VideoHelperSuite para cargar y combinar vídeo. Los pesos base de Qwen-Image-Edit y Wan 2.1 se descargan automáticamente en la primera ejecución, unos 55 GB en total, y la etapa de mejora necesita además Wan 2.2 T2V-A14B. Los checkpoints RECOMENDADOS también están replicados en ModelScope.