BindWeave: 被写体一貫性ビデオ生成
BindWeaveは、ByteDance Researchによる統一的な被写体一貫性ビデオ生成フレームワークです。MLLM-DiTアーキテクチャに基づき、単一および複数被写体のプロンプトに対応します（ICLR 2026）。
BindWeave
Wan2.1Subject-ConsistentMLLM-DiTICLR 2026ByteDance Researchによる統一的な被写体一貫性ビデオ生成フレームワーク。MLLM-DiTアーキテクチャが、正確なエンティティグラウンディングとクロスモーダル統合により、単一および複数被写体のプロンプトを処理します。ICLR 2026に採択。
| 開発元 | ByteDance Research |
| リリース日 | 2025-10 |
| アーキテクチャ | MLLM-DiT (マルチモーダルLLM + 拡散トランスフォーマー) |
| パラメータ | 14B fp16 |
| 機能 | 単一および複数被写体の一貫性ビデオ生成 |
| 発表会 | ICLR 2026 |
概要
BindWeaveは、ByteDance Researchによって開発された統一的な被写体一貫性ビデオ生成フレームワークです。フレーム間で被写体の一貫性を維持するビデオを生成する課題、特に単一シーン内で複数の異なる被写体を扱う場合に対処します。
このフレームワークは、事前学習されたマルチモーダル大規模言語モデル（MLLM）と拡散トランスフォーマー（DiT）アーキテクチャを結合します。MLLMは正確なエンティティグラウンディングとクロスモーダル理解を提供し、DiTは高品質なビデオ生成を担当します。これによりBindWeaveは、複雑なプロンプトで記述された被写体を、指定された視覚的属性とともに正確にレンダリングできます。
ComfyUI統合
BindWeave 14B fp16およびfp8スケールバリアントは、Kijai WanVideoWrapperカスタムノードを介してComfyUIで利用可能です。モデル重みは、公式のByteDance ResearchリポジトリとKijai WanVideo_comfyコレクションの両方でHugging Faceにホストされています。
リソース
| リソース | リンク |
|---|---|
| 論文 | arXiv:2510.00438 |
| GitHub | github.com/bytedance/BindWeave |
| HuggingFace (オリジナル) | BytedanceResearch/BindWeave |
| HuggingFace (Kijai) | Kijai/WanVideo_comfy |
Guides and workflows related to this model series.