Le soir du 25 février, Alibaba Group Holding Limited a annoncé l’ouverture complète de son modèle de génération vidéo, Wanxiang 2.1. Ce modèle constitue un élément crucial des modèles d'IA de la série Tongyi d'Alibaba Cloud, lancés en janvier 2025. Dans le cadre de l'évaluation reconnue VBench, Wanxiang 2.1 a surpassé des modèles tant nationaux qu'internationaux tels que Sora, Luma et Pika, en enregistrant un score total de 86,22 %, solide position qui le place au sommet du classement.
Wanxiang 2.1 repose sur une architecture innovante intégrant un autoencodeur variationnel (VAE) développé en interne et un transformateur d'image dynamique (DiT). Cette conception vecteur a pour but d’optimiser la modélisation du contexte spatiotemporel, rendant le modèle plus apte à saisir et à simuler les changements dynamiques du monde réel. Une autre caractéristique importante de ce modèle est sa capacité à réduire les coûts d'entraînement grâce à des mécanismes de partage de paramètres.
Cette avancée technologique s'inscrit dans une volonté d'Alibaba de rester à la pointe de l'innovation dans le domaine de l'intelligence artificielle, en améliorant à la fois l'efficacité et la précision des modèles de génération vidéo. La performance exceptionnelle de Wanxiang 2.1 dans les évaluations démontre non seulement l’expertise d’Alibaba en matière de développement d'IA, mais aussi son engagement à fournir des outils performants et accessibles aux créateurs de contenu et aux entreprises.
En open-sourçant Wanxiang 2.1, Alibaba met à la disposition de la communauté technologique un outil puissant qui pourrait transformer la façon dont le contenu vidéo est produit. Cela pourrait également encourager d'autres chercheurs et développeurs à contribuer à l'amélioration et à l'innovation dans le secteur, en permettant une utilisation collaborative des ressources et en dynamisant le développement de nouvelles applications basées sur les capacités de ce modèle.
Le choix de l’architecture VAE et DiT n'est pas anodin ; ces technologies sont conçues pour tirer profit des données et des capacités de calcul modernes. L’autoencodeur variationnel permet d’apprendre des représentations plus compactes, facilitant ainsi la reconstruction de données complexes, tandis que le transformateur d'image dynamique assure une meilleure compréhension des relations dans les vidéos, notamment en ce qui concerne le mouvement et le changement d’éléments au sein d’une séquence.
Avec l'amélioration continue des modèles d'IA comme Wanxiang 2.1, il devient de plus en plus envisageable de générer des vidéos qui non seulement ressemblent à des créations humaines, mais qui peuvent également s'adapter à divers styles et besoins selon les préférences des utilisateurs. Les applications potentielles sont vastes, allant de la production cinématographique à la publicité, en passant par l'éducation et les jeux vidéo, ouvrant ainsi de nouvelles perspectives pour la création de contenu numérique.
En conclusion, l'initiative d'Alibaba de rendre Wanxiang 2.1 disponible en open source représente un tournant significatif dans le domaine de la génération vidéo. En mettant à profit ses recherches avancées et ses développements technologiques, l'entreprise démontre son ambition d'innover et de, par la même occasion, de faire progresser l'ensemble de l'écosystème de l'intelligence artificielle. Le modèle Wanxiang 2.1, par ses performances et son architecture, pourrait bien redéfinir les standards de la génération de contenu vidéo à l'heure actuelle.
