「WORL-Helios」強化学習済み動画生成LoRAアダプター:配布ファイル一覧

「WORL-Helios」強化学習済み動画生成LoRAアダプター:配布ファイル一覧

作例は配布元のモデルカードで公開されています。

基本情報

項目 内容
リポジトリ Efficient-Large-Model/WORL-Helios
公開元のまとめ Efficient Large Model(NVIDIA・MIT) のモデルとライセンスのまとめ
公開日 2026-10-20
ライセンス apache-2.0
配布形式 safetensors
出典の種類 公開元の一次情報(Hugging Face上の公式モデルリポジトリが一次情報)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

Efficient-Large-Modelより、動画生成モデル「Helios-Distilled」を対象とした強化学習済みLoRAアダプター「WORL-Helios」が公開されました。本モデルは、テキストプロンプトや動画の履歴情報を入力として受け取り、自己回帰的な動画の継続生成(Text-to-Video)を行うアダプターです。

本リポジトリは完全な動画生成パイプラインではなく、PEFT形式のLoRAアダプター単体として提供されています。そのため、実際に動画を生成するにはベースとなるTransformerモデルに加え、テキストエンコーダー、トークナイザー、VAE、スケジューラー、および対応するHeliosの実行環境が別途必要となります。

スペック

公開資料に記載されている仕様は以下の通りです。

  • アダプターパラメータ数: 419,430,400(40個のTransformerブロックにわたる640個のアダプターテンソル)
  • ベースモデル: BestWishYsh/Helios-Distilled(Transformerクラス: HeliosTransformer3DModel、ルートベースモデル: Wan-AI/Wan2.1-T2V-14B-Diffusers)
  • アダプター精度: FP32
  • LoRA設定: rank 128 / alpha 128
  • アテンション適用対象: to_q、to_k、to_v、to_out.0
  • 訓練手法および設定: VideoAlignのVQ(Visual Quality)、MQ(Motion Quality)、TA(Text Alignment)リワードを用いたWORL訓練、対話型プロンプトモード、16 FPS
  • 出力・フレーム仕様(ベースモデル共通): 1チャンクあたり33フレーム単位の自己回帰生成。推奨フレーム数は33の倍数(33の倍数でない場合は切り上げ処理)。16 FPSおよび24 FPSでの動画出力に対応
  • ライセンスの条件: Apache-2.0(商用利用や改変、再配布が許容されるオープンソースライセンスですが、著作権表示や特許条項の遵守が求められます)

性能・品質

公開元であるEfficient-Large-Modelのモデルカードによると、本アダプターの公開にあたって新たな生成ベンチマークスコアやハードウェア互換性マトリクスは策定されておらず、客観的な比較評価の数値は公表されていません。

参考情報として、ベースモデルである「Helios-Distilled」のモデルカードで公開されている推論速度およびフレーム数の目安は以下の通りです。

num_frames Adjusted Frames 24 FPS 16 FPS
1449 1452 (33×44) ~60s (1min) ~90s (1min 30s)
720 726 (33×22) ~30s ~45s
240 264 (33×8) ~11s ~16s
129 132 (33×4) ~5.5s ~8s

ベースモデルの公表資料によると、Helios-Distilledはx0予測とカスタムスケジューラー(HeliosDMDScheduler)を採用した蒸留モデルであり、単一のH100 GPUにおいて19.5 FPSのエンドツーエンド推論速度を達成したと報告されています。上記テーブルが示すように、1452フレーム(24 FPS換算で約1分間)の映像を約60秒で生成できる高い効率性が特徴とされています。一方で、蒸留モデルであるため、最高品質を重視した「Helios-Base」と比較した場合には品質面でトレードオフが存在する可能性があります。

品質と限界に関して、モデルカードでは注意すべき制限事項が明記されています。長時間の動画生成においては、時間的なアーティファクト、キャラクターや被写体の同一性の破綻(identity drift)、幾何学的な不整合、ならびにプロンプトとの食い違いが蓄積しやすいとされています。また、生成される映像は合成データであり、物理的に妥当性が検証されたシミュレーションではない点にも留意が必要であると説明されています。

得意なこと・想定用途

WORL-Heliosは、動画生成およびワールドモデルにおける強化学習(Reinforcement Learning: RL)の研究用途を主眼として開発されたLoRAアダプターです。

本モデルは、ベースモデルである「Helios-Distilled」の動画Transformerに対して自己回帰的な動画生成を行えるよう適応させることを目的としています。テキストプロンプトによる指示だけでなく、先行する動画フレームなどの履歴情報を条件付け(コンディショニング)として受け取り、その続きとなる映像を継続的に生成するタスクに適しています。

学習には「WORL(World Model Reinforcement Learning)」手法が採用されており、VideoAlignに基づく3種類のリワード(視覚的品質を測るVQ、動きの質を測るMQ、テキストとの一致度を測るTA)を活用して最適化が行われています。さらに、対話型のプロンプトモードや16 FPSの設定を想定して訓練が行われているため、リアルタイム性や対話性を重視した映像生成の研究、環境との相互作用をモデル化するワールドモデルの実験などに適しています。

ベースモデルのHelios-Distilledは、高効率な動画生成アーキテクチャを持ち、テキストからの動画生成(Text-to-Video)に加えて画像からの動画生成(Image-to-Video)や動画から動画への変換(Video-to-Video)に対応しています。WORL-Heliosは、この高効率な推論パイプラインを活かしつつ、強化学習を通じて自己回帰生成の挙動を調整したい研究者や開発者に向いています。ただし、長時間の生成では被写体の同一性の破綻や幾何学的な不整合が生じる可能性があるため、生成結果の検証が必要となる点にはご留意ください。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 14.3B(元モデル BestWishYsh/Helios-Distilled の値)

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
154GB超のVRAMが必要(複数GPUまたはCPUオフロードが前提) F32 128.3GB 153.9GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 表のファイルは F32(32bit)で配布されたものの実サイズです。BF16 や量子化など低い精度で読み込めば必要なメモリは小さくなるため、最低条件ではなく配布そのままの大きさとして読んでください。低い精度での値は当サイトでは測っていません。 この配布は LoRA 等のアダプタで、表は元モデル BestWishYsh/Helios-Distilled を動かす要件です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

公開元の配布形式は safetensors です。

ライセンス apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

配布ファイル

Efficient-Large-Model/WORL-Helios で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
adapter_model.safetensors 1.68GB

入手方法

WORL-Heliosの重みファイルは、Hugging Faceリポジトリ「Efficient-Large-Model/WORL-Helios」にて公開されています。ゲート付きモデル(Gated Model)ではないため、個別の利用申請やライセンス同意手続きを事前に行うことなくダウンロードが可能です。

配布形式はPEFT互換のsafetensors形式となっており、リポジトリ内にはアダプター重み(adapter_model.safetensors)、設定ファイル(adapter_config.json)、チェックサムやソースリビジョンを記録したマニフェスト(RELEASE_MANIFEST.json)などが含まれています。なお、公開元の説明によると、重みとアダプター設定自体は先行リポジトリ qyoo/helios-worl(リビジョン c17176f56773)と同一の内容となっています。

Hugging Face CLIを利用して重み一式を取得する場合は、以下のコマンドを実行します。

hf download Efficient-Large-Model/WORL-Helios --local-dir artifacts/WORL-Helios

本リポジトリはLoRAアダプター単体の提供であるため、動画生成パイプラインを動かすには公式のHeliosリポジトリの実行環境、ベースモデルである BestWishYsh/Helios-Distilled、テキストエンコーダー、トークナイザー、VAE、スケジューラーが別途必要となります。元のエクスポート構成では、VAEに Wan-AI/Wan2.1-T2V-14B-Diffusers が指定され、PEFTのバージョンは0.18.1が記録されています。

HeliosとPEFT環境をセットアップした上で、ベースとなるTransformerモデルにアダプターを適用するPythonスクリプトの実装例は以下の通りです。

import torch
from peft import PeftModel
from helios.modules.transformer_helios import HeliosTransformer3DModel

base = HeliosTransformer3DModel.from_pretrained(
    "BestWishYsh/Helios-Distilled",
    subfolder="transformer",
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
).eval()

model = PeftModel.from_pretrained(
    base,
    "Efficient-Large-Model/WORL-Helios",
    is_trainable=False,
).eval()

生成パイプライン全体を構築する際は、ベースモデルの特定のリビジョンとの互換性を確認した上で環境を固定して推論を実行することが推奨されています。また、関連するリリースとして WORL-NVRM や WORL-Lingbot も案内されています。

関連記事

次に読むなら

出典