Hugging Face、多モーダル生成モデル向けトークナイザー「KVAE」ファミリーを発表

記事の3ポイント

1. 1

   多様なメディア対応トークナイザーの提供

   Kandinsky Lab は音声（48kHz）、画像、動画に対応する KVAE-Audio、KVAE-2D、KVAE-3D の 3 つのトークナイザーを公開した。

2. 2

   性能評価での先行モデルとの比較

   再構成品質や生成結果に関する客観的・主観的指標において、Wan-2.2 や FLUX.2 などの既存の最先端オープンソースモデルと同等かそれ以上の成果を示した。

3. 3

   開発プロセスの透明性

   開発の難易度の高さを考慮し、トレーニングの詳細やモデル選択方法、設計選択肢に関するアブレーションスタディをコミュニティに共有した。