日刊論文

本報告書では、高解像度画像および10秒間の動画合成のための最先端基盤モデルファミリーであるKandinsky 5.0を紹介する。このフレームワークは、3つの主要なモデルラインアップで構成されている：Kandinsky 5.0 Image Lite - 6Bパラメータの画像生成モデル群、Kandinsky 5.0 Video Lite - 高速かつ軽量な2Bパラメータのテキストから動画および画像から動画への変換モデル、そしてKandinsky 5.0 Video Pro - 優れた動画生成品質を実現する19Bパラメータのモデルである。本報告書では、大規模な事前学習を含む多段階トレーニングパイプラインにおけるデータキュレーションのライフサイクル（収集、処理、フィルタリング、クラスタリング）を包括的にレビューし、自己教師ありファインチューニング（SFT）や強化学習（RL）に基づくポストトレーニングなどの品質向上技術を組み込んでいる。また、Kandinsky 5.0が高い生成速度と様々なタスクにおける最先端の性能を実現するための新しいアーキテクチャ、トレーニング、推論の最適化についても提示する。これらは、人間による評価によって実証されている。大規模で公開可能な生成フレームワークとして、Kandinsky 5.0はその事前学習とその後の段階の全潜在能力を活用し、幅広い生成アプリケーションに適応することを可能にしている。本報告書とともに、オープンソースコードおよびトレーニングチェックポイントを公開することで、研究コミュニティにおける高品質生成モデルの開発とアクセシビリティが大幅に進展することを期待している。