Lance ByteDance-ren 2025 modelo multimodal bateratua da — 3B parametro aktibo Apache 2.0-ren pean. Pisu-multzo batek lau zeregin hartzen ditu: testua→irudia (768×768), irudia-editatu (768×768), testua→bideoa (480p, 121 fotograma arte ≈ 5 segundo), eta irudia+bideoa ulertzea (VQA, azpitituluak). Qwen-tik eratorritako LLM bizkarrezur batean eraikia, Wan-Video VAE eta Qwen.5-VL ViT batekin. Free.ai-ren H200-n auto-ostatua, goi-mailako hornitzailerik gabe, API markaketarik gabe, eta zure token-balantza gainditzen ez duten dei bakoitzeko komisiorik gabe.

Pila ireki gehienek gainazal bakoitzeko espezialista onena aukeratzen dute: SDXL edo FLUX irudi gordina sortzeko, Qwen-Image-Edit edizioetarako, Wan 2.2 bideoetarako, Qwen.5-VL ikusmen-hizkuntzaren arrazoiketarako. Lance-k zeregin bakoitzeko kalitatearen zati bat trukatzen du zeregin arteko koherentziaren truke: barneko irudikapen bera ematen zaio irteera bakoitzari, beraz, sortutako eta gero editaturiko irudi batek bere estiloari eusten dio, eta ereduak bideo bati buruz ematen duen VQA hizkuntza-ereduarekin bat dator kontrol-puntu berean. Erabilgarria da ikerketa eta demoetarako, lau kanal baino eredu koherente bat erabiliz.

Aukeratu Lance: estilo uniformea nahi baduzu irudian + edizioan + bideoan eredu bakar batetik, zeregin anitzeko hoditegi bat prototipatzen ari bazara eta "modelo bakarra" angeluak garrantzia badu, edo lizentzia permisiboak behar dituzu lan-fluxu bateratuan. Aukeratu espezialistak: kalitate handieneko irudi gordinaren generazioa nahi baduzu (FLUX.2 Klein > Lance > 768²-n), bideo luzeena / kalitate handienekoa (Wan 2.2 TI2V-5B edo HunyuanVideo > Lance > 480p-n), edo VQA azkarrena berriketan (Qwen.5-VL beti bero dago H200-n, Lance hotz-kargatu behar da).

Testua→irudia eta irudi-edizioa: 5.000 token (FLUX klaseko irudi-generoarekin bat dator). Testua→bideoa: 15.000 token (CogVideoX / Wan 5B klasearekin bat dator). Irudia+bideoa VQA: 1.000 token. SDXLren aldean (1.000) kostu handiagoak Lance-ren karga hotz astuna islatzen du — dei bakoitzak flota beroaren gainerakoa kanporatu eta 40 GB pisuak birkargatzen ditu, ondorioztapenaren gainetik 25-40 segundo gehitzen dituena. GPUaren hormako erlojuaren denbora osoa fakturatzen dugu, ez inferentzia soilik.

Hot-load ondoren (~25-40 s): irudia sortzea ~12-20 s, irudia editatu ~15-25 s, testua→bideoa ~60-180 s (num_frames-en arabera), VQA ~3-8 s. Lance dei bakoitzak cold-load egiten du eredua, ezin duelako H200-ko flota beroaren gainerakoarekin batera bizi, beraz cold-load atzerapena dei guztietan parte da, ez bakarrik lehena.

Irudi-sorkuntza eta -edizioa 768x768-tan finkatuta daude. Bideo-sorkuntza 480p-tan finkatuta dago (normalean 480x848 horizontala) eta 121 fotogramatan mugatuta (~5 segundo 24 fps-tan). Hauek dira Lance-k entrenatutako bereizmen-mailak; gehiago lortzeko, beste modelo baten bidez eskalatu behar da (probatu /image/upscaler/ irudietarako edo /video/upscaler/ bideoetarako).

Janus (DeepSeek) eta Show-o-k ulermena eta sorkuntza buru bereizietan banatzen dituzte bizkarrezur partekatu batean; Lance-k sendoago bateratuta dago - sorkuntza+ulermena buru multzo bat zeregin-token esplizituekin. Emu3-k (BAAI) dena tokenizatu egiten du token diskreto gisa, pixelak barne, eta horrek sorkuntza autoregresibo garbiagoa ematen dio, baina kalitate baxuagoa konputazio finkoan. Lance-ren pitch-a lau zereginen estaldura da 3B parametro aktiboetan, eta bere Wan-etik eratorritako VAE, bideoa natiboki kudeatzen duena (Janus eta Show-o irudiak soilik dira).

Apache 2.0 — bai pisuak (huggingface.co/bytedance-research/Lance) bai GitHub-eko biltegia (github.com/bytedance/Lance). Lurralde-mugarik ez, MAU-ko mugarik ez, merkataritza-helbururik gabeko erabiltzailerik ez, ikerketa-soilik klausularik ez. Irteerak zureak dira, merkataritza-erabilerarako, Apache 2.0 lizentzia-testu estandarretik kanpoko errentagarritasun edo aitorpen-eskakizunik gabe.

40 GB gutxienez ByteDanceren README-n. 3B parametro aktiboak engainagarriak dira — Qwen LLM + Wan VAE + Qwen.5-VL ViT osoa memorian daude elkarrekin. Auto-ostatu ahal izateko, 80 GB-ko A100 bakarra, 48 GB-ko A6000 bat edo gutxienez 40 GB-ko H100/H200 bat behar duzu. Gure H200-n exekutatzen dugu (141 GB guztira), baina oraindik ere deitzen den bakoitzean kargatutako gainerako modeloak kanporatu egiten ditu, kaxan dagoen single-shot pisutsuena delako.

Bai — POST JSON edo multipart /v1/multimodal/lance/-ra api.free.ai-n {task: "t2i" | "image_edit" | "t2v" | "vqa", prompt: "...", image: <upload> edo image_url: "/static/outputs/..."}. Erabiltzailearen autentifikazioa garatzailearen API gakoen bidez. Erantzunak job_id, irteera URLa eta share_token ditu. /api/-k curl adibideak ditu zeregin bakoitzeko.

Lance esperimentala bezala markatzen dugu, karga hotzaren latentziak esan nahi baitu ez dela egokia trafiko-bolumen handietarako — dei bakoitzak flota beroa kanporatu eta birkargatzen du. Geroago "Lance beroa" maila bat gehi dezakegu erabilerak slot bat dedikatzea justifikatzen badu, edo bigarren H200 bat gehi dezakegu bereziki modelo bateratuetarako. Oraingoz, Free.ai-ren gainerako auto-ostatutako modeloen token-ekonomia berarekin eskuragarri dago, gehigarririk gabe, dei bakoitzeko token-kostua handiagoa besterik ez da, GPU-ren hormako erlojuaren denbora islatzen duena.

Irudi-ediziorako eta VQArako igotako irudiak ezabatzen dira zeregina amaitu bezain laster. Sortutako irteerak gure CDNn geratzen dira 24 orduz (7 egun ordaindutako erabiltzaileentzat), /account/?tab=history-tik berriro deskarga ditzakezun. Ez da ezer partekatzen ByteDance-rekin — pisuak gure hardwarean exekutatzen dira lokalki. Xehetasun guztiak /privacy/-n daude.