無修正 AI 動画 · Tencent ARC Lab

無修正 Looking Ahead AI動画モデル:1枚の画像から物理を理解した動きを生成

AIに質問 ▾

Looking Ahead は、Tencent ARC Lab、南京大学、浙江大学が2026年10月21日に公開したオープンウェイトの自己回帰型動画モデルです。その核となるのは Future Chunk Prediction(FCP、未来チャンク予測)と呼ばれる学習手法で、直前のフレームをなぞるだけでなく、シーンがこの先どう変化するかをモデルに学ばせます。このガイドでは、何ができるのか、どのチェックポイントを選ぶべきか、実行方法、プロンプトの書き方、そして無修正の Looking Ahead が存在するのかを解説します。自分の成人向け写真を今すぐ動かしたい方は、下の無修正動画ジェネレーターをお使いください。

  • 無料で開始
  • フィルターなし
  • ブラウザで使える
フィルターなしで写真を動かす →倒れる途中で静止したドミノの列と、光る未来の動画フレーム。AI動画モデル Looking Ahead を表すイメージ

Looking Ahead の概要

開発元
南京大学、Tencent ARC Lab、浙江大学
公開
コードと重みは2026年10月21日公開;arXiv 2610.29989
手法
Future Chunk Prediction(学習時のみ)
チェックポイント
1.3B と 5B、それぞれ FCP 版と TF ベースライン版
タスク
画像から動画、動画の続き生成
標準クリップ
5秒;768×432・16 fps または 1024×576・24 fps
オープンウェイト
あり、Apache-2.0
無修正版は?
現時点では見つかっていません

Looking Ahead 無修正動画ジェネレーター(代替オプション)

画像から動画

写真をアップロードして動きを説明してください。Spicy AI が短い動画にします。

写真を動画にします。

プロンプト例

プロンプト例は英語です。英語のほうが安定した結果になります。

Looking Ahead の開発者と、その正体

Looking Ahead は、Tencent ARC Lab と学術パートナーによる新たな動画研究シリーズの第1弾で、論文「Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation」として発表されました。著者は Ruopeng Gao、Yukun Huang(プロジェクトリーダー)、Jiarui Hu、Shuai Wang、Wenbo Hu、Ying Shan、Limin Wang(責任著者)です。商用アプリではなく、製品サイトやサブスクリプション、ホスト型エンドポイントはありません。チームは論文、GitHub リポジトリ、Hugging Face 上の4つのチェックポイントを一式として公開しており、実行は自分で行います。1.3B のチェックポイントは Wan2.1-T2V-1.3B を、5B のチェックポイントは Wan2.2-TI2V-5B をベースに学習されているため、まったく新しいアーキテクチャというより、Alibaba のオープンな Wan ベースに改良した学習レシピを適用したものと捉えるのが適切です。

無修正 Looking Ahead が検索される理由

オープンウェイトでホスト型サービスがないということは、ユーザーとモデルの間にプラットフォームのモデレーション層がないということです。そのため、成人向けクリエイターが「無修正の動画モデルなのか」と考えるのは自然なことです。正直に言えば、答えは一概には言えません。重みは無料でローカル実行でき、モデルカードにも追加のコンテンツポリシーは記載されていませんが、学習データは一般的な実写映像であり、無修正の Looking Ahead のファインチューン、LoRA、量子化版はこれまで誰も公開していません。Wan 2.2 向けの NSFW LoRA は存在しますが、FCP チェックポイントで読み込めることを示した人はいません。60 GB をダウンロードせずに、今すぐ成人向け写真から無修正の動きを生成したいなら、このページのジェネレーターがブラウザ上でそれを実現します。

GPU の準備は不要:成人向け写真をアップロードして、望む動きを入力するだけ。同意した成人向けにコンテンツフィルターはありません。

無修正の画像から動画を試す →

Looking Ahead が断ち切るために作られた「近道」

自己回帰型の動画モデルは、クリップをチャンクごとに生成します。標準的な teacher forcing 学習では、モデルは実際の過去フレームを見たうえで、次のチャンクのノイズを除去するだけで済みます。隣り合うチャンクはほぼ同じに見えるため、モデルは次に物理的に何が起こるべきかを学ばなくても、直前のフレームの色や動きを延長するだけで高いスコアを出せてしまいます。論文ではこれを、時間的冗長性が生む近道と呼んでいます。FCP はこの安易な道を塞ぎます。現在のチャンクの特徴量から、追加のヘッドがさらに先のチャンク(5B モデルでは1〜5ステップ先)を、間のフレームを見ずに予測しなければなりません。プロジェクトページでは、順番通りに倒れ続けるドミノや、溶けて水位を上げる氷など、ベースラインが破綻するケースでその効果を示しています。

5つの設計判断で見る未来チャンク予測

FCP のレシピは小さいながらも意図的で、それぞれの選択には論文中のアブレーションによる裏付けがあります。この研究を再現・拡張したい場合に重要なポイントは次のとおりです:

  • 連鎖ではなく並列のヘッド:未来の各オフセットに、同じ現在チャンクの特徴量を条件とする専用の予測器があります。5B では、5つの並列オフセットが Physics-IQ で 33.8 を記録したのに対し、5オフセットの連鎖型は 31.0 に低下しました。
  • 現在のチャンクのみ:予測器は履歴全体ではなく現在のチャンクだけを見ます。著者によれば、同等の品質でフルコンテキスト型より低コストです。
  • 2つの教師信号:未来予測の損失を、クリーンなコンテキスト潜在表現とノイズを含む現在の潜在表現の両方に加えます。両者を合わせると、1.3B のアブレーションで 3.3 ポイント向上します。
  • 補助ヘッドにテキストは入れない:予測器にテキスト条件を加えるとスコアが 1.1 低下しました。キャプションが後の展開を漏らしてしまうためです。
  • 推論時のオーバーヘッドはゼロ:FCP のモジュールは学習後にすべて破棄されるため、学習済みチェックポイントは通常の自己回帰モデルとまったく同じようにサンプリングできます。

Looking Ahead 1.3B と 5B:どちらのチェックポイントをダウンロードすべきか

Hugging Face リポジトリには4つの model_ema.pt ファイルがあります。各サイズに FCP チェックポイントと teacher forcing(TF)ベースラインがあり、合計約 63.2 GiB です。FCP ファイルは学習専用のヘッドを含んだままなので TF ファイルより大きくなります。ローダーがこれらのテンソルを除外しますが、ディスク容量とファイルを読み込むための十分な CPU メモリは必要です。さらに、対応する Wan ベースの重み、T5 エンコーダー、VAE も必要です。ほとんどの人は 1.3B の FCP チェックポイントから始めるのがよく、5B の FCP チェックポイントは大容量の GPU があり、論文の主要な結果を再現したい場合向けです。

1.3B5B
ベースモデルWan2.1-T2V-1.3BWan2.2-TI2V-5B
出力768×432、16 fps1024×576、24 fps
FCP ファイル≈ 8.01 GB≈ 34.20 GB
TF ベースラインファイル≈ 5.68 GB≈ 20.00 GB
学習時の未来オフセット1–31–5
Physics-IQ(TF → FCP)27.6 → 30.930.4 → 33.8

ファイルサイズは Hugging Face API より、スコアは論文の表2(画像から動画)より。

作業台の上に置かれた高さの異なる2つの光るストレージドライブの山。小型と大型の動画モデルのチェックポイントを比較するイメージ

どれくらい良くなったのか?ベンチマークの読み方

公正な比較は、同じ Wan2.2-TI2V-5B ベース、データ、スケジュールで FCP あり・なしを学習させた対照比較です。そこでは、画像から動画の Physics-IQ が 30.4 から 33.8 に、動画の続き生成が 40.6 から 44.4 に向上しています。その他の指標での向上はより小幅です。モデル横断の表では、5B チェックポイントは Wan2.2-14B(32.2)、HunyuanVideo-1.5(33.4)、Sora 2(26.5)をわずかに上回り、Grok Imagine Video(34.8)には及びませんが、著者はこれらのモデルがデータや設定の点で異なると注意を促しています。美的品質、長尺クリップ、音声、人間による好みは評価されていないため、この結果は全面的な品質の飛躍ではなく、物理的なもっともらしさの向上として読むべきです。

ベンチマーク(5B)TF ベースラインFCP
Physics-IQ、画像から動画30.433.8
Physics-IQ、動画から動画40.644.4
WorldModelBench7.227.64
PAI-Bench-G81.1382.38
PhyGround2.752.80

Looking Ahead とベースとなった Wan 2.2 の比較

素の Wan2.2-TI2V-5B と比べると、5B の FCP チェックポイントは同じバックボーンを保ちつつ、気づきやすい3つの点が変わっています。まず、視覚的な条件入力が必要です。T2V という名前の config でもテキストだけでは動作しないため、画像から動画および続き生成のモデルです。次に、Wan 本来の 1280×704 ではなく 1024×576・24 fps でレンダリングします。そして、チャンク単位で自己回帰的に生成するため、動画の続き生成が主要タスクとなっています。その代わりに失うのが Wan のエコシステムで、公式の ComfyUI や Diffusers のノード、LoRA ローダー、GGUF や FP8 版はまだありません。

Looking Ahead をローカルで実行:ダウンロード、VRAM、最初のクリップ

チームがコードをテストしたのは、NVIDIA H200、Python 3.12、PyTorch 2.10、CUDA 12.8 を使った Linux 環境のみで、Windows 対応は未解決の issue です。最小 VRAM は公表されていません。おおまかな目安として、Wan2.1 1.3B ベースは約 8 GB、Wan2.2 5B はオフロード使用時で 24 GB とされており、コードは空きが 40 GB 未満の場合に T5 エンコーダーを GPU から退避させますが、24 GB のカードで 5B モデルが動くかは検証されていません。基本的な流れ:

  • uv でインストール(uv sync --python 3.12)し、FFmpeg を追加します。
  • ベースをダウンロード(例:hf download Wan-AI/Wan2.1-T2V-1.3B)し、続いて hf download TencentARC/Looking-Ahead を実行して、4つのサブフォルダをすべて保持します。
  • 画像から動画:inference.py を --config fcp_wan21_t2v_1.3b、チェックポイントのパス、--use_ema、--image_path、--prompt_file、--duration 5s を指定して実行します。
  • 動画の続き生成:--image_path を --video_path に置き換え、--sink 3 を追加します。デフォルトでは、クリップの末尾がコンテキストになります。
  • --duration にはコンテキストが含まれる点に注意:5B の5秒クリップは、コンテキスト25フレームと新規95フレームで構成されます。
  • 入力はリサイズされ中央でクロップされるため、被写体を端に寄せないでください。ComfyUI はまだサポートされていません。
ターミナル画面と、湖に浮かぶヨットのレンダリング済み動画フレームが映るワークステーション。ローカルでの画像から動画の環境を示すイメージ

Looking Ahead でリアルな動きを生むプロンプトの書き方

見た目は画像ですでに決まっているので、プロンプトの役割は5秒間で何が変化するかを記述することです。このモデルは因果関係を予測するよう学習されているため、明確な物理的イベントを示すプロンプトが強みを引き出します。公式の例は英語で、他の言語はテストされていません。シンプルな公式は「被写体 + 動作 + 物理的な結果 + カメラ」です。コピーして使えるテンプレート:

  • 因果関係:「[物体]が[表面]の端から傾き、落下して[結果]、カメラは固定。」
  • 流体:「[液体]が[容器]からグラスに注がれ、水位が着実に上がり、上部に泡ができる、クローズアップ。」
  • 続き生成:「シーンを続ける:[被写体]は[現在の動作]を続け、その後[次の動作]、同じ照明とアングル。」
  • ポートレートの動き:「成人の[人物]が窓の方へ振り向き、髪がそよ風に揺れる、柔らかな光、ゆっくりとしたプッシュイン。」
  • 1クリップにつき主要なイベントは1つに絞り、シーンの切り替えを避け、スタイルの言葉を重ねるより速さ(ゆっくり、突然)を記述しましょう。

Looking Ahead の立ち位置:研究、ワールドモデル、クリエイター

このリリースは、見た目の美しさだけでなく物理法則に従う動画を目指すワールドモデルの議論の中で登場しました。学習目的関数を研究する人は FCP と TF のチェックポイントを直接比較でき、これはオープンなリリースでは珍しいことです。ロボティクスやシミュレーション風の映像をプロトタイピングするチームにとっては、落下、注ぐ動き、転がりが正しく振る舞うことが重要です。クリエイターにとって実用的なのは短い続き生成で、注ぐ、しぶきが上がる、踊るといったクリップを、シーンを破綻させずに数秒延長できます。反響はまだ初期段階です。公開2日後の時点で GitHub リポジトリのスター数は約65、論文ページの upvote は118で、一般への普及というより研究コミュニティでの反応といえます。

Looking Ahead はオープンソースで無料で使える?

はい。コードと4つのチェックポイントは Apache-2.0 で公開されており、ライセンス、NOTICE ファイル、帰属表示を保持すれば、商用利用、改変、再配布が可能です。NOTICE には Wan ベースやその他のコンポーネントのクレジットも記載されており、WISA の学習データはその対象外なので、商用製品にする前にそれらの条件を確認してください。論文自体は CC BY 4.0 です。公式 API やホスト型デモはないため、実際のコストは自分の GPU 時間です。

無修正の Looking Ahead モデルはある?

独立したリリースとしてはありません。2026年10月23日時点で、Hugging Face でこの名前を検索しても公式の TencentARC リポジトリしか表示されず、無修正や NSFW のファインチューン、LoRA、量子化版はありません。オープンウェイトを自分で実行すればプラットフォームのフィルターは避けられますが、モデルは成人向けコンテンツ用に学習されておらず、チームも NSFW 用途をうたっていません。ローカル環境を構築せずに、Looking Ahead 風の無修正写真アニメーションを楽しみたい方には、同意した成人(18歳以上)向けに、フィルターなしの同様の画像から動画ツールをこのサイトで提供しています。

同意した成人の写真をアップロードし、動きを一文で入力してください。

無修正の画像から動画を開く →

一部の報道が誤っている3つのポイント

初期の二次的な報道では、論文に裏付けのない詳細が繰り返されていました。引用する前に次の点を確認してください:

  • 関係機関は南京大学、Tencent ARC Lab、浙江大学であり、清華大学ではありません。
  • この手法は学習の目的関数(Future Chunk Prediction)であり、「lookahead attention」層ではなく、推論時には何も追加しません。
  • 主要な指標は Physics-IQ です。構造的一貫性 94.8% や FVD 28.6% 低下といった数値は論文に登場しません。また、長尺で破綻のない動画もうたわれていません。クリップは5秒で学習されています。

無修正の写真から動画で人気の作例

写真からモーションクリップへ

成人のポートレートをアップロードし、振り向く、微笑む、歩くといった動きを1つ記述すれば、短いクリップが得られます。

ブドワール&ファッションのループ動画

スタイリングされた写真に、布の揺れ、光のちらつき、ゆっくりとしたカメラのプッシュインを加えて、SNS 用のティーザーに。

ストーリーの名場面

成人向けのロマンスやファンタジーのシーンのキーフレームを、縦長または横長のフォーマットで、1シーンずつアニメーション化できます。

Looking Ahead で初めてレンダリングする前の実践メモ

  1. まずは 1.3B の FCP チェックポイントから始め、5B へは大容量の GPU と十分なディスク容量がある場合にのみ移行しましょう。
  2. 63.2 GiB のチェックポイントに加え、Wan ベース、T5、VAE のファイル分のディスク容量を確保してください。
  3. 被写体は中央に:入力は 16:9 に中央クロップされます。
  4. 5秒以内に収めましょう。それより長い生成は基本的なローリングキャッシュを使うため、品質は保証されません。
  5. シード 42 とデフォルトのサンプラー(UniPC、50ステップ、CFG 3.0)で公式の例を再現できます。
  6. 成人(18歳以上)の画像のみを使用し、実在の人物の画像を本人の同意なく使わないでください。

Looking Ahead のセルフホストとオンライン生成の比較

ローカル導入(公式ウェイト)Spicy AI オンライン
コンテンツフィルターTencent ARC Lab が設定フィルターなし
オープンウェイトあり不要(ブラウザで動作)
始めるための料金プランによる無料枠あり
  • ブラウザで画像から動画
  • 無料キューは 0 クレジット(要ログイン・1 日の上限あり)
  • 縦型(9:16)と横型(16:9)に対応

よくある質問

これはモデル?それとも学習手法?

両方です。論文では Future Chunk Prediction を提案し、チームは実行可能な4つの学習済みチェックポイント(1.3B と 5B、FCP と TF ベースライン)を公開しています。

Looking Ahead は Wan 3.0 と同じもの?

いいえ。チェックポイントは Wan2.1-T2V-1.3B と Wan2.2-TI2V-5B をベースに学習されています。Wan 3.0 でも Alibaba のリリースでもありません。

テキストだけで動画を生成できる?

いいえ。T2V という名前の config でも入力画像または動画が必要なため、対応するのは画像から動画と動画の続き生成です。

RTX 4090 で動かせる?

1.3B モデルなら可能かもしれませんが、最小 VRAM は公表されておらず、チームは H200 GPU でしかテストしていません。24 GB での 5B モデルの動作は検証されていません。

ComfyUI で使える?

公式にはまだ使えません。ComfyUI や Diffusers のノード、LoRA ローダー、量子化版はまだありません。

無修正の Looking Ahead はある?

無修正のファインチューンは公開されていません。ブラウザで無修正の写真から動画を生成するなら、このページのジェネレーターをお使いください。

Spicy AI は Tencent ARC Lab と関係がありますか?

いいえ。Spicy AI は独立したプラットフォームで、Tencent ARC Lab とは提携・承認関係にありません。Looking Ahead は各権利者の商標です。

無料で使えますか?

無料で始められます。ログインすると、Spicy AI の無料動画キューが MiniMax H3 Turbo で写真を 0 クレジットで動かします(1 日の上限あり)。高速キュー、その他の動画モデル、長尺の動画にはクレジットが必要です。

出典

Spicy AI は Tencent ARC Lab とは関係ありません。Looking Ahead およびその他の製品名は各権利者の商標であり、識別のためにのみ使用しています。すべてのコンテンツは成人(18 歳以上)を描写したものでなければなりません。

Sign in

Welcome to Spicy AI

or