NUMINA

NUMINA är ett forskningsprojekt som angriper ett vanligt fel hos text-till-video-modeller: de får ofta fel antal objekt i bilden. Ber man om tre katter kan man få två eller fyra. Projektet heter i artikeln "When Numbers Speak: Aligning Textual Numerals and Visual Instances in Text-to-Video Diffusion Models" och har antagits till CVPR 2026.

I stället för att prova många slumpfrön eller skriva om prompten med en språkmodell tittar NUMINA in i själva videomodellen. Metoden analyserar modellens uppmärksamhetskartor (cross-attention och self-attention) i utvalda lager för att se var och varför antalet blir fel. Utifrån det bygger den en räknebar layout över var objekten ska finnas och styr sedan modellens uppmärksamhet efter den layouten när videon genereras om. Ingen omträning eller finjustering behövs.

Forskarna har också tagit fram ett eget test, CountBench. Enligt dem förbättrar NUMINA andelen videor med rätt antal med upp till 7,4 procentenheter på Wan2.1-1.3B, och metoden fungerar även på Wan2.1-14B och Wan2.2-5B. Projektsidan jämför också med kommersiella modeller som Veo 3.1 och Grok Imagine, som enligt forskarna ofta missar exakta antal. Metoden går att kombinera med snabbare generering via EasyCache.

Arbetet kommer från Huazhong University of Science and Technology tillsammans med Zhejiang University och Afari Intelligent Drive. Koden är öppen under MIT-licens och läggs ovanpå Wan2.1.