字节跳动开源全模态视频模型 Bernini 2：自然语言修视频，但模型达 180GB

Bernini 2 是字节跳动开源的全模态视频编辑与生成框架。它能让你直接用自然语言修改已有视频，比如在场景里凭空加两个角色、把色调调暖、删掉某个特定人物或物体，或者直接更换背景和调整摄影机视角。

你还可以给它一张参考图，让它把图片里的物体准确插进视频里，比如把一张照片上的直升机无缝放进动态画面中。

它能做什么，怎么做到的

与一般的端到端视频生成模型不同，Bernini 2 采用了一套分工明确的架构。它先用基于 Qwen2.5-VL 的多模态大模型担任语义规划器，把复杂的编辑指令拆解成明确的语义规划，再交由基于 Wan2.2 的 DiT 渲染器完成画面生成与解码。

相比 2026 年 6 月推出的第一版 Bernini-Diffusers，这次的第二代模型在联合训练前增加了数千步连接器预热训练，重点提升了参考图视频编辑和动作迁移的表现。

在任务覆盖上，Bernini 2 支持文生图、图生图、文生视频、视频到视频以及带参考图的视频编辑等 6 种任务。字节跳动内部的盲测人类评分显示，它的视频编辑表现在评测中达到了主流闭源商业模型的第一梯队水准。

怎么跑起来，门槛在哪里

想要本地跑起来，门槛非常高。Bernini 2 仅模型本身就重达 180GB，如果算上 VAE、T5 文本编码器、分词器和其他调度组件，对存储和显存的压力极大，普通消费级设备基本无法负担。

部署生态方面，目前流行的 ComfyUI 还不支持加载完整的 Bernini 2 架构。官方代码库目前支持单卡和多卡并行脚本。如果你想在 ComfyUI 里体验，只能退而求其次选择官方支持的 Bernini-R 渲染器版本，但该版本没有包含多步语义规划模块。

如果你有足够的服务器算力，可以通过 Hugging Face 下载 ByteDance/Bernini-Diffusers-v2 权重目录，并配合 GitHub 上的官方仓库 Bernini 运行测试脚本。相关论文编号为 arXiv:2605.22344。

为什么重要

我们认为，Bernini 2 展示了一条非常有启发性的技术路径：用专门的大语言模型先做语义规划，再指挥扩散模型渲染，能大幅解决传统视频生成听不懂复杂修图指令的痛点。

但对普通创作者和独立开发者来说，现阶段它并不适合本地尝试。180GB 的体量加上复杂的组件链条，普通设备很难吃得消。加上目前已经有像 MiniMax H3 这类同样支持参考图生视频的方案，Bernini 2 在开源社区很可能会面临叫好不叫座的尴尬。除非后续社区能推出高压缩比的量化版本或轻量端到端管线，否则它更适合作为工业界和大算力团队的研究参考。