Kiwi-Edit 开源：打字或给参考图，就能对 720p 视频增删改

Kiwi-Edit 是 Showlab 开源的一个视频编辑框架，简单说，它能让你用一句话或者一张参考图，直接修改现有的 720p 视频。

过去想在视频里换掉背景、抹掉路人或者把写实画面改成水彩风，要么得手动逐帧抠图，要么只能碰运气用闭源商业工具。Kiwi-Edit 把这套能力做成了完全开源的工具链，把代码、模型权重和训练数据集全部公开了出来。

它能做什么

Kiwi-Edit 的核心能力分为两大类：自然语言指令编辑和参考图引导编辑。

在文字指令模式下，你可以做全局风格调整，比如把一段实拍视频转成卡通动画、素描或者水彩画；也可以做精确的局部增减，比如给画面里的主体戴上一顶帽子，或者把不需要的人物直接抹除。

如果你手里有一张特定的参考图，Kiwi-Edit 还能把图片里的背景提取出来换到原视频里，或者把图片里的特定物体插入到视频场景中，同时保持视频原有的运动轨迹和结构不变，不会出现常见的画面闪烁或物体扭曲。

怎么做到的与硬件门槛

Kiwi-Edit 的底层架构结合了两个部分：一个负责理解复杂人类指令的多模态大语言模型，以及一个 5B 参数量的视频扩散 Transformer（DiT）。

整个训练采用三阶段课程设计，先做基础对齐，再做指令微调，最后进行参考图引导的微调。团队还搭建了一套自动化数据管线，把指令三元组扩充为参考引导的四元组数据，以此保证视频在经历复杂编辑后依然具有时序连贯性。

在各项公开基准测试中，Kiwi-Edit 的 5B 模型在 1280×704 分辨率下的综合表现超过了 Lucy-Edit、OpenVE-Edit 等一众 5B 到 14B 的开源竞品，在部分局部编辑指标上甚至逼近商用闭源方案 Runway Aleph。虽然在被摄主体一致性上相比 Kling-O1 等大厂闭源主力模型仍有差距，但在开源阵营里已经拿下了极具竞争力的成绩。

硬件方面，模型权重体积约为 20 GB。想要流畅跑起来，本地需要一块显存充裕的高端消费级 GPU。

目前相关论文已经上线 arXiv，项目代码、模型和训练数据集均已在 GitHub 和项目主页完整开源。

为什么重要

对于视频创作者和独立开发者来说，Kiwi-Edit 最大的价值在于把视频二次创作的门槛直接打了下来。以前开源视频模型多半只能从头文生视频，很难在既有成片上做精准微调；现在通过一张图加一句话，就能把背景替换或角色配饰改掉，这让低成本视频后期管线有了落地的可能。

我们认为 Kiwi-Edit 走得最聪明的地方是全套开源了训练数据集和三阶段方案，没有在关键数据上留一手。5B 参数量控制得相对克制，但 20 GB 的体积对普通轻薄本用户依然不可企及，门槛依旧卡在高端显卡上。它更适合有本地算力的工作室或极客开发者先试用起来，把它作为定制化视频流的底模。