输入图片和文本提示，生成视频。

210M参数的编码器模型，从HTML中提取主要内容，单次前向传播标记每个块为内容或模板，速度比0.6B解码器快约20倍（ROUGE-5 F1 0.862）。

运行模型 feyninc/pulpie-orange-small

输入图片和文本提示，生成对应视频。

基于Qwen3.5骨干和Q-Former的自回归语音合成模型，支持语音克隆和文本CFG控制，使用NeMo nano编解码器将参考音频压缩为8个前缀token。