Ce rapport présente Kandinsky 5.0, une famille de modèles fondamentaux de pointe pour la synthèse d’images haute résolution et de vidéos de 10 secondes. Le cadre repose sur trois modèles phares : Kandinsky 5.0 Image Lite – une série de modèles de génération d’images de 6 milliards de paramètres ; Kandinsky 5.0 Video Lite – des modèles rapides et légers de 2 milliards de paramètres pour la génération vidéo à partir de texte ou d’image ; et Kandinsky 5.0 Video Pro – des modèles de 19 milliards de paramètres offrant une qualité de génération vidéo exceptionnelle. Nous fournissons un examen approfondi du cycle de curatation des données – incluant la collecte, le traitement, le filtrage et le regroupement – pour la chaîne de formation en plusieurs étapes, qui repose sur un pré-entraînement étendu et intègre des techniques d’amélioration de la qualité telles que le fine-tuning auto-supervisé (SFT) et l’entraînement postérieur basé sur le renforcement (RL). Nous présentons également des optimisations novatrices en matière d’architecture, d’entraînement et d’inférence, permettant à Kandinsky 5.0 d’atteindre des vitesses de génération élevées et des performances de pointe sur diverses tâches, comme le démontre une évaluation humaine. En tant que cadre générique à grande échelle et publiquement disponible, Kandinsky 5.0 exploite pleinement son entraînement préalable et les étapes ultérieures pour être adapté à un large éventail d’applications génératives. Nous espérons que ce rapport, conjointement à la mise à disposition de notre code open source et de nos points de contrôle d’entraînement, contribuera de manière significative à l’avancement et à l’accessibilité des modèles génératifs de haute qualité au sein de la communauté scientifique.