I.10Видео, анимация и 3D

ROSE — дообученная модель на основе Wan2.1-Fun-1.3B-InP для удаления объектов и связанных с ними эффектов из видео. Она предназначена для видеоинпейнтинга: по входному видео модель находит области, связанные с объектом, и восстанавливает фон, включая тени, отражения, световые эффекты, полупрозрачные объекты и отражения в зеркалах. Модель построена на диффузионном трансформере WanTransformer3D и содержит около 990,9 млн параметров. ROSE рассчитана на монтаж и очистку видеоматериалов, в том числе сцен с движущейся камерой; для обучения использовались синтетические парные данные, созданные в 3D-среде. Репозиторий распространяет веса в формате safetensors, библиотека — Diffusers. Лицензия — Apache-2.0. Карточка не сообщает языковых требований или длину контекста; модель работает с видео, а не с текстовыми ответами.

Wan 2.2 — набор переупакованных файлов моделей для ComfyUI, собранный Comfy-Org и распространяемый по лицензии Apache-2.0. Репозиторий предназначен для генерации видео из изображений и включает файлы вариантов Wan 2.2, используемых в рабочих процессах ComfyUI. Карточка приводит примеры преобразования изображения в видео, генерации по первому и последнему кадрам, управления видео и обработки видео по текстовому описанию. Метаданные связывают репозиторий со слитыми моделями семейства Wan2.2-Fun, включая варианты 5B и A14B, а также указывают формат safetensors. Основной сценарий по тегу модели — генерация видео на основе изображения. Переупакованные файлы предназначены для загрузки в ComfyUI; сама карточка не описывает требования к оборудованию или подробные параметры генерации. Языковые возможности не заявлены. Лицензия репозитория — Apache-2.0.

LTX2.3-ICEdit-Insight — семейство моделей для восстановления и редактирования видео от JoyFox Lab, дообученное на аудиовизуальной диффузионной основе LTX-2.3 с архитектурой DiT. Модели работают с видео в латентном пространстве и предназначены для очистки артефактов сжатия, шума и размытия, повышения разрешения и детализации, удаления водяных знаков и субтитров с восстановлением закрытого фона. Адаптация использует task-aware IC-LoRA и заявленные авторами компоненты для маршрутизации задач и временной согласованности. Она рассчитана на сохранение структуры сцены, движения камеры и объектов между кадрами, а также на уменьшение мерцания и нестабильности реконструкции. Качество зависит от разрешения и движения в исходном видео; удаление надписей лучше работает при небольших и стабильных перекрытиях. Для обработки указаны ограничения на число кадров по правилу 8k + 1 и размеры кадра, кратные 32 для одноэтапного вывода. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели MsMagic/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Карточка модели servantofares/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Это репак модели Tencent HY-OmniWeaving для использования в ComfyUI. Репозиторий добавляет поддержку узлов HunyuanVideo 15 Omni Conditioning и Text Encode HunyuanVideo 15 Omni, которые позволяют задавать изображения и видео как опорные материалы. Модель предназначена для генерации и редактирования видео по тексту, изображениям и видеокадрам, включая генерацию видео по изображению, работу с несколькими изображениями и сочетание изображений с видео.

TripoSG-scribble — модель генерации 3D-форм от Tripo и VAST AI Research. Она создаёт 3D-объект по изображению наброска и текстовому запросу и предназначена для прототипирования, дизайна, создания игровых и VFX-ассетов и визуализации. Модель основана на архитектуре TripoSG: rectified-flow-трансформере с 1,5 млрд параметров, VAE с представлением на основе SDF и перекрёстным вниманием для визуальных признаков. Вариант scribble дистиллирован по CFG и обучен на 512 латентных токенах; при генерации следует использовать CFG=0. Для запуска требуется CUDA-совместимый GPU с более чем 8 ГБ видеопамяти. Репозиторий распространяется в форматах Diffusers и safetensors по лицензии MIT.

Карточка модели aiinfluencer00/Viggle-Animate-ComfyUI на Hugging Face совпадает с карточкой drbaph/Viggle-Animate-ComfyUI, поэтому описание составлено по ней. Viggle-Animate — это конверсия модели Viggle/Viggle-Animate для работы в ComfyUI, созданная на основе полноразмерного дообучения трансформера ref2va из MiniMax-H3. Модель предназначена для замены персонажа в видео: она переносит движение, ракурс камеры, фон и освещение из исходного ролика на персонажа с референсного изображения. Текстовый энкодер не используется: модель получает фиксированное встраивание длиной 362 токена. Ускоренный режим с дистилляцией DMD2 выполняет генерацию за 4 шага с тремя прямыми проходами. Для запуска нужны специальные узлы ComfyUI Viggle Animate, а также веса модели, VAE и готового текстового кондиционирования. Доступны варианты BF16 и INT8, включая облегчённый по памяти вариант; указанный в README размер полной модели BF16 — 66,3 ГБ. Качество сохранения внешности снижается, когда персонаж выходит из кадра и возвращается, сильно отклоняется от позы референса или делает резкие крупные движения. Лицензия указана как other, поэтому конкретные условия использования следует проверять у правообладателя.

FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers — объединённая модель генерации видео, созданная слиянием Wan-AI/Wan2.2-I2V-A14B-Diffusers и Wan2.2-Lightning v1. Она принимает исходное изображение и текстовое описание, чтобы создать видеоролик; в примере запуска указаны разрешение 480×832, 81 кадр, частота 16 кадров/с и четыре шага генерации. Модель предназначена для сценариев image-to-video и доступна в формате Diffusers с весами Safetensors. Модель основана на диффузионной MoE-модели Wan2.2-I2V-A14B, для которой в метаданных указана генерация видео 480p или 720p по изображению и тексту. Репозиторий распространяется по лицензии MIT. Пример использования FastDM дополнительно показывает режим FP8 и параметр guidance scale 1.0.

Карточка модели Onelove21/animate на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Карточка модели ganbatteyo/Hunyuan3D-1 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-1, поэтому описание составлено по ней. Hunyuan3D-1.0 — модель Tencent для генерации 3D-объектов по изображению или текстовому запросу. Она использует двухэтапную схему: сначала диффузионная модель создаёт изображения объекта с нескольких ракурсов, затем сеть реконструкции восстанавливает по ним 3D-структуру. Доступны lite- и standard-версии, а также модель реконструкции sparse-view; стандартная версия примерно втрое больше lite-версии по числу параметров. Модель предназначена для быстрого создания 3D-ассетов и поддержки рабочих процессов художников. По README, генерация меша из одного изображения занимает около 10 секунд для lite-версии и 25 секунд для standard на NVIDIA A100. Для текстовой генерации поддерживаются английский и китайский языки. В метаданных указан формат safetensors и библиотека hunyuan3d-2. Лицензия обозначена как other; конкретные условия следует сверить с лицензией репозитория.

OmniWeaving — модель генерации и редактирования видео, разработанная командой Tencent Hunyuan совместно с исследователями Zhejiang University и Nanyang Technological University. Она построена на базе HunyuanVideo-1.5 и сочетает мультимодальную языковую модель для интерпретации запросов, MMDiT для генерации и VAE для работы с визуальными данными. В каталоге Hugging Face представлены веса safetensors; лицензия указана как other. Модель предназначена для создания видео по тексту и изображениям, интерполяции между ключевыми кадрами и редактирования существующего видео по текстовой инструкции. Она принимает комбинированные текстовые, графические и видеовходы, связывает их во времени и может использовать режим рассуждения для уточнения намерения пользователя перед генерацией. В README заявлена высокая точность композиции и сильные результаты на предложенном бенчмарке IntelligentVBench. Для запуска требуются зависимости HunyuanVideo-1.5 и значительные вычислительные ресурсы: README описывает настройки для случаев нехватки GPU- и CPU-памяти. Конкретные размер модели, длина контекста и языковая поддержка в предоставленных источниках не приведены. Лицензия обозначена как other, поэтому условия использования следует проверить в файлах лицензии репозитория.

LTX-2.5 — модель генерации видео и аудио с открытыми весами от Lightricks, предназначенная для локального запуска и дообучения. В представленном репозитории размещён комплект компонентов в формате safetensors: диффузионный трансформер DiT на 22 млрд параметров, текстовый энкодер Gemma 4 12B и видеодекодер DiffVAE; доступны полная и дистиллированная версии, а также вариант int8 для ComfyUI. Метаданные классифицируют эту копию как image-to-video. Модель создаёт синхронизированные видео и аудио по тексту, изображениям и видео; поддерживает многокадровые сцены с сохранением персонажей, окружения и стиля, а также улучшенное следование сложным промптам. Заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Для запуска описаны ComfyUI и пакет ltx-pipelines; в README указаны требования Python 3.12 или новее и CUDA 12.7 или новее. Для организаций с годовой выручкой ниже 10 млн долларов README разрешает бесплатное коммерческое и производственное использование по лицензии LTX-2.x Community License; передача дообученных моделей может требовать платной лицензии. Для организаций с выручкой выше этого порога требуется платное коммерческое соглашение. Модель не предназначена для выдачи фактической информации; точность соответствия промпту не гарантирована, результат зависит от стиля промптинга, а генерация может содержать предвзятость или оскорбительный контент.

SkyReels-V2-I2V-14B-720P-Diffusers — модель генерации видео из изображения из семейства SkyReels-V2, разработанного командой Skywork. Это вариант Image-to-Video, предназначенный для создания видео по входному изображению; в README для такого режима также предусмотрена передача параметров генерации. Модель распространяется в формате Diffusers с весами Safetensors и использует архитектуру AutoRegressive Diffusion-Forcing, описанную авторами SkyReels-V2. Обозначение 14B указывает вариант серии, а 720P — целевое разрешение.

VACE-Wan2.1-1.3B-Preview — модель Tongyi Lab для создания и редактирования видео, дообученная на базе Wan2.1-T2V-1.3B. Она объединяет генерацию видео по референсным изображениям, редактирование видео по видео и редактирование с маской. Можно комбинировать сценарии, например перемещать или заменять объекты, анимировать изображения и расширять видео. Модель принимает текстовый запрос и, в зависимости от сценария, видео, маску и изображения; результатом служит видео. В README для этой версии указан ориентир размера ролика около 81 кадра при разрешении 480 × 832; поддерживаются и другие разрешения, но оптимальные результаты ожидаются в заданном диапазоне. Метаданные указывают английский и китайский языки. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Viggle-Animate — это конверсия модели Viggle/Viggle-Animate для работы в ComfyUI, созданная на основе полноразмерного дообучения трансформера ref2va из MiniMax-H3. Модель предназначена для замены персонажа в видео: она переносит движение, ракурс камеры, фон и освещение из исходного ролика на персонажа с референсного изображения. Текстовый энкодер не используется: модель получает фиксированное встраивание длиной 362 токена. Ускоренный режим с дистилляцией DMD2 выполняет генерацию за 4 шага с тремя прямыми проходами. Для запуска нужны специальные узлы ComfyUI Viggle Animate, а также веса модели, VAE и готового текстового кондиционирования. Доступны варианты BF16 и INT8, включая облегчённый по памяти вариант; указанный в README размер полной модели BF16 — 66,3 ГБ. Качество сохранения внешности снижается, когда персонаж выходит из кадра и возвращается, сильно отклоняется от позы референса или делает резкие крупные движения. Лицензия указана как other, поэтому конкретные условия использования следует проверять у правообладателя.

Карточка модели kato96/Viggle-Animate-ComfyUI на Hugging Face совпадает с карточкой drbaph/Viggle-Animate-ComfyUI, поэтому описание составлено по ней. Viggle-Animate — это конверсия модели Viggle/Viggle-Animate для работы в ComfyUI, созданная на основе полноразмерного дообучения трансформера ref2va из MiniMax-H3. Модель предназначена для замены персонажа в видео: она переносит движение, ракурс камеры, фон и освещение из исходного ролика на персонажа с референсного изображения. Текстовый энкодер не используется: модель получает фиксированное встраивание длиной 362 токена. Ускоренный режим с дистилляцией DMD2 выполняет генерацию за 4 шага с тремя прямыми проходами. Для запуска нужны специальные узлы ComfyUI Viggle Animate, а также веса модели, VAE и готового текстового кондиционирования. Доступны варианты BF16 и INT8, включая облегчённый по памяти вариант; указанный в README размер полной модели BF16 — 66,3 ГБ. Качество сохранения внешности снижается, когда персонаж выходит из кадра и возвращается, сильно отклоняется от позы референса или делает резкие крупные движения. Лицензия указана как other, поэтому конкретные условия использования следует проверять у правообладателя.

Карточка модели Zapm14/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers на Hugging Face совпадает с карточкой FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers, поэтому описание составлено по ней. FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers — объединённая модель генерации видео, созданная слиянием Wan-AI/Wan2.2-I2V-A14B-Diffusers и Wan2.2-Lightning v1. Она принимает исходное изображение и текстовое описание, чтобы создать видеоролик; в примере запуска указаны разрешение 480×832, 81 кадр, частота 16 кадров/с и четыре шага генерации. Модель предназначена для сценариев image-to-video и доступна в формате Diffusers с весами Safetensors. Модель основана на диффузионной MoE-модели Wan2.2-I2V-A14B, для которой в метаданных указана генерация видео 480p или 720p по изображению и тексту. Репозиторий распространяется по лицензии MIT. Пример использования FastDM дополнительно показывает режим FP8 и параметр guidance scale 1.0.

LTX-2.3-22b-IC-LoRA-Pixel-Spatial-Upscaler — адаптер IC-LoRA, разработанный Lightricks на базе видеомодели LTX-2.3-22B. Модель предназначена для video-to-video апскейлинга: она принимает низкоразрешённое референсное видео и генерирует версию с увеличенным пространственным разрешением и синтезированными мелкими деталями. Доступны варианты с увеличением в 2× и 4×. Это генеративный апскейлер для творческого производственного процесса. Рекомендуемый сценарий — сначала создать черновое видео примерно в разрешении 280p, зафиксировав композицию и движение объектов, а затем обработать его выбранным апскейлером для получения результата более высокого разрешения. Степень сходства с исходником регулируется силой LoRA, guidance и числом шагов: меньшая сила лучше сохраняет референс, а большая позволяет модели добавлять больше новых деталей. Модель не является слепым денойзером или инструментом удаления артефактов сжатия и не гарантирует попиксельное сохранение исходного видео. Она может творчески изменять и додумывать детали, поэтому лучше подходит для генеративного апскейлинга, а не для точного восстановления. Для работы требуется базовая модель LTX-2.3-22B и совместимый IC-LoRA workflow, например в ComfyUI. Лицензия — LTX-2-community-license; полные условия определяются её текстом.

LTX-2.5 — модель Lightricks с открытыми весами для генерации видео и синхронизированного аудио по тексту, изображениям и видео. Модель предназначена для локального запуска и дообучения; семейство использует диффузионный трансформер DiT размером 22 млрд параметров и текстовый энкодер Gemma 4 12B. В репозитории представлены отдельные файлы компонентов в формате safetensors, включая полную и дистиллированную версии трансформера. Модель поддерживает генерацию связанных сцен с сохранением персонажей, окружения, освещения, голоса и стиля между кадрами, а также улучшенное следование сложным промптам. Предусмотрены генерация видео по изображению и управление длительностью клипа. Основной сценарий — создание видеороликов с аудио для локальных рабочих процессов; применение в робототехнике и физическом ИИ пока развивается. Текстовый энкодер заявлен для нескольких языков, включая английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Для компаний с годовой выручкой менее 10 млн долларов README описывает бесплатное коммерческое и производственное использование по лицензии LTX-2.x Community License; передача дообученных моделей может требовать платной лицензии. Для организаций с выручкой свыше 10 млн долларов указано отдельное платное коммерческое соглашение. Модель не предназначена для выдачи фактической информации; качество соответствия промпту зависит от формулировки, а генерация может быть неточной и содержать неприемлемый или оскорбительный контент.

LTX-2.5 — видеомодель с открытыми весами от Lightricks для локального запуска и дообучения. Она генерирует синхронизированные видео и аудио по текстовым, графическим и видеоусловиям; также README указывает на новые возможности многокадровой генерации с сохранением персонажей и стиля между сценами. Применение в робототехнике и физическом ИИ пока развивается. Модель семейства LTX использует диффузионный трансформер и набор отдельных компонентов в формате safetensors. В состав входят текстовый энкодер Gemma 4 12B и видеодекодер DiffVAE; доступны полная и дистиллированная версии трансформера, включая ускоренный 8-шаговый вариант. README описывает обработку текста, изображений и видео, а метаданные перечисляют языковые теги en, de, es, fr, ja, ko, zh, it и pt. Длина контекста не указана. Модель рассчитана на создание видеороликов по текстовым запросам и исходным изображениям или видео, в том числе сцен с несколькими связанными планами. README предупреждает, что точное следование запросу не гарантируется, результат зависит от формулировки запроса, а модель не предназначена для получения фактической информации и может воспроизводить предвзятость или создавать неподходящий контент. Лицензия LTX-2.x Community License разрешает бесплатное коммерческое и производственное использование организациям с годовой выручкой менее 10 млн долларов; для более крупных организаций требуется платное соглашение, а передача дообученных моделей может требовать отдельной лицензии.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели Stim748/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели wo1808401/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Это смешанный чекпойнт MiniMax-H3 для генерации видео по изображениям и другим условиям, подготовленный автором загрузки как вариант гибрида fl2va/ref2va b25-49. В основу взят квантованный fl2va, а проекции AdaLN в блоках 25–49 заменены значениями ref2va: модель сохраняет качество базового варианта и получает обработку референсных изображений, видео и аудио. Повторного обучения не проводилось; веса объединены переносом тензоров между готовыми квантованными файлами. Модель использует смешанную квантовку W4A8: 200 линейных слоёв работают с 4-битными весами и 8-битными активациями, остальные указанные в README группы тензоров сохраняют BF16/F16/F32. Файл весит около 11,68 ГиБ и предназначен для загрузки в ComfyUI с поддержкой W4A8. Можно использовать ключевые кадры и референсы субъекта, сцены или стиля; поддерживаются также обычные сценарии text-to-video и генерация по первому кадру. Для нативного быстрого пути W4A8 требуется видеокарта с compute capability 8.0 или выше. На более старых GPU используется корректный, но более медленный программный путь. Модель распространяется по лицензии Apache-2.0.

Карточка модели Sirapasteve/my-video-sandbox на Hugging Face совпадает с карточкой FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers, поэтому описание составлено по ней. FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers — объединённая модель генерации видео, созданная слиянием Wan-AI/Wan2.2-I2V-A14B-Diffusers и Wan2.2-Lightning v1. Она принимает исходное изображение и текстовое описание, чтобы создать видеоролик; в примере запуска указаны разрешение 480×832, 81 кадр, частота 16 кадров/с и четыре шага генерации. Модель предназначена для сценариев image-to-video и доступна в формате Diffusers с весами Safetensors. Модель основана на диффузионной MoE-модели Wan2.2-I2V-A14B, для которой в метаданных указана генерация видео 480p или 720p по изображению и тексту. Репозиторий распространяется по лицензии MIT. Пример использования FastDM дополнительно показывает режим FP8 и параметр guidance scale 1.0.

StableAvatar — модель генерации видео с анимацией аватара под аудио. Её разработали исследователи из Фуданьского университета, Microsoft Research Asia, Сианьского университета Цзяотун и Tencent. Карточка описывает модель как дообучение Wan2.1 T2V-14B, а README также упоминает базовую версию StableAvatar-1.3B на основе Wan2.1-1.3B. На вход модель получает изображение человека и аудио, а на выходе создаёт видео с синхронизированной речью анимацией лица и сохранением идентичности персонажа. Она предназначена для генерации длинных, потенциально бесконечных роликов; README сообщает о разрешениях 480×832, 832×480 и 512×512 для версии на 1,3 млрд параметров. Для плавности между сегментами применяются скользящее окно с динамическим взвешиванием, а архитектура включает аудиоадаптер с учётом шага диффузии. Для ролика длительностью 5 секунд при 480×832 требуется около 18 ГБ видеопамяти, а генерация занимает примерно 3 минуты на RTX 4090. Фоновая музыка и шум могут ухудшать синхронизацию губ; авторы советуют отделять вокал. Репозиторий модели распространяется по лицензии MIT.

Карточка модели Poij134/Wan2.2-I2V-A14B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Карточка модели tanzeme/Wan2.2-I2V-A14B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.