I.10Видео, анимация и 3D

Карточка модели Sinisterlupi/LTX-2 на Hugging Face совпадает с карточкой Aga16/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

LTX-2.3 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она генерирует синхронизированные видео и аудио; семейство поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим аудио- или видеоданным, а эта версия в каталоге помечена как image-to-video. В карточке перечислены варианты модели на 22 млрд параметров: полная обучаемая версия dev и дистиллированные варианты для генерации за 8 шагов. Модель рассчитана на английские запросы; метаданные также отмечают немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки. Для видео ширина и высота должны делиться на 32, число кадров — иметь вид 8n+1. Модель может не точно следовать запросу, качество зависит от формулировки, а аудио без речи может быть низкого качества; возможна генерация оскорбительного или неподходящего контента. Лицензия указана как other, конкретные условия следует уточнять в репозитории.

drbaph/LTX-2.3-FP8 — это квантизированная версия моделей LTX-2.3 22B, разработанных компанией Lightricks. Модель относится к семейству DiT-based audio-video foundation models и предназначена для совместной генерации синхронизированных видео и аудио, включая сценарии text-to-video, image-to-video, video-to-video, audio-to-video и мультимодальные задачи преобразования текста, изображений, видео и аудио в аудиовизуальный контент. Доступны варианты dev и distilled. Размер исходной модели составляет 22 млрд параметров, а каждый FP8-чекпойнт занимает около 30 ГБ. Используется статическая по-тензорная W8A8-квантизация с форматом float8_e4m3fn; часть блоков и неквантизированные параметры сохраняются в BF16 или F32. Ключевая особенность — единая архитектура для обработки аудио и видео с механизмами внимания между модальностями. README указывает поддержку английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков, но точные параметры контекста и ограничения длительности не приведены. FP8-квантизация уменьшает объём модели примерно с 46 ГБ в BF16 до 29,94 ГБ, что упрощает размещение и инференс при сохранении совместимости с исходной моделью. Ограничениями являются высокие требования к памяти, отсутствие в README подробных данных о качестве, скорости, разрешении и максимальной длительности генерации, а также возможные особенности точности, связанные с квантизацией. Модель распространяется по лицензии LTX-2 Community License Agreement; условия исходной LTX-2.3 применяются к этому производному варианту.

Terrygmx/LTX-2.3-uncensored-v1.4-FP8 — модель генерации видео на основе LTX Video 2.3, собранная в формате GGUF с квантованием FP8. Она объединяет базовые модели Lightricks/LTX-2.3 и производные компоненты TenStrip, включая Eros10 NSFW LoRA, DMD Distilled LoRA для ускоренной генерации и улучшенного следования инструкциям, а также LTX Video ICLoRA Detailer для повышения соответствия референсным изображениям. Веса предварительно объединены. Модель предназначена для text-to-video, image-to-video, video-to-video и audio-to-video сценариев, включая режимы FL2VA, T2VA, I2VA, REF2VA и T2VA. Она ориентирована на создание обычных и NSFW-видеосцен, может сохранять идентичность персонажа при преобразовании изображения в видео и поддерживает генерацию видео продолжительностью до 960 кадров, что заявлено как примерно 40 секунд. Также заявлена генерация с аудио, включая диалоги, звуковые эффекты и атмосферный фон. Ключевые характеристики включают архитектуру DiT, форматы GGUF и FP8, ускоренную генерацию за 4 шага и рекомендуемый режим на 8–9 шагах для более высокого качества. В примерах используются разрешение 1280×736, 121 кадр и CFG 3.5; конкретные языки и максимальный контекст не указаны. Сильными сторонами являются высокая скорость, улучшенное сохранение лиц и соответствие референсам, а также поддержка длинных роликов и нескольких типов входных данных. Ограничения включают зависимость качества от числа шагов и CFG, наличие ограничений на незаконный контент и потенциальную нестабильность генерации сложных сцен. Лицензия указана как unknown, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

Lightricks/LTX-2.5-22b-IC-LoRA-Ingredients — адаптер типа IC-LoRA для базовой модели Lightricks/LTX-2.5, разработанный Lightricks. Модель предназначена для генерации и преобразования видео по текстовому описанию с использованием референсного изображения или reference sheet, содержащего персонажей, предметы, окружение и другие визуальные элементы. Основной сценарий применения — video-to-video и создание согласованных по стилю и содержанию видеосцен, в которых требуется сохранять идентичность персонажей, внешний вид объектов, реквизита, логотипов и локаций между кадрами. В README приведены примеры 3D-анимационных рекламных и кинематографических сцен. Модель относится к семейству LTX Video и рассчитана на англоязычные текстовые описания. Известно, что адаптер связан с моделью размером 22B, однако подробности архитектуры, поддерживаемые разрешения, длина контекста и точные требования к вычислительным ресурсам в предоставленных данных не указаны. Сильной стороной является управление визуальной согласованностью на основе референсов; ограничения включают зависимость от качества и полноты reference sheet, а также отсутствие подробной информации о производительности и режимах использования. Модель распространяется по лицензии ltx-2.x-community-license; для доступа может требоваться согласие с условиями платформы и политикой конфиденциальности Lightricks.

realrebelai/LTX-2.5_GGUFs — набор GGUF-квантизаций модели LTX-2.5, разработанной Lightricks и сконвертированной и подготовленной RealRebelAI для использования в ComfyUI через ComfyUI-GGUF. Модель предназначена для генерации видео по текстовому описанию, изображение-видео и создания видео с синхронизированным аудио за один проход. В основе лежит мультимодальная dual-stream DiT-архитектура с видеопутём шириной 4096, аудиопутём шириной 2048 и cross-modal attention для согласования аудио и видео. Исходный transformer в формате bf16 занимает около 39 ГБ, а квантизированные варианты — примерно от 8 до 22 ГБ в зависимости от формата. Доступны уровни Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, Q3_K_M и Q2_K; Q4_K_M рекомендуется как компромисс между качеством и размером. Для работы требуются специальный текстовый энкодер Gemma4-12b-with-proj-ltx-2.5, видео-VAE и аудио-VAE LTX-2.5. Сильная сторона набора — уменьшение требований к памяти при сохранении поддержки генерации согласованных аудио и видео; исправленные GGUF-файлы содержат конфигурацию, необходимую для корректной загрузки в ComfyUI. Distilled-вариант рассчитан на малое число шагов и CFG 1.0, а Dev-вариант — на полный набор шагов с обычным CFG. Более агрессивная квантизация снижает качество, особенно у Q2_K. Лицензия и ограничения использования унаследованы от базовой модели Lightricks/LTX-2.5; README не приводит их условия и не уточняет список поддерживаемых языков или максимальный контекст.

MrMofer/ltx-2.5-mlx-q8 — квантованная сборка LTX-2.5 от Lightricks, подготовленная для запуска через MLX на компьютерах Mac с Apple Silicon. Репозиторий содержит 22-миллиардные аудио-видеотрансформеры в формате MLX q8, а также необходимые компоненты модели; текстовый энкодер квантован до 4 бит. Для работы используется runtime ltx-2-mlx, поддержка LTX-2.5 находится в ветке ltx25. Модель предназначена для генерации видео по изображению и поддерживает режимы генерации с текстовыми и аудиовходами. Доступны дистиллированный двухэтапный режим, режимы с CFG и уточнение результата с помощью дистиллированной LoRA. Сборка использует MLX и Metal, CUDA не требуется. Для запуска нужны macOS на Apple Silicon, Python 3.11 или новее и ffmpeg; на системе с 24 ГБ объединённой памяти README рекомендует режим экономии памяти, но фактические пределы зависят от разрешения, числа кадров и выбранного режима. Лицензия указана как other, поэтому конкретные условия следует проверять в материалах репозитория.

frtertaer/LTX-2.5-uncensored-v1.1-FP8 — квантованная сборка модели LTX Video-2.5, опубликованная пользователем frtertaer и основанная на Lightricks/LTX-2.5 с компонентами TenStrip. Это модель генерации видео с поддержкой text-to-video, image-to-video, video-to-video, audio-to-video и сценариев с референсными изображениями. Веса содержат объединённые настройки нескольких LoRA-адаптеров, включая Eros10 NSFW, DMD Distilled, официальный LTX Video IC-LoRA, IC-LoRA Detailer и Img2Vid LoRA; заявлена возможность генерации контента без ограничений для всех аудиторий. Модель использует GGUF и FP8-квантизацию, а текстовый энкодер Gemma4 12B встроен в сборку и дополнительно не требуется. Поддерживаются режимы FL2VA, T2VA, I2VA, REF2VA и audio-to-video. Рекомендуются разрешение до 1280×720, частота 24 кадра в секунду, 124 кадра и 8 шагов; заявленный диапазон составляет от 4 до 16 шагов, а максимальная длина — до 960 кадров. README не указывает поддерживаемые языки. К сильным сторонам относятся ускоренная генерация, улучшенное следование инструкциям, сохранение лиц, согласованность движения и повышенное соответствие референсным изображениям. Ограничения включают зависимость от совместимого ПО, в частности ComfyUI с custom node comfyui-gguf-loader, а также неизвестную лицензию: условия использования в README не указаны.

LTXV-13B-0.9.8-distilled-GGUF — это квантизированная версия модели LTXV-13B-0.9.8-distilled, разработанной Lightricks и преобразованной в формат GGUF пользователем YarvixPA. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео. В README указана поддержка английского языка. Модель имеет размер 13 млрд параметров и использует архитектуру исходной LTX-Video. Для работы требуются отдельные компоненты: текстовый энкодер T5-V1.1-XXL и VAE LTXV-13B-0.9.8-distilled. Основной сценарий использования — запуск в ComfyUI с поддержкой GGUF; также доступны примеры рабочих процессов. Квантизация может снизить требования к ресурсам, однако конкретный тип квантизации и требования к памяти не указаны. Модель сохраняет ограничения и условия исходной версии LTX-Video, поскольку является конвертацией, а не дообученной моделью. Поддерживаются LoRA, но для них требуется специальная настройка рабочего процесса, а использование torchcompile не рекомендуется. Teacache может приводить к заметному снижению качества. Лицензия обозначена как other; подробные условия приведены в файле LICENSE.md.

city96/LTX-Video-0.9.5-gguf — это квантованная в формате GGUF версия модели Lightricks/LTX-Video, подготовленная пользователем city96. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео. В карточке указана поддержка английского языка. Размер модели и точные сведения об архитектуре и длине контекста не приведены. Модель является прямой конвертацией исходной Lightricks/LTX-Video, а не дообученной версией. Квантование может снизить требования к ресурсам по сравнению с полноразмерной моделью, однако конкретный тип квантования и его влияние на качество зависят от выбранного файла. Для работы предусмотрена интеграция с пользовательским узлом ComfyUI-GGUF; файлы модели следует размещать в каталоге ComfyUI/models/unet. В карточке отмечено, что VAE отличается от версии 0.9. Поскольку это квантованная версия, на неё распространяются те же ограничения и условия исходной модели. Лицензия обозначена как other, а подробные условия должны быть уточнены в файле LICENSE.md исходного репозитория.

LTX-Video 0.9.8 13B Distilled — диффузионная модель генерации видео из изображения от Lightricks. Она предназначена для создания видеороликов на основе исходного изображения и текстового описания; для этой версии заявлены ускоренная генерация и меньшие требования к видеопамяти по сравнению с вариантом 13B Dev, с небольшим снижением качества. Модель работает в библиотеке Diffusers и распространяется в форматах Diffusers и Safetensors. В карточке семейства LTX-Video указана генерация видео до 30 кадров в секунду и разрешения 1216×704. Рекомендуются разрешения ниже 720×1280 и ролики короче 257 кадров; размеры должны делиться на 32, а число кадров иметь вид 8n+1, иначе входные данные дополняются и результат обрезается. Подсказки следует писать на английском; точное следование описанию не гарантируется. Модель разработана Lightricks. Лицензия обозначена как other; карточка перечисляет отдельные условия для этой версии, поэтому перед использованием следует проверить соответствующую лицензию. Модель не предназначена для получения фактических ответов и может воспроизводить смещения из данных обучения.

Карточка модели Inkdhostile/MiniMax-H3 на Hugging Face совпадает с карточкой AgentAnon/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

Карточка модели qqceqqq/MiniMax-H3 на Hugging Face совпадает с карточкой AgentAnon/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

MiniMax-H3 GGUF — это набор GGUF-квантизованных версий 33B-модели MiniMax-H3, разработанной MiniMaxAI и подготовленной joeygambino на основе прунированных контрольных точек MiniMax. Модель относится к DiT-моделям для генерации видео и аудио. Вариант fl2va поддерживает генерацию видео с текстовым описанием и сценарии image-to-video с использованием первого и последнего кадров, а вариант ref2va — генерацию с учётом референсов: до 9 изображений, 3 видео с аудиодорожками и 3 голосовых клипов. Модель предназначена для работы в ComfyUI через ComfyUI-GGUF и дополнительный узел ComfyUI-H3-Multishot. Доступны квантизации Q8_0 размером около 21,5 ГБ, Q5_1 размером около 15,2 ГБ и Q4_0 размером около 11,5 ГБ; они ориентированы соответственно на видеокарты с 24, 16 и 12 ГБ памяти. Факторизованное представление adaln сокращает размер примерно на 40% и ускоряет загрузку весов, сохраняя близкое поведение исходной модели. Для работы требуется ComfyUI версии 0.30.0 или новее, а текстовый encoder в данный GGUF не входит и должен быть установлен отдельно. K-квантизации для этой архитектуры недоступны из-за ширины скрытого слоя 2688. Лицензия указана как minimax-h3-community; точные условия следует уточнять по лицензии MiniMaxAI.

Abiray/MiniMax-H3-GGUF — это набор GGUF-квантизованных версий мультимодальной генеративной модели MiniMax H3, разработанной MiniMaxAI и опубликованной пользователем Abiray. Репозиторий предназначен для запуска модели с необходимыми компонентами, включая варианты UNet, текстовые энкодеры и VAE. Модель поддерживает объединённое понимание текста, изображений, видео и аудио и предназначена прежде всего для генерации видео с синхронизированным стереозвуком. Вариант FL2VA работает в режимах text-to-video, first-frame-to-video, last-frame-to-video и first-and-last-frame-to-video, принимая до двух изображений. Вариант Ref2VA поддерживает мультимодальные референсы: до 9 изображений, 3 видеоклипов и 3 аудиоклипов при общем ограничении в 12 файлов; аудио нельзя использовать без изображения или видео. Модель генерирует ролики длительностью 4–15 секунд, с частотой 24 FPS, стереозвуком 32 кГц и различными соотношениями сторон. Доступны разрешения до 2K через H3-Regenerate-2K, при этом короткая сторона по умолчанию составляет 768 пикселей. Заявлена стабильная поддержка диалогов на арабском, китайском, английском, французском, немецком, итальянском, японском, корейском, португальском, русском и испанском языках; другие языки поддерживаются в разной степени. Сильные стороны модели — широкий набор входных модальностей, референсная генерация и синхронизированный звук, однако исходные квантизованные варианты занимают примерно 15,6–36 ГБ, а требования к памяти и вычислительным ресурсам могут быть высокими. Модель распространяется по MiniMax H3 Community License Agreement.

MiniMax-H3-Pruned-LightX8-Fused — прунированный чекпойнт трансформера MiniMax H3 в формате Diffusers от автора репозитория ibyteohdear. Это мультимодальная модель с 23,1 млрд параметров, предназначенная для генерации видео по тексту и изображениям. Архитектура H3 объединяет представления текста, изображений и аудио в последовательность мультимодальных токенов; H3-Omni-Transformer совместно предсказывает латентные представления видео и звука. Чекпойнт использует safetensors и сжатые AdaLN ранга 8. Модель принимает текстовые инструкции и изображения, а система H3 также поддерживает видеоклипы и аудио как референсы. Она генерирует видео длительностью 4–15 секунд с синхронным стереозвуком; базовый вывод имеет разрешение 768p, а отдельный модуль H3-Regenerate-2K предназначен для повышения разрешения до 2K. Полный процесс подготовки сложного мультимодального контекста через H3-Context-IR требует размещённого сервиса, который не входит в открытую поставку; выпущенный код инференса использует полное внимание, а разреженное внимание пока не предоставлено. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

Motif-Video 2B — Motif Technologies әзірлеген, 2 миллиард параметрлі мәтіннен видео генерациялауға арналған flow-matching diffusion transformer. Модель мәтіндік промпт бойынша видео жасайды және сол салмақтармен бастапқы кескіннен видеоны жалғастыра алады. Hugging Face карточкасында негізгі міндеті text-to-video деп көрсетілген; Diffusers кітапханасындағы MotifVideoPipeline арқылы пайдалануға арналған. Архитектурасы T5Gemma2 мәтіндік энкодерін, Wan2.1 VAE видеотокенизаторын және 12 dual-stream, 16 single-stream, 8 DDT decoder қабатынан тұратын үш сатылы backbone-ды қолданады. Модель 720p ажыратымдылықта 121 кадрға дейін видео жасай алады. Карточкада ағылшын тілі көрсетілген. Лицензиясы — Apache-2.0. Авторлар бағалауында модель VBench жиынтық ұпайы бойынша өздері тексерген ашық модельдер арасында жоғары нәтиже көрсетеді. Шектеулері: адам бейнесінің ұсақ бөлшектерінде, қарқынды қозғалыста және ұқсас нысандардың атрибуттарында бұрмалану болуы мүмкін; сұйықтық, мата, соқтығысу, күрделі көпшілік көріністері мен ұзақ клиптерде уақыттық үйлесімділік бұзылуы ықтимал. Авторлар архитектуралық компоненттердің жеке үлесін бөлек абляциялармен көрсетпеген.

MOVA — открытая модель генерации видео и синхронного аудио, разработанная командой OpenMOSS. Она предназначена для создания видео по изображению и текстовому описанию с одновременным синтезом звука, включая синхронизацию речи с движением губ и звуковые эффекты, соответствующие сцене. В метаданных Hugging Face для этой модели указан основной сценарий image-to-video. Модель использует асимметричную архитектуру с двумя башнями для видео и аудио, объединёнными двунаправленным cross-attention, и схему Mixture-of-Experts: 32 млрд параметров всего, 18 млрд активны при инференсе. Авторы заявляют о поддержке многоязычной синхронизации губ и предоставляют веса, код инференса, обучающий конвейер и скрипты для дообучения LoRA. Лицензия — Apache-2.0. В карточке не приведены сведения о длине контекста и конкретном перечне поддерживаемых языков.

Это профиль распространения видеомодели Wan2.2-TI2V-5B, опубликованной командой Wan Team. Репозиторий Optima-Tools содержит исходные файлы модели без изменения весов и предназначен для установки и использования компонента генерации видео в Optima-Tools. Модель преобразует текстовые запросы в видео. В метаданных указаны английский и французский языки. Файлы представлены в формате Safetensors, лицензия — Apache-2.0. Для локального запуска README указывает Windows x64, совместимый выделенный GPU с CUDA или ROCm, не менее 16 ГБ видеопамяти и 48 ГБ оперативной памяти; рекомендуется 24 ГБ видеопамяти.

RefControl FLUX.2 Klein 9B Reference Depth LoRA — адаптер LoRA от thedeoxen для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Он предназначен для image-to-image генерации и редактирования изображений: объединяет референсное изображение с картой глубины, сохраняя идентичность и стиль объекта или персонажа и перенося его в позу, композицию или сцену, заданную глубиной. Основные сценарии включают портреты людей в разных позах, создание согласованного дизайна персонажей, трансформацию объектов, раскадровки, комиксы и генерацию кадров для анимации. Модель ориентирована преимущественно на людей, но также работает с объектами и стилизованными персонажами. Для использования требуется базовая FLUX.2 Klein 9B Base, триггерное слово refcontrol и карта глубины; рекомендуемый вес LoRA составляет 0,8–1,0. Лучше всего результат получается, когда масштаб и пропорции объекта на карте глубины близки к референсу. Поддерживается комбинирование с текстовыми промптами и другими совместимыми RefControl LoRA, например для управления позой, lineart или canny. README не указывает точные языки, размер адаптера или дополнительные модальности; базовая модель описана как вариант для примерно 50 шагов инференса с guidance_scale около 4,0. Для извлечения глубины в ComfyUI необходимы узлы depth estimation, например из comfyui_controlnet_aux. Распространение заявлено по лицензии Apache-2.0. Ограничения включают зависимость от базовой модели и карты глубины, а также снижение качества при сильном расхождении масштаба или пропорций между референсом и картой глубины.

Карточка модели Skywork/SkyReels-V2-I2V-1.3B-540P на Hugging Face совпадает с карточкой Skywork/SkyReels-V2-T2V-14B-720P, поэтому описание составлено по ней. SkyReels-V2-T2V-14B-720P — модель генерации видео по текстовому описанию, разработанная командой Skywork. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательной генерацией кадров. В основе модели лежит плотная архитектура text-to-video с авторегрессионным Diffusion Forcing; репозиторий содержит веса в формате safetensors. В названии указаны размер 14B и разрешение 720P. Модель рассчитана на генерацию видео по текстовым промптам, создание сюжетных роликов и сцен с движением камеры. Авторы описывают обучение с несколькими этапами предобучения, подкреплением и supervised fine-tuning для улучшения визуального качества и динамики движения. README также описывает задачи image-to-video и генерацию с несколькими согласованными объектами для серии SkyReels-V2, но этот репозиторий классифицирован как text-to-video. В README приведены код и инструкции для инференса на одной или нескольких GPU, включая ускорение через xDiT USP. Для использования требуются вычислительные ресурсы с GPU. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели Shreyansh1409/SkyReels-V3-R2V-14B на Hugging Face совпадает с карточкой Skywork/SkyReels-V3-A2V-19B, поэтому описание составлено по ней. SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

Карточка модели Skywork/SkyReels-V3-R2V-14B на Hugging Face совпадает с карточкой Skywork/SkyReels-V3-A2V-19B, поэтому описание составлено по ней. SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

Карточка модели cutilagememanicure/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Карточка модели nitishmouryaa/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

VDN-Minimax-H3 (VDN-H3) — модель ускорения генерации видео на основе MiniMax H3, разработанная авторами проекта Video DeltaNet. Она предназначена для генерации видео по текстовым запросам; тот же набор весов поддерживает создание видео с заданными начальными и/или конечными кадрами. Архитектура добавляет к базовой модели отдельную ветвь линейного внимания по кадрам и два небольших LoRA-адаптера, сохраняя ветвь softmax-внимания для качества и согласованности изображения. Адаптеры можно объединять с базовой моделью при инференсе без изменения её исходных весов. Авторы сообщают о генерации 14,4-секундного видео в разрешении 768p примерно за 9 секунд на конфигурации из восьми GPU B200, используя восемь шагов денойзинга. Это результат на указанном оборудовании и оптимизированном стеке; он не характеризует скорость на обычном компьютере. Для запуска требуются веса MiniMax H3 и подходящее GPU-оборудование, а подготовка текстового запроса может включать кодирование через Qwen3-VL-32B. Лицензия указана как other; перед использованием необходимо проверить её условия.

Это пакет моделей MiniMax H3, подготовленный T8star для запуска рабочих процессов OpenVDN в ComfyUI. В репозитории находятся INT8-варианты базовой модели, конфигурации DMD и Stage B, а также адаптеры, включая Turbo; базовая модель — MiniMaxAI/MiniMax-H3, пакет обозначен как её дообучение. Указанный формат весов — safetensors. Модель предназначена для генерации видео по текстовому запросу в рабочих процессах T2VA. Пользовательский узел T8star также поддерживает генерацию с первым, последним или обоими ключевыми кадрами, по одиночным и нескольким изображениям-референсам, референсному видео со звуком и аудиореференсу. Для DMD применяются 8 шагов Euler/native-flow; Stage B использует 50 шагов. Автор описывает проверки совместимости на RTX 4060 Ti с 16 ГБ VRAM, в том числе прогоны с уменьшенной INT8-базой, но отмечает, что тесты не гарантируют одинаковое качество или расход памяти на других запросах и конфигурациях. В проверенной матрице минимальный запас VRAM составил 290 МиБ, и только два режима уложились в заданный запас 512 МиБ. Лицензия указана как other, конкретные условия в карточке не раскрыты.

Wan2.1-Fun-1.3B-InP — модель генерации видео из текста и изображений, разработанная командой Alibaba PAI на базе семейства Wan2.1-Fun. Версия 1.3B обучена на данных с несколькими разрешениями и поддерживает прогнозирование видео по начальному и конечному кадрам. Модель предназначена для создания видеороликов по текстовому описанию с возможностью задавать изображение как визуальную опору; в карточке также заявлена поддержка многоязычной генерации. Для запуска проект предлагает библиотеку VideoX-Fun и интеграцию с ComfyUI. Генерация может требовать значительных вычислительных ресурсов; README описывает режимы выгрузки частей модели в CPU, а также режим с float8-квантизацией, который снижает требования к видеопамяти ценой некоторой потери качества. Модель распространяется по лицензии Apache 2.0.

magespace/Wan2.1-I2V-14B-480P-Lightning-Diffusers — вариант Wan2.1 Image-to-Video с оптимизациями Lightx2v, разработанный для быстрого создания видео 480p по исходному изображению. Модель использует диффузионную архитектуру Transformer и предназначена для преобразования статичного изображения в видеоклип; параметры генерации позволяют сохранять соотношение сторон исходного изображения. Модель доступна в формате Diffusers с весами Safetensors и распространяется по лицензии Apache-2.0. В карточке заявлены английский и китайский языки. README описывает Lightx2v как дистиллированную и оптимизированную версию Wan2.1 для ускоренной генерации, однако не приводит конкретных параметров ускорения или результатов оценки именно этого репозитория. Модель подходит для создания коротких видеосцен из изображений и прототипирования видеоконтента. Ограничения включают целевое разрешение 480p и зависимость результата от исходного изображения и текстового промпта; точные требования к оборудованию для этой версии в предоставленных данных не приведены.