I.10Видео, анимация и 3D

Карточка модели jacklyu1989/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Карточка модели Minifutz/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Карточка модели serhatbozkurt/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Карточка модели Bear650/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели D123-123/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели yemsrach3723/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели ai-forever/Wan2.1-T2V-14B-NABLA-0.6-STA-11-3-3 на Hugging Face совпадает с карточкой ai-forever/Wan2.1-T2V-14B-NABLA-0.7, поэтому описание составлено по ней. Wan2.1-T2V-14B-NABLA-0.7 — дообученная версия модели Wan2.1 T2V-14B, представленная командой ai-forever. Она предназначена для генерации видео по текстовым описаниям. Модель использует механизм разреженного внимания NABLA (Neighborhood Adaptive Block-Level Attention), который адаптивно формирует маски внимания для ускорения вычислений в видеодиффузионном трансформере. NABLA с порогом 0,7 рассчитана на генерацию видео высокого разрешения; в карточке описана поддержка разрешения 720p и выше. Метод реализован через Flex Attention в PyTorch и не требует собственного CUDA-кода. Авторы сообщают об ускорении обучения и генерации до 2,7 раза в зависимости от размера видео и настроек, при сохранении сопоставимого качества в их оценках. Модель принимает текст и выдаёт видео; в языковых тегах указан английский. Репозиторий распространяется по лицензии Apache-2.0. Для использования Flex Attention требуется PyTorch версии 2.7 или новее. Фактическое ускорение зависит от конфигурации, а в README результаты приведены для нескольких порогов и вариантов NABLA, поэтому они не гарантируют такие же показатели для порога 0,7 во всех сценариях.

Карточка модели changwangss/wan22-svdquant-signround-nosmooth на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-T2V-A14B-Diffusers, поэтому описание составлено по ней. Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию от команды Wan-AI. Она предназначена для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель использует диффузионную архитектуру Mixture-of-Experts: специализированные эксперты участвуют в разных этапах денойзинга. Обучение на расширенном наборе изображений и видео направлено на улучшение генерации сложного движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Репозиторий предоставляет веса в форматах Diffusers и safetensors и интеграцию с Diffusers. Для запуска на одном GPU README указывает требование не менее 80 ГБ видеопамяти; доступны параметры выгрузки модели и переноса T5 на CPU для снижения потребления памяти, а также много-GPU-инференс. Для расширения промптов можно подключить Dashscope API. Лицензия модели — Apache-2.0.

Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию, разработанная командой Wan-AI. Она создаёт ролики длительностью около 5 секунд в разрешении 480p или 720p. Модель построена на архитектуре диффузии с механизмом Mixture-of-Experts (MoE), который распределяет этапы денойзинга между специализированными экспертами. Модель предназначена для создания видеосцен по текстовым запросам, в том числе с контролем кинематографической эстетики: освещения, композиции, контраста и цветового тона. По данным авторов, обучение на расширенном наборе изображений и видео улучшило генерацию сложного движения, семантики и визуального стиля. Для расширения и детализации запросов можно подключить prompt extension через Dashscope. Для запуска авторы указывают требование видеокарты с 80 ГБ VRAM для однокарточного инференса; выгрузка частей модели на CPU и другие параметры могут снизить потребление памяти. Модель распространяется под лицензией Apache-2.0. В карточке нет данных о поддерживаемых языках запросов и частоте кадров именно этой модели; указанное в README значение 24 кадра/с относится к отдельной модели TI2V-5B.

QuantStack/Wan2.2-T2V-A14B-GGUF — это квантизированная версия модели Wan2.2-T2V-A14B, разработанной командой Wan-AI. Модель преобразует текстовые описания в видео и предназначена для сценариев text-to-video, включая генерацию видеоконтента по текстовым промптам. Модель распространяется в формате GGUF, однако в README не указаны точные архитектурные характеристики, размер, поддерживаемые языки, модальности и длина контекста. Известно, что это прямая конвертация исходной модели Wan-AI/Wan2.2-T2V-A14B. Квантизация может уменьшать требования к ресурсам по сравнению с исходной версией, но README не содержит сведений о конкретном типе квантизации, качестве или производительности. Для использования модель совместима с пользовательским узлом ComfyUI-GGUF и размещается в каталоге ComfyUI/models/unet. Модель распространяется по лицензии Apache-2.0; при этом сохраняются исходные условия лицензирования и ограничения использования базовой модели.

Это модуль ControlNet для Wan 2.2, предназначенный для управления генерацией или преобразованием видео по карте контуров Canny. Репозиторий описывает подход как аналогичный ControlNet для Wan 2.1 и рекомендует использовать модуль в ComfyUI через WanVideoWrapper. Модель принимает видеоданные с контурным управлением и предназначена для задач video-to-video. Файлы весов размещены в формате Safetensors; лицензия — Apache-2.0. Для работы через Diffusers требуется актуальная версия библиотеки.

Bernini-R 1.3B ComfyUI bundle — облегчённая сборка модели для редактирования изображений и видео, опубликованная neuregex. В репозитории есть рендерер на 1,3 млрд параметров, VAE и текстовый энкодер; доступны веса BF16 Safetensors и варианты GGUF с квантованием. Модель представляет собой одноэкспертную доработку Wan2.1-T2V-1.3B и предназначена для запуска в ComfyUI на менее мощных видеокартах. Сборка рассчитана на редактирование по изображению и текстовому запросу: перенос стиля, удаление водяных знаков и субтитров, локальные правки. По заявлению карточки, на простых изменениях она близка по результатам к 14B-сборке, но уступает ей на сложных задачах. Для работы нужны ComfyUI-BerniniR и ComfyUI-GGUF; лицензия — Apache-2.0.

Карточка модели stronman/Bernini-R на Hugging Face совпадает с карточкой ByteDance/Bernini-R, поэтому описание составлено по ней. Bernini-R — видеорендерер от ByteDance для генерации и редактирования видео. Он входит в систему Bernini, которая объединяет семантический планировщик на основе мультимодальной языковой модели и рендерер на основе DiT. В репозитории представлены веса рендерера в формате safetensors; для работы также нужны компоненты Wan2.2, включая VAE, текстовый энкодер UMT5 и токенизатор. Модель поддерживает генерацию видео по текстовому описанию и исходному изображению, а также редактирование изображений и видео. Примеры запуска включают задачи text-to-video, image-to-video, video-to-video и редактирование видео. По умолчанию результат имеет разрешение 480p и частоту 16 кадров в секунду. Для запуска рекомендована видеокарта NVIDIA Hopper, например H100, с CUDA; для улучшения запросов предусмотрена необязательная интеграция с совместимым с OpenAI API сервисом. В README заявлены высокие результаты редактирования видео по внутренней пользовательской оценке авторов, но независимые подробности оценки в предоставленной карточке отсутствуют. Для использования весов указана лицензия Apache-2.0. Для запуска требуется значительная вычислительная мощность; качество результата зависит от запроса и конфигурации, а улучшение промпта требует отдельного API endpoint.

EasyAnimateV5.1-12b-zh-InP — видеогенеративная модель Alibaba PAI из семейства EasyAnimate, построенная на архитектуре Transformer и предназначенная для создания видео по изображению. Версия 12B поддерживает генерацию видео разных разрешений: в карточке семейство описано как обученное на 49 кадрах при 8 кадрах в секунду, примерно для шестисекундных роликов; для этого чекпойнта заявлен режим image-to-video и использование начального и конечного изображений вместе с текстовым запросом. Модель рассчитана на многоязычные запросы и сценарии преобразования изображения в видео. Веса доступны в формате Diffusers и Safetensors; лицензия — Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: README приводит варианты экономии видеопамяти за счёт переноса частей модели на CPU, а режим с float8-квантизацией может снизить качество. Фактическая производительность зависит от разрешения, числа кадров и доступной видеопамяти.

AlayaLab/Evoke-Turbo — модель генерации видео, разработанная AlayaLab как версия Alaya-EVOKE, оптимизированная для управляемости. Она предназначена для создания видео по текстовым запросам с точным следованием инструкциям о движении камеры, сцене и объекте. Модель использует ту же архитектуру и рабочий процесс вывода, что и Evoke: 3 шага без CFG, разрешение 384 × 640 и частота 24 кадра в секунду. В репозитории находятся объединённые веса Turbo-трансформера в формате FP32 и Safetensors. Для работы отдельно нужны базовые компоненты Evoke — VAE, текстовый энкодер, токенизатор и планировщик — а также бэкенд глубины ViGeo1.1. В оценке WBench Evoke-Turbo показала лучшие среди сравниваемых вариантов результаты по навигации, согласованности и физическим характеристикам; сравнение использовало разные промпты и позы, поэтому его результаты не полностью сопоставимы. Модель распространяется по лицензии Apache-2.0. Лицензии базовых компонентов и внешних зависимостей регулируются отдельно.

FabricDiffusion - Texture Model — модель генерации текстур, опубликованная Yuanhao-Harry-Wang. Метаданные указывают на архитектуру StableDiffusionInstructPix2PixPipeline и библиотеку Diffusers; модель предназначена для генерации изображений по текстовым запросам. Её можно применять для создания текстур по описанию. README не содержит подробностей о данных обучения, поддерживаемых языках, размере модели, контексте или условиях лицензии.

Это исправленная версия чекпойнта трансформера HY-OmniWeaving для рабочих процессов HunyuanVideo 1.5, опубликованная автором репозитория Shiba-2-shiba. В FP8-чекпойнте заменены два обнулённых тензора слоя `mm_in.linear_2` — веса и смещение — значениями из обновлённой базовой модели. Это точечный перенос тензоров, а не дообучение; файл сохранён в формате safetensors и предназначен для использования вместо исходного FP8-чекпойнта, в том числе в ComfyUI. Модель применяется для генерации видео по тексту и изображениям. Базовая HY-OmniWeaving от Tencent поддерживает мультимодальную генерацию и редактирование видео по тексту, изображениям и видеокадрам; для этой версии карточка указывает задачу image-text-to-video. Исправление восстанавливает неактивный коннектор, но автор не заявляет, что оно устраняет все проблемы качества или соответствия исходной модели. Условия использования определяются лицензией и требованиями к атрибуции исходной модели Tencent/HY-OmniWeaving; отдельная лицензия в карточке исправленной версии не приведена.

JoyAI-Echo x LTX-2.3 — это объединённая аудиовизуальная диффузионная модель автора Joey Gambino на базе JoyAI-Echo и LTX-2.3. Веса собраны слиянием ветвей: видеомодель и путь кондиционирования взяты из JoyAI-Echo, аудиоветвь и блоки cross-attention — из LTX-2.3 distilled-1.1. Архитектура AVTransformer3DModel, 48 слоёв; доступны полные чекпойнты в форматах BF16 и FP8, упакованные вместе с компонентами для видео и аудио. Модель предназначена для генерации видео со звуком по текстовому описанию, в том числе многокадровых сцен с говорящими персонажами. В связке с memory-multishot она рассчитана на сохранение внешности и одежды персонажа между сценами, естественную речь и синхронизацию губ. README рекомендует рендерить при 24 кадрах в секунду для предсказуемого соответствия акцента подсказке; запуск требует настройки под доступную память и используемую сборку ComfyUI. В описании репозитория лицензия указана как other, поэтому конкретные условия использования из доступных данных определить нельзя. Автор отмечает необходимость настройки workflow и аппаратных ресурсов; результаты могут зависеть от сборки и параметров рендера.

Карточка модели fengbaoqishi/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели wang1232132132/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели Ahmyr/LTX-2.3 на Hugging Face совпадает с карточкой Lamender43/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель на основе архитектуры DiT, разработанная Lightricks. Она генерирует синхронизированные видео и аудио в рамках одной модели; этот репозиторий описывает семейство контрольных точек, включая полную обучаемую версию и дистиллированные варианты. Модель рассчитана на локальный запуск и создание роликов по визуальному входу, а семейство также поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим медиа. Модель принимает инструкции на английском языке. Карточка описывает улучшения качества аудио и видео и следования запросу по сравнению с LTX-2. Для размеров изображения предусмотрена кратность 32, а число кадров должно иметь вид 8n+1. Модель не предназначена для получения фактических ответов, может неточно следовать запросу и воспроизводить социальные предубеждения; звук без речи может быть низкого качества. Лицензия в метаданных обозначена как «other», поэтому конкретные условия следует сверить с файлами лицензии репозитория.

Карточка модели KingGhidorah/LTX-2.3 на Hugging Face совпадает с карточкой eseedo/LTX-2.3, поэтому описание составлено по ней. 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.

Карточка модели Rishu011/LTX-2.3 на Hugging Face совпадает с карточкой Lamender43/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель на основе архитектуры DiT, разработанная Lightricks. Она генерирует синхронизированные видео и аудио в рамках одной модели; этот репозиторий описывает семейство контрольных точек, включая полную обучаемую версию и дистиллированные варианты. Модель рассчитана на локальный запуск и создание роликов по визуальному входу, а семейство также поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим медиа. Модель принимает инструкции на английском языке. Карточка описывает улучшения качества аудио и видео и следования запросу по сравнению с LTX-2. Для размеров изображения предусмотрена кратность 32, а число кадров должно иметь вид 8n+1. Модель не предназначена для получения фактических ответов, может неточно следовать запросу и воспроизводить социальные предубеждения; звук без речи может быть низкого качества. Лицензия в метаданных обозначена как «other», поэтому конкретные условия следует сверить с файлами лицензии репозитория.

Карточка модели zachyuan/LTX-2.3 на Hugging Face совпадает с карточкой Lamender43/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель на основе архитектуры DiT, разработанная Lightricks. Она генерирует синхронизированные видео и аудио в рамках одной модели; этот репозиторий описывает семейство контрольных точек, включая полную обучаемую версию и дистиллированные варианты. Модель рассчитана на локальный запуск и создание роликов по визуальному входу, а семейство также поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим медиа. Модель принимает инструкции на английском языке. Карточка описывает улучшения качества аудио и видео и следования запросу по сравнению с LTX-2. Для размеров изображения предусмотрена кратность 32, а число кадров должно иметь вид 8n+1. Модель не предназначена для получения фактических ответов, может неточно следовать запросу и воспроизводить социальные предубеждения; звук без речи может быть низкого качества. Лицензия в метаданных обозначена как «other», поэтому конкретные условия следует сверить с файлами лицензии репозитория.

10 Eros — производная модель BenBens0n для создания видео по исходному изображению на основе семейства LTX. Автор описывает её как отдельный вариант слияния весов для image-to-video: при слиянии использованы масштабирование слоёв и веса разных этапов, а не прямое объединение. Модель распространяется в формате safetensors; для BF16 и одного варианта FP8 указаны полные чекпойнты, также доступны раздельные файлы FP8 для Transformer. Модель предназначена для генерации видео, продолжая сцену с заданного первого кадра. Автор отмечает, что движения, изменения сцены и аудио следует явно задавать в запросе; модель слабо достраивает намерение самостоятельно. Карточка рекомендует осторожно применять крупные дистиллированные LoRA, поскольку они могут ухудшить результат дообучения, и предлагает условно безопасные варианты LoRA. Лицензия в предоставленных данных не указана.

Это квантизированный MLX-порт модели LTX-2.3 10Eros v1.2, подготовленный для работы на компьютерах Apple Silicon. Модель разработана на основе дообученной TenStrip/LTX2.3-10Eros и предназначена для создания видео по текстовому описанию и исходному изображению; README также сообщает о поддержке аудиопайплайнов. В репозитории есть dev- и distilled-варианты трансформера, общие компоненты, апскейлеры и вокодер. Текстовый энкодер Gemma 3 12B не включён и загружается отдельно. Веса трансформерных блоков линейных слоёв квантизированы до int8 с размером группы 64; некоторые компоненты оставлены в bf16. Для запуска требуются Apple Silicon и ltx-2-mlx. Модель предназначена для взрослой аудитории и может создавать откровенный контент. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Crisp Enhance — это LoRA-адаптер для модели Lightricks/LTX-Video, разработанный vrgamedevgirl84. Он предназначен для задач text-to-video и улучшения визуального стиля изображений и видеокадров: повышает воспринимаемую резкость, подчёркивает микродетали, усиливает контраст, текстуры и чёткость границ, придавая результату более чистый, кинематографичный и детализированный вид. Адаптер рассчитан на сценарии, где требуется визуальная полировка, эффект высокой чёткости и дополнительная выразительность деталей. Его можно применять отдельно или совместно с LoRA Soft Enhance, ориентированной на более мягкий и естественный результат, регулируя баланс между резкостью и сглаживанием. Архитектура, размер, поддерживаемые языки, модальности помимо видео и максимальная длина контекста в README не указаны. Сильные стороны модели — усиление деталей, текстур, контраста и кинематографичной ясности. При чрезмерном применении возможны излишняя резкость или менее естественный вид, однако конкретные ограничения и рекомендуемые значения силы адаптера не приведены. Лицензия и условия использования в доступных данных не указаны.

LTX-2.3-IC-LoRA-Colorizer — адаптер LoRA, опубликованный DoctorDiffusion для модели Lightricks/LTX-2.3. Он предназначен для видеогенерации video-to-video и добавления цвета к чёрно-белым видеозаписям в рабочих процессах LTX-2.3 IC-LoRA. Модель рекомендуется использовать с IC-LoRA workflow от Lightricks, отключив часть с ControlNet. Для управления результатом можно указывать желаемые цвета в запросе и использовать уже раскрашенный кадр как дополнительный ориентир. Для сохранения мелких деталей исходного видео рекомендуется наложить итоговый результат на оригинал в режиме смешивания «color». Карты цветов можно генерировать в половинном от целевого разрешении для ускорения обработки. Проект находится в разработке, поэтому результаты не всегда идеальны. В README не указаны размер адаптера, точная архитектура базовой модели, поддерживаемые языки, максимальный контекст или системные требования. Модель распространяется по лицензии Apache-2.0.

Карточка модели TechnoBaptist/LTX-2.3-N-v1.4-FP8 на Hugging Face совпадает с карточкой TheGladian/LTX-2.3-uncensored-v1.4-FP8, поэтому описание составлено по ней. LTX Video-2.3 Uncensored Turbo v1.4 — слитая сборка видеодиффузионной модели LTX-2.3 от Lightricks с дообучениями Eros10, DMD и In-Context LoRA Detailer, подготовленная автором TheGladian. Модель предназначена для генерации видео по тексту и изображениям, а также для сценариев с референсами и входным аудио. В карточке указаны режимы text-to-video, image-to-video, video-to-video и audio-to-video; заявлены генерация за 4 шага, сохранение сходства персонажа с исходным изображением и улучшенное следование инструкциям. В репозитории представлены GGUF-квантизации Q4_K_M, Q6_K и Q8_0, а также safetensors; метаданные указывают библиотеку GGUF. README приводит примеры до 1280 × 736 и 121 кадра, а в настройках рекомендует до 1280 × 720, 24 кадра в секунду и до 960 кадров. Для работы описана связка с текстовым энкодером Gemma 3 12B и проекциями CLIP. Сборка включает NSFW-настройку Eros10, поэтому рассчитана в том числе на взрослый контент; README упоминает наличие ограничителей против незаконного контента. Лицензия в метаданных обозначена как неизвестная, поэтому условия использования по карточке установить нельзя.

fairy322/LTX-2.3-Sulphur2-Distilled-Diffusers — это версия Sulphur 2 в формате Diffusers на основе LTX 2.3. Автор README указывает поддержку генерации видео по тексту и по изображению; в метаданных основной задачей обозначена генерация видео по тексту. В репозитории используются Diffusers и safetensors. Модель предназначена для создания видео по текстовым запросам и исходным изображениям. README сообщает, что модель не ограничивает содержание генерируемого видео. Она получена слиянием SulphurAI/Sulphur-2-base и OzzyGT/LTX-2.3-Distilled-1.1; карточка называет её дистиллированной. В README также упомянут отдельный prompt enhancer, но его формат и назначение не меняют основную задачу этого репозитория. Используйте модель с библиотекой Diffusers. Размер, длина контекста и лицензия в предоставленных источниках не указаны.