I.10Видео, анимация и 3D

Карточка модели Alea123/LTX-2.3-uncensored-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.

Это GGUF-конверсия LTX-2.5 от Lightricks, подготовленная для локального запуска, в том числе через ComfyUI. Модель предназначена для генерации видео по текстовому описанию; исходная LTX-2.5 также принимает изображения и видео и создаёт синхронизированные видео и аудио. Архитектура исходной модели включает два потока DiT для видео и аудио с межмодальным вниманием, а также текстовый энкодер Gemma 4 12B. В README указано 22 млрд параметров; варианты GGUF уменьшают требования к памяти по сравнению с исходными весами BF16. Модель поддерживает генерацию нескольких связанных сцен с сохранением персонажей и визуального стиля между планами. Качество и требования к видеопамяти зависят от уровня квантизации: низкие варианты Q2 и Q3 автор README считает пригодными главным образом для тестов и прототипов, тогда как более высокие варианты лучше сохраняют качество. В репозитории заявлена лицензия other, поэтому конкретные условия использования следует сверять с лицензией исходной модели Lightricks/LTX-2.5.

FrankDase/LTX-2.5-MLX — неофициальная конверсия Lightricks/LTX-2.5 для локального запуска через MLX на компьютерах Apple Silicon. Это дистиллированная модель генерации видео и синхронизированного аудио; репозиторий содержит веса и компоненты видеокодека, аудиокодека, вокодера и повышения пространственного и временного разрешения. Трансформер и текстовый энкодер Gemma 4 представлены в 8-битном формате MLX, остальные компоненты — в BF16. Модель предназначена для генерации видео по изображению, в том числе с начальным и конечным кадрами или интерполяцией между ними, а также для генерации видео с аудиовходом и совместной генерации синхронизированных видео и аудио. README также перечисляет генерацию по тексту. Доступность отдельных режимов зависит от используемой версии среды выполнения; для работы требуются Apple Silicon, ARM64 Python, MLX 0.31 или новее и совместимая среда LTX 2.5 MLX. Автор сообщает о локальном тестировании на Mac с M4 и 64 ГБ объединённой памяти; на системах с меньшей памятью может потребоваться снизить разрешение и число кадров. Это конверсия формата, а не дообучение: модель преобразована из официального выпуска BF16, новых обучающих данных не добавлено. В README указана лицензия репозитория как other; конкретные условия следует проверять в карточке и файлах лицензии. Репозиторий не включает опциональный перезаписыватель промптов.

QuantStack/LTX-2-GGUF — это квантованная версия модели LTX-2 от Lightricks, преобразованная в формат GGUF. Модель предназначена для генерации и преобразования видео и аудио, включая сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio и совместной генерации аудио и видео по тексту или изображению. Модель рассчитана на использование в ComfyUI и требует нескольких компонентов: основной модели LTX-2 в формате GGUF, текстового энкодера Gemma 3, Embeddings Connector и Qwen-Image VAE для видео и аудио. В метаданных заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Размер модели, точная архитектура, модальности входов и выходов в технических деталях, а также размер контекстного окна в README не указаны. К сильным сторонам относятся поддержка широкого спектра мультимодальных задач и более компактный квантованный формат GGUF. Ограничения связаны с необходимостью устанавливать дополнительные компоненты и использовать совместимую конфигурацию ComfyUI; характеристики квантования и влияние на качество в README не раскрыты. Модель распространяется по лицензии LTX-2 Community License Agreement, при этом для квантованной версии сохраняются все исходные условия и ограничения лицензирования.

Это производный чекпойнт MiniMax-H3, подготовленный xmarre для запуска в ComfyUI. Репозиторий содержит BF16-конверсию в один файл и варианты INT8, включая вариант ConvRot; заявленная задача модели — генерация видео по тексту и изображению. Веса происходят от MiniMaxAI/MiniMax-H3 через ветку Comfy-Org и промежуточный чекпойнт diffusers-modular/MiniMax-H3-Pruned-Ref-Delta-Fused-r1024. В конверсию входят структурные изменения для формата ComfyUI, а варианты INT8 квантизируют 150 или 200 тяжёлых линейных слоёв главного трансформера. Модель предназначена для создания коротких видеороликов в рабочих процессах ComfyUI. Для использования доступны файлы размером около 37,5 ГиБ в BF16 и около 21 ГБ в INT8. Автор сообщает об успешном запуске INT8 ConvRot на актуальной у него версии ComfyUI; варианты с сохранением fc2 в BF16 предлагаются как запасной вариант для сред, где квантизированный fc2 вызывает сбой или нехватку памяти. Лицензия в метаданных обозначена как other, поэтому условия использования следует уточнить в исходной лицензии репозитория.

Minimax-h3_Singularity — дообученная модель генерации видео на базе MiniMaxAI/MiniMax-H3, опубликованная WarmBloodAban. Она предназначена для мультимодальных видеосценариев в ComfyUI: генерации видео по изображению, а также по описанным в карточке сценариям text-to-video, reference-to-video и video-to-video. В репозитории указаны веса safetensors и лицензия Apache-2.0. Автор заявляет улучшения HDR-детализации, снижение размытия при быстром движении, более естественные материалы и освещение, восстановление лиц в дальних планах, выразительную мимику и более точную реакцию на движения камеры. Модель также нацелена на динамичные сцены боя и фэнтезийные визуальные эффекты. Карточка описывает обучение на видео с HDR и несколько этапов настройки и оптимизации весов. В метаданных основная задача обозначена как image-to-video; остальные режимы перечислены в README. В качестве ограничений следует учитывать, что заявления об улучшениях принадлежат автору модели, а карточка не приводит количественных оценок качества или подробных требований к ресурсам. Для ускорения автор рекомендует отдельную LoRA на четыре шага, но она не входит в состав этой модели.

NeoVerse — модель 4D-моделирования мира, разработанная авторами работы «NeoVerse: Enhancing 4D World Model with in-the-wild Monocular Videos». Она предназначена для реконструкции 4D-сцен, генерации видео с новыми траекториями камеры и последующих задач, использующих такую реконструкцию. Модель основана на объединении Wan-AI/Wan2.1-T2V-14B и lightx2v/Wan2.1-T2V-14B-StepDistill-CfgDistill-Lightx2v; веса опубликованы в формате safetensors. В карточке также указан датасет SpatialVID/SpatialVID. Для использования NeoVerse карточка направляет к инструкциям в GitHub. В репозитории Hugging Face указан pipeline video-to-video. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или поддерживаемые языки.

Карточка модели JSCreatorPro/offline-video-mochi-1 на Hugging Face совпадает с карточкой genmo/mochi-1-preview, поэтому описание составлено по ней. Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

Ovi — модель генерации видео и аудио, разработанная Chetwin Low и командой из Character AI при участии Yale University. Она создаёт синхронизированные видео и звук по текстовому описанию или по тексту вместе с исходным изображением; для речи и звуковых эффектов предусмотрен специальный формат промпта. README описывает генерацию роликов длительностью 5 или 10 секунд при 24 кадрах в секунду, а обновление Ovi 1.1 — видео с временной согласованностью в разрешении 960 × 960. В метаданных репозитория указана производная от Wan-AI/Wan2.2-TI2V-5B модель для задачи image-to-video; веса представлены в формате safetensors. Карточка заявляет отдельную 5B аудиоветвь, обученную с нуля, и упоминает дообучение на видео высокого разрешения и RL. Для инференса README указывает минимум 32 ГБ видеопамяти, а для FP8 — около 24 ГБ с небольшим снижением качества. Также приведены высокие требования к памяти для конфигураций без экономии памяти. Модель распространяется по лицензии Apache-2.0.

RefControl FLUX.2 Klein 9B — это LoRA-адаптер, разработанный thedeoxen для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Он предназначен для генерации и редактирования изображений по двум входным изображениям: карте позы со скелетом или ключевыми точками и референсному изображению персонажа, человека или объекта. Адаптер переносит позу и структуру тела с первой картинки, стараясь сохранить идентичность, внешность, стиль, одежду или характерные детали со второй. Модель ориентирована прежде всего на людей, но поддерживает стилизованных персонажей и некоторые объекты. Она подходит для позирования персонажей в иллюстрациях, комиксах и раскадровках, создания согласованных изображений одного персонажа в разных позах, репозинга и подготовки ключевых кадров для анимации. Для активации рекомендуется использовать фразу «apply pose from image 1 with reference from image 2», а вес LoRA обычно задавать в диапазоне 0,8–1,0. Для извлечения позы в workflow ComfyUI используется DWPose через comfyui_controlnet_aux. Рекомендуемая базовая модель — недистиллированная FLUX.2-klein-base-9B, для которой указаны около 50 шагов генерации и guidance_scale около 4,0. Адаптер также работает с дистиллированной FLUX.2-klein-9B в режиме примерно 4 шагов и guidance_scale около 1,0, однако качество сохранения идентичности и точности позы может быть ниже. Наилучшие результаты ожидаются, когда карта позы имеет близкие к референсу масштаб и пропорции; существенно отличающиеся кадрирование и размеры тела могут ухудшать результат. Лицензия модели — Apache-2.0.

Ruyi-Mini-7B — модель генерации видео из изображения, разработанная CreateAI и выпущенная под лицензией Apache 2.0. По входному изображению она создаёт последующие видеокадры; поддерживает разрешения от 360p до 720p, разные соотношения сторон и ролики длительностью до 5 секунд, а также управление движением и камерой. Модель содержит около 7,1 млрд параметров и использует архитектуру, модифицированную на основе EasyAnimate V4, с трансформерным модулем, унаследованным от HunyuanDiT. В составе системы — VAE для сжатия видео, диффузионный трансформер с 3D-вниманием и CLIP для извлечения признаков входного изображения. Для генерации на высоких разрешениях требуется значительный объём видеопамяти. Это экспериментальный выпуск. На изображениях и видео могут искажаться текст, кисти рук и лица в толпе; иногда модель переключает сцену, если не может предсказать продолжение. Модель распространяется по разрешительной лицензии Apache 2.0.

SLORA-LTX — модель генерации видео, опубликованная Мухаммадом Таки. Она предназначена для создания динамичных видеоклипов по текстовому описанию; в README также заявлена генерация видео по изображению. Модель совместима с синтаксисом и параметрами конвейера Lightricks/LTX-Video и интегрируется с библиотекой diffusers. README заявляет быстрое создание временных последовательностей и настройку числа кадров, разрешения и соотношения сторон. В метаданных указаны форматы diffusers и safetensors, задача text-to-video и лицензия MIT. Размер модели, длина контекста и поддерживаемые языки не приведены.

Step-Video-T2V — модель генерации видео по текстовому описанию, разработанная StepFun. Она создаёт видеоролики длиной до 204 кадров; заявленная конфигурация модели содержит 30 млрд параметров. Для кодирования видео используется VAE со сжатием 16×16 по пространству и 8× по времени, а генерацию выполняет DiT с 48 слоями, 48 головами внимания и 3D full attention. Текстовые запросы кодируются двумя предварительно обученными двуязычными энкодерами для английского и китайского языков. Модель предназначена для создания динамичных видеороликов по текстовым запросам, включая сцены с людьми, животными, пейзажами, спортом и анимацией. В финальном этапе обучения применялся Direct Preference Optimization для улучшения визуального качества и согласованности кадров. Репозиторий содержит веса в формате safetensors для Diffusers и PyTorch и распространяется по лицензии MIT. Для запуска авторы рекомендуют Linux и NVIDIA GPU с 80 ГБ памяти; в приведённых замерах генерация видео 544×992 пикселей занимала сотни секунд на 50 шагах.

Sulphur 2 — базовая модель для генерации видео, опубликованная SulphurAI и основанная на Lightricks/LTX-2.3. Она предназначена для преобразования текста в видео (t2v) и изображения в видео (i2v), а также поддерживает остальные форматы, доступные в LTX 2.3. Модель интегрируется с библиотекой Diffusers и позиционируется как модель без ограничений по содержанию. В состав модели входит prompt enhancer, который можно использовать в LM Studio для улучшения текстовых запросов, в том числе с изображениями. Для начала работы рекомендуется использовать одну из dev-версий в форматах fp8mixed или bf16 вместе с предоставляемой distill LoRA; одновременное применение LoRA и полной модели не рекомендуется. Официальный способ инференса на момент публикации ещё не представлен, а подробные инструкции по настройке и дообучению планируются позднее. В README не указаны точный размер модели, архитектурные параметры, поддерживаемые языки, размер контекста и лицензия, поэтому эти характеристики нельзя определить по имеющимся данным.

Sulphur 2 (distilled) — NVFP4 — это квантованная версия модели Sulphur-2-base от SulphurAI, созданная на базе архитектуры Lightricks LTX-2.3. Модель распространяется и упакована пользователем coolthor; исходная архитектура разработана Lightricks, а текстовый энкодер использует Google Gemma-3-12B. Это диффузионный трансформер для генерации видео и аудио по текстовому описанию, а также для сценариев image-to-video и text-to-audio-video. Модель позиционируется как uncensored. Используется weight-only-квантизация NVFP4 с 4-битными весами FP4, блочными масштабами FP8 и глобальными масштабами FP32; отдельные чувствительные компоненты сохраняют формат BF16. Размер чекпойнта составляет около 19 ГБ, что примерно на 32% меньше FP8-версии и позволяет разместить модель на видеокарте с 32 ГБ памяти. Проверенная конфигурация обеспечивает генерацию видео 832×480 с частотой 24 кадра в секунду и синхронизированным AAC-аудио; для дистиллированной версии рекомендуется 8 шагов и CFG 1.0. Ключевое преимущество NVFP4 — уменьшенный объём хранения и потребление памяти, а не ускорение: по приведённым измерениям модель работает примерно на 6% медленнее FP8 на GB10 DGX Spark. Для корректной работы в ComfyUI требуется использовать отдельный full VAE, поскольку встроенный VAE зависает, а также запускать ComfyUI с параметрами --disable-async-offload и --disable-dynamic-vram. Текстовый энкодер Gemma-3-12B в комплект не входит и должен быть установлен отдельно. Модель и производные распространяются по LTX-2 Community License Agreement от 5 января 2026 года.

TurboWan2.2-I2V-A14B-Diffusers — модель генерации видео по изображению, представленная в формате Diffusers для запуска через SGLang. README описывает её как конверсию TurboWan2.2-I2V-A14B-720P; метаданные связывают репозиторий с дообучением TurboDiffusion/TurboWan2.1-T2V-14B-720P и указывают совместимость с WanImageToVideoDmdPipeline. Заявлены задачи генерации видео по изображению и по текстовому описанию. Модель распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. README содержит пример запуска на двух GPU, но не приводит сведения о качестве, поддерживаемых разрешениях или ограничениях применения. Метаданные указывают семейство Wan 2.1, тогда как название и README относят модель к Wan 2.2.

Карточка модели weizhou03/Wan2.1-Fun-1.3B-InP-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P-Diffusers, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — модель генерации видео из изображения, разработанная командой Wan-AI. Это 14-миллиардная модель семейства Wan2.1 в формате Diffusers, построенная на архитектуре diffusion transformer и использующая пространственно-временной вариационный автокодировщик Wan-VAE. Модель предназначена для создания видеороликов разрешением 480p на основе входного изображения и текстового описания движения или сцены; при генерации сохраняется соотношение сторон исходного изображения. Модель входит в открытую линейку видеогенерации Wan2.1. Семейство поддерживает работу с китайским и английским текстом, однако карточка этого варианта описывает именно генерацию видео из изображения. Для запуска доступны сценарии Diffusers и мног GPU-инференс. Лицензия репозитория — Apache 2.0. Вариант 480p ориентирован на сочетание скорости и качества при генерации видео. Запуск 14B-модели требует значительных вычислительных ресурсов; README описывает использование выгрузки модели с GPU и мног GPU-инференса. Результат зависит от исходного изображения и текстового запроса.

Карточка модели Abhikie18/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 lesser1north/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 plluha/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.

ai-forever представляет дообученную версию Wan2.1 T2V-14B для генерации видео по текстовому описанию. Модель использует архитектуру diffusion transformer и сочетает разреженное внимание NABLA с Sliding Tile Attention (STA); конфигурация репозитория указывает на окно STA 11×5×5 и порог NABLA 0.5. NABLA адаптивно формирует разреженную маску внимания: сжимает запросы и ключи усреднением, вычисляет внимание на уменьшенном представлении и строит маску на основе CDF. В README описаны ускорение обучения и генерации до 2,7 раза в зависимости от размера видео и конфигурации, а также тестирование качества по CLIP, VBench и оценке людей. Базовая Wan2.1 T2V-14B предназначена для генерации видео 480p или 720p; README также заявляет поддержку 720p и выше для метода NABLA. Модель принимает текстовые запросы и выдаёт видео. Для работы в описанном примере используется Diffusers и PyTorch версии 2.7 или выше. Карточка не приводит сведения о поддерживаемых языках запросов помимо английского тега. Модель распространяется по лицензии Apache-2.0. Показатели скорости зависят от конфигурации и размера видео; приведённая в README команда для конфигурации STA 11×5×5 задаёт порог NABLA 0.6, хотя идентификатор репозитория и текст примера указывают на 0.5, поэтому точный порог этой сборки по карточке неясен.

TheDenk/wan2.2-t2v-a14b-controlnet-depth-v1 — модуль ControlNet для Wan2.2 A14B, предназначенный для генерации видео с управлением по карте глубины. Репозиторий содержит веса модуля; для использования автор рекомендует ComfyUI-WanVideoWrapper и актуальную версию diffusers. Модель рассчитана на сценарии video-to-video: карта глубины служит условием, которое помогает задавать структуру и геометрию генерируемого видео. В карточке указана архитектурная связь с Wan2.2; формат весов — safetensors. Лицензия — Apache-2.0. Для работы требуются совместимая базовая модель Wan2.2 и подходящий пайплайн ControlNet. Карточка не приводит размер весов, длину контекста или поддерживаемые языки; текстовые инструкции не заявлены.

bullerwins/Wan2.2-T2V-A14B-GGUF — GGUF-версия модели Wan2.2 T2V-A14B, разработанной командой Wan-AI. Это генеративная модель для преобразования текста в видео, предназначенная для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель ориентирована на генерацию сложных движений, улучшенную передачу семантики и кинематографической эстетики, включая управляемые характеристики освещения, композиции, контраста и цветового тона. Модель использует архитектуру Mixture-of-Experts (MoE) в составе диффузионной видеомодели: отдельные экспертные компоненты применяются на разных этапах денойзинга, что увеличивает общую ёмкость модели при сохранении сопоставимых вычислительных затрат. Для работы требуются два компонента — high-noise и low-noise: первый используется на начальных шагах генерации, второй отвечает за детализацию. Формат GGUF предназначен для запуска через ComfyUI с расширением ComfyUI-GGUF; в репозитории также заявлен пример workflow. Сильными сторонами модели являются поддержка двух разрешений, качество генерации движений и визуальной эстетики, а также открытая интеграция с ComfyUI и Diffusers. README не указывает поддерживаемые языки текстовых запросов, точные требования к видеопамяти, длину контекста и технические параметры GGUF-квантизации, поэтому эти характеристики нельзя определить по представленным данным. Модель распространяется по лицензии Apache-2.0.

zeroscope_v2_576w — модель генерации видео из текстовых запросов, опубликованная cerspense и основанная на ModelScope. Она предназначена для создания предварительных видеоклипов с композициями 16:9 и плавным движением, которые можно использовать для быстрого подбора результата перед повышением разрешения с zeroscope_v2_XL. Модель обучена на 9 923 видеоклипах и 29 769 размеченных кадрах; целевое разрешение — 576×320 при 24 кадрах. Для генерации 30 кадров README указывает потребление около 7,9 ГБ видеопамяти. Модель работает с текстовым вводом и выдаёт видео. Доступна в форматах Diffusers и PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. README рекомендует повышать разрешение через vid2vid с zeroscope_v2_XL, сохраняя исходный запрос.

Allegro — открытая модель генерации видео по тексту от rhymes.ai. Она предназначена для создания динамичных сцен, включая крупные планы людей и животных, по текстовым запросам. Модель построена на VideoDiT с 2,8 млрд параметров и VideoVAE с 175 млн параметров; заявлена длина контекста 79,2 тыс. токенов, соответствующая 88 кадрам. Модель формирует видео длительностью 6 секунд с разрешением 720×1280 и частотой 15 кадров в секунду; частоту можно повысить до 30 кадров в секунду с помощью EMA-VFI. Поддерживаются точности FP32, BF16 и FP16; для режима BF16 с выгрузкой частей модели на CPU указано потребление 9,3 ГБ видеопамяти. Репозиторий использует библиотеку Diffusers и формат Safetensors. Лицензия Apache 2.0.

AnimeGen I2V — модель генерации видео по исходному изображению, разработанная AIdeaLab, Inc. на базе Wan 2.2 I2V A14B и дообученная для японского аниме-стиля. Это Diffusion Transformer с обучением по Flow Matching, совместимый с Diffusers. Для подсказок рекомендуется английский язык; лицензия — Apache-2.0. Модель предназначена для создания коротких аниме-видео и визуальной разработки анимации: предварительной визуализации сцен, раскадровок, движений персонажей и исследования композиции. Для локального запуска рекомендуется высокопроизводительная видеокарта NVIDIA RTX 4090 или мощнее. Модель лучше подходит для аниме-стиля, чем для реалистичного видео. Возможны мерцание и дрейф персонажей между кадрами, нестабильность сложных движений, ошибки в мелких деталях и трудности с продолжительными сценами и физическими взаимодействиями. В README также отмечены ограничения для NSFW-генерации и необходимость проверять результаты перед публикацией.

AnyFlow-Wan2.1-T2V-14B-Diffusers — видеодиффузионная модель AnyFlow, разработанная авторами проекта AnyFlow на основе Wan2.1-T2V-14B-Diffusers. Это двунаправленная модель на 14 млрд параметров в формате Diffusers, предназначенная для генерации видео по текстовым описаниям; для этого варианта заявлено разрешение 480p. AnyFlow использует дистилляцию flow maps и поддерживает генерацию с произвольным числом шагов вывода: модель рассчитана на генерацию за малое число шагов, а увеличение их числа может постепенно улучшать качество. Весь фреймворк AnyFlow также охватывает генерацию видео по изображениям и преобразование видео, однако данная карточка описывает именно вариант T2V. Модель основана на Wan2.1 и распространяется в форматах Diffusers и Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице репозитория.

NimVideo/cogvideox-2b-img2vid — модель генерации видео по изображению, дообученная на 10 миллионах видео для создания роликов по входному изображению и текстовому запросу. В README заявлено качество на уровне CogVideoX-5B i2v по стандарту SBS; методика и результаты сравнения не приведены. Модель предназначена для создания коротких видео по исходному кадру и описанию сцены, например анимации транспортного средства в заданной обстановке. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — Apache-2.0.

TheDenk/cogvideox-5b-controlnet-hed-v1 — модель генерации и преобразования видео на основе CogVideoX ControlNet с управлением по картам границ HED. Предназначена для создания или изменения видео с сохранением заданной структуры контуров; README содержит лишь краткие инструкции по клонированию репозитория и не описывает параметры запуска или качество результатов. Модель распространяется в формате safetensors и использует лицензию Apache 2.0. Метаданные указывают английский язык и задачу video-to-video. Размер модели, длина контекста и конкретные требования к оборудованию в доступных данных не указаны.

DreamFast/gemma-3-12b-it-heretic-v2 — модифицированная версия Google Gemma 3 12B IT, созданная DreamFast с использованием Heretic v1.3.0. Модель предназначена для генерации текста и как текстовый энкодер в видеогенерации, включая сценарии LTX-2 и ComfyUI для text-to-video и image-to-video. Abliteration уменьшает количество отказов модели при сохранении исходного качества; по данным карточки, в выбранном варианте зафиксировано 8 отказов из 100 против 100 из 100 у исходной модели, а KL-дивергенция составляет 0,0801. Модель основана на архитектуре Gemma 3 с 12 млрд параметров и поддерживает текстовую и визуальную составляющие в вариантах для ComfyUI: сохранены vision_model и multi_modal_projector, необходимые для I2V-сценариев. Доступны полная версия bf16 размером около 23 ГБ, а также квантованные варианты FP8, INT8 ConvRot, INT4 W4A4 ConvRot, NVFP4 и MXFP8 размером примерно от 7,7 до 13 ГБ. Квантование выполнено с SVD-guided learned rounding для снижения потери качества; требования к оборудованию зависят от формата, включая поддержку GPU Ada и новее, а для MXFP8 и оптимального NVFP4 требуется Blackwell. В README указан английский язык. Сильные стороны модели — сниженное количество отказов, сохранение качества базовой Gemma 3 12B IT, наличие vision-компонентов и широкий выбор форматов для различных GPU. Ограничения включают зависимость возможностей и производительности от формата квантования, версии ComfyUI и оборудования; для некоторых INT4-слоёв используется bf16 из-за несовместимых размеров. Модель распространяется по лицензии Gemma.