I.10Видео, анимация и 3D

HunyuanVideo-1.5-Diffusers-480p_t2v — модель генерации видео из текстовых запросов в формате Diffusers, опубликованная сообществом hunyuanvideo-community. Она предназначена для создания видео по текстовому описанию; карточка указывает вариант 480p и задачу text-to-video. Модель использует attention masks для последовательностей переменной длины. Для повышения производительности рекомендуется backend внимания с эффективной обработкой padding и установка пакета kernels для доступа к готовым ядрам; инференс возможен и с backend по умолчанию. Файлы представлены в форматах Diffusers и safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в сопровождающих документах репозитория.

Карточка модели Ciromarjunior/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 Hussi/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 MichaelXu123/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.

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 MLXBits/ltx-2.3-10eros-v1.2-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.2-mlx-q8, поэтому описание составлено по ней. 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.

Lightricks/LTX-2.3-22b-IC-LoRA-Ingredients — адаптер IC-LoRA для базовой модели Lightricks/LTX-2.3, разработанный Lightricks. Модель предназначена для генерации видео по текстовому описанию с использованием референсного листа, а также для сценариев video-to-video, где требуется сохранять согласованность персонажей, объектов, окружения и визуальных элементов между кадрами. В доступных данных указано, что модель работает в видеопайплайне video-to-video и распространяется как diffusion-модель в одном файле. Поддерживаемый язык — английский. Референсный лист может описывать персонажей, предметы, локации и логотипы, а целевое описание задаёт сцену, композицию, движение, освещение и другие параметры результата. Сведения о точном числе параметров, формате входных данных, максимальной длине контекста и модальностях, помимо текста и видео или изображений-референсов, не приведены. Сильная сторона модели — возможность сочетать текстовые инструкции с визуальными референсами для повышения согласованности объектов и персонажей в генерируемых видеосценах. Ограничения включают зависимость качества от подробности описаний и референсных материалов, а также отсутствие в README данных о производительности, требованиях к оборудованию и известных типичных ошибках. Лицензия указана как ltx-2-community-license; для использования необходимо ознакомиться с её условиями по ссылке, приведённой в карточке модели.

vantagewithai/LTX-2.3-GGUF — квантованная версия в формате GGUF модели LTX-2.3, разработанной компанией Lightricks. Это диффузионная аудиовизуальная foundation-модель на базе архитектуры DiT, предназначенная для совместной генерации синхронизированных видео и аудио. Модель ориентирована на локальный запуск и распространяется как открытые веса; исходный чекпойнт LTX-2.3 доступен у Lightricks. Модель поддерживает 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 совместную генерацию аудио и видео из текста или изображений. В карточке указаны языки English, German, Spanish, French, Japanese, Korean, Chinese, Italian и Portuguese, однако в разделе характеристик отдельно указан English. Конкретный размер квантованного файла, объём контекста, разрешение и требования к оборудованию не приведены; для параметров генерации указано, что ширина и высота должны делиться на 32, а число кадров иметь вид 8n+1. К сильным сторонам относятся совместная генерация аудио и видео в одной модели, улучшенные качество аудио и визуальной части, а также следование промпту по сравнению с LTX-2. Ограничения включают возможное неполное соответствие запросу, зависимость результата от стиля промпта, потенциально неподходящий или оскорбительный контент, усиление существующих социальных предубеждений и более низкое качество аудио без речи. Модель не предназначена для предоставления фактической информации. Указана лицензия LTX-2 Community License Agreement; точные условия следует уточнять в тексте лицензии Lightricks.

LTX Video-2.3 Uncensored Turbo v1.4 — производная видеодиффузионная модель на основе LTX-2.3 от Lightricks, объединённая с Eros10 NSFW LoRA, дистиллированной DMD LoRA и LTX Video ICLoRA Detailer. Репозиторий содержит сборки GGUF и FP8; для работы также требуются текстовый энкодер и проекции CLIP. Модель предназначена для генерации видео по текстовому запросу и преобразования изображения в видео, с сохранением сходства с исходным изображением. В карточке также заявлены сценарии преобразования видео и генерации видео с аудио. Указаны короткие генерации за 4 шага, рекомендуемые 8 шагов, разрешение до 1280 × 720 и продолжительность до 40 секунд. Сборка ориентирована на ускоренную генерацию, следование инструкциям, сохранение лиц и соответствие референсному изображению. Она рассчитана преимущественно на NSFW-контент; автор отмечает наличие ограничителей для предотвращения незаконного контента. Лицензия в метаданных не определена.

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.

Lynx-GGUF — квантованная в формате GGUF версия модели Lynx, разработанная авторами Shen Sang, Tiancheng Zhi, Tianpei Gu, Jing Liu и Linjie Luo и опубликованная Vantage with AI. Модель предназначена для персонализированной генерации видео из одного входного изображения с сохранением идентичности изображённого объекта или человека. В основе Lynx лежит архитектура Diffusion Transformer (DiT), дополненная лёгкими ID-adapter для сохранения идентичности и Ref-adapter для улучшения пространственных деталей. В репозитории представлены варианты Full Ref Model с полным набором функций и максимальным качеством, а также IP Lite Model с меньшим числом параметров, ориентированный на более эффективную генерацию видео с частотой 24 кадра в секунду и длиной 121 кадр. Модель основана на Wan2.1-T2V-14B; сведения о поддерживаемых языках, точном размере квантованных файлов и размере контекста не указаны. К сильным сторонам относятся высокоточная персонализация видео, сохранение идентичности по одному изображению и усиление пространственных деталей. Вариант IP Lite обеспечивает более эффективное выполнение задач за счёт уменьшенного числа параметров, однако может уступать полной версии по качеству и функциональности. Модель ориентирована на сценарии image-to-video и не предназначена для задач, для которых в README не указана поддержка других модальностей. Распространяется по лицензии Apache License 2.0.

Camera Motion LoRA — это адаптер LoRA для базовой видеомодели Comfy-Org/MiniMax-H3, разработанный пользователем или организацией Jojocodex. Он предназначен для усиления и управления движением виртуальной камеры при генерации видео по текстовому описанию, в частности для кинематографичных сцен, экшен-эпизодов, пейзажей, аэросъёмки, макросцен и миниатюрных диорам. Адаптер активируется обязательным триггером «camera motion», который рекомендуется размещать в начале prompt. Он поддерживает девять категорий движения камеры: наезд, отъезд, сочетание наезда и отъезда, орбитальное движение, ручную съёмку и следящий кадр, аэросъёмку, подъём или опускание камеры, панорамирование и макро- или крупный план. Наиболее стабильными заявлены наезд, отъезд и ручное следящее движение; панорамирование описано как менее надёжное. Доступны варианты, обученные на 1000 и 3000 шагах, в формате pruned safetensors. Рекомендуемая сила модели составляет 0,8–1,0: увеличение свыше 1,2 может приводить к нестабильности изображения. Для работы требуется совместимый workflow MiniMax-H3 в ComfyUI и установка файла в каталог models/loras. В README не указаны размер адаптера, объём обучающих данных, поддерживаемые языки, длина контекста и точные характеристики базовой модели. Лицензия — Apache-2.0.

MiniMax H3 OrbitQuant W4A4 — это конверсия MiniMaxAI/MiniMax-H3, подготовленная для запуска через OrbitQuant и ComfyUI. Модель предназначена для генерации коротких видео по текстовому описанию и, в режиме image-to-video, по изображению и тексту. В карточке показан также пример T2VA — генерации видео со стереозвуком. Линейные веса в transformer, transformer_ref и текстовом энкодере Qwen3-VL хранятся и исполняются в упакованном формате W4A4; некоторые граничные слои работают с BF16, а визуальный и аудио VAE оставлены в исходном FP32. README приводит результаты генерации 608×480 и 124 кадров на RTX 3090 с разными профилями использования памяти и скорости. Для работы предусмотрены готовый ComfyUI workflow и отдельный runner. Модель основана на MiniMaxAI/MiniMax-H3 и предназначена для runtime OrbitQuant; её веса не являются полностью четырёхбитными. Лицензия указана как other, поэтому условия использования следует сверять с лицензией и карточкой базовой модели. Результаты разных путей вычислений могут различаться даже при одинаковом seed.

Sulphur 2 Base GGUF — это квантизированная версия модели Sulphur 2 для ComfyUI, разработанная сообществом SulphurAI и опубликованная VantageWithAI. Модель основана на LTX 2.3 и предназначена для генерации видео и аудиовизуального контента. Модель поддерживает преобразование текста в видео (t2v) и изображения в видео (i2v) в нативном режиме, а также другие форматы LTX 2.3: video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio и генерацию комбинированного аудио и видео из текста или изображений. Архитектура, точный размер, поддерживаемые языки, длина контекста и набор модальностей сверх перечисленных в README не указаны. Ключевыми особенностями являются поддержка нескольких сценариев генерации, работа в формате GGUF и ориентация на использование в ComfyUI. README называет модель uncensored, однако не приводит подробностей о методах обучения, качестве, производительности или ограничениях. Модель распространяется по лицензии LTX-2 Community License Agreement; точные условия следует уточнять в тексте лицензии Lightricks.

TA2.0 — модель TalkingAvatar от Neosapience для создания видео с говорящим аватаром по изображению и аудио. Она анимирует портрет, синхронизируя движения губ с входной речью; длительность ролика определяется длительностью аудио. В профиле инференса указаны разрешение 480 × 832 и частота 25 кадров в секунду. Модель предназначена для исследований, оценки и авторских творческих проектов с аудиоаватарами. Качество анимации и синхронизации зависит от позы, перекрытий лица, качества аудио, языка и типа изображения. В README указана лицензия Apache-2.0. Для изображений и голосов необходимо иметь согласие и права; в runtime нет проверки личности, управления согласием, водяных знаков и модерации контента.

Карточка модели kevin119/test 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.

Wan2.1-Fun-V1.1-1.3B-Control-Camera — модель Alibaba PAI для генерации видео с управлением камерой из семейства Wan2.1-Fun. Это вариант с 1,3 млрд параметров, предназначенный для создания видео по текстовому описанию и заданным условиям управления камерой. В README также описаны режимы контроля по Canny, глубине, позе и MLSD, использование референсного изображения и управления траекторией; конкретные сведения о реализации именно варианта Control-Camera в доступном фрагменте карточки опущены. Модель относится к архитектурному семейству i2v, распространяется в формате safetensors и рассчитана на многоязычную генерацию. Для семейства Wan2.1-Fun указаны обучение на видео длительностью до 81 кадра при 16 кадрах в секунду и поддержка разрешений 512, 768 и 1024. Использование и доработка предусмотрены в экосистеме videox_fun, в том числе через ComfyUI. В README описаны способы экономии видеопамяти, включая перенос частей модели на CPU и режим с float8-квантизацией, который может снижать качество и скорость. Для запуска требуются значительные вычислительные и дисковые ресурсы; лицензия проекта — Apache License 2.0.

Карточка модели AmateurGuy23/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.

Wan-AI/Wan2.1-VACE-1.3B-diffusers — версия семейства Wan2.1 VACE на 1,3 млрд параметров, подготовленная для запуска через Diffusers. Её разработала команда Wan-AI. Это диффузионный трансформер для генерации и редактирования видео; VACE объединяет несколько сценариев создания и изменения видеоматериалов в одной модели. Модель предназначена для image-to-video: она принимает изображение и создаёт на его основе видео. Семейство VACE поддерживает входные данные произвольного разрешения; для оптимального результата рекомендуется придерживаться диапазона размеров, описанного в инструкции запуска. В карточке модели также отмечена поддержка английского и китайского языков. Весовой формат репозитория — safetensors, лицензия — Apache-2.0. README семейства Wan2.1 описывает генерацию видео и изображений, редактирование видео, а также работу с текстом внутри изображений и видео. Эти возможности не следует автоматически считать поддержанными именно данной версией VACE 1.3B: для неё метаданные указывают image-to-video. Для запуска требуются совместимые Diffusers и вычислительные ресурсы; точные требования этой версии в предоставленных данных не приведены.

Это квантизированная в формате GGUF версия дистиллированной модели Wan2.2, опубликованная пользователем jayn7 и основанная на моделях Wan2.2 Distill Models от команды LightX2V. Модель предназначена для генерации видео по исходному изображению, то есть для сценариев image-to-video и создания видеоконтента на основе статичных изображений. В репозитории представлены варианты с разными уровнями квантизации, включая FP32, BF16, Q8, Q4_K_S и Q2_K, а также отдельные модели для режимов high noise и low noise. Подробные сведения об архитектуре, количестве параметров, поддерживаемых языках, модальностях помимо image-to-video и размере контекста в README не указаны. Для использования рекомендуются ComfyUI-GGUF и ComfyUI-WanVideoWrapper; для корректной работы следует использовать актуальную версию последнего. Сильной стороной модели является возможность запуска квантизированных вариантов, потенциально требующих меньше ресурсов, чем полноразмерные версии, при сохранении назначения исходной видеомодели. Ограничения и качество конкретных вариантов зависят от уровня квантизации и используемой конфигурации, однако подробные результаты тестирования в README не приведены. Репозиторий распространяется на условиях той же лицензии, что и Wan2.2-Distill-Models, но точные условия лицензии в предоставленных данных не указаны.

Wan2.2-I2V-A14B-HighNoise-Q4_K_M — это квантованная в формате GGUF версия модели Wan-AI/Wan2.2-I2V-A14B, опубликованная пользователем wanabmeya. Модель предназначена для генерации видео на основе входного изображения и относится к сценарию image-to-video. Указана совместимость с ComfyUI через пользовательский узел ComfyUI-GGUF. Из доступных данных известно, что модель поддерживает английский и китайский языки. Она является прямой конвертацией исходной модели, однако сведения об архитектуре, количестве параметров, размере контекста, точных характеристиках квантования и поддерживаемых модальностях, кроме image-to-video, не приведены. Квантование в формате Q4_K_M может уменьшать требования к хранению и вычислениям, но потенциально влияет на качество по сравнению с исходной моделью; конкретные показатели не указаны. Модель распространяется по лицензии Apache-2.0, при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели. Для запуска требуются файлы модели и ComfyUI с узлом ComfyUI-GGUF; инструкции README рекомендуют разместить файлы в каталоге ComfyUI/models/unet.

Wan2.2_I2V_R1_base_v2 — дообученная версия Wan2.2-I2V-A14B, предназначенная для создания видеороликов по исходному изображению и текстовому запросу. Автор описывает её как улучшенную версию uncensored-чекпойнта: в основу включены вариант KJ FP8 и доработанный lightx2v, объединённый с моделью. Репозиторий содержит отдельные веса для этапов высокого и низкого шума в формате safetensors. Модель подходит для анимации изображений, а также для генерации видео в стиле text-to-video при подаче пустого изображения или canvas.png. Она рассчитана на работу с LoRA для Wan 2.2 I2V и T2V и, по заявлению автора, хорошо сохраняет гибкость при добавлении стилевых адаптеров. В описании также заявлена поддержка откровенных запросов и приведены усилители анатомических деталей. Модель наследует от Wan2.2-I2V-A14B создание видео 480p или 720p. Репозиторий распространяется по лицензии Apache-2.0. Авторские оценки качества и рекомендации по настройке приведены в README, но независимые показатели качества не указаны.

hum-ma/Wan2.2-TI2V-5B-Turbo-GGUF — это GGUF-версия Turbo-модели Wan2.2-TI2V-5B-Turbo, преобразованная из FP16-файла в формате SafeTensors и дополнительно квантизированная. Модель предназначена прежде всего для image-to-video: генерации видео на основе исходного изображения, а также может использоваться в совместимых сценариях Wan2.2 TI2V. Репозиторий распространяется по лицензии Apache-2.0. Модель относится к семейству Wan2.2 TI2V и имеет размер 5B параметров; точные архитектурные характеристики, поддерживаемые языки и максимальная длина контекста в README не указаны. Для работы требуются совместимые UMT5-энкодер и VAE. Turbo-режим рассчитан на быстрый вывод: обычно достаточно четырёх шагов генерации, поддерживаются LoRA, созданные для обычной версии 5B. В качестве рекомендуемых разрешений указаны 1280×704 и 704×1280. Ключевое преимущество — сниженные требования к видеопамяти: автор сообщает о работоспособности модели на GPU с 4 ГБ VRAM, особенно в задачах image-to-video. Возможны особенности качества, включая перенасыщенность; для её уменьшения рекомендуется масштабирование latent с коэффициентом 0,8. Результат зависит от квантизации, используемых sampler и scheduler, а также от дополнительных LoRA. Полные ограничения по качеству, производительности и совместимости в README не описаны.

guoyww/animatediff-motion-adapter-v1-5 — MotionAdapter для AnimateDiff, предназначенный для создания видео на основе существующих моделей Stable Diffusion для генерации изображений по тексту. Он добавляет обученные на видеоклипах слои движения к замороженной модели Stable Diffusion: модули подключаются к блокам ResNet и Attention в UNet и помогают сохранять согласованность движения между кадрами. Для работы адаптер используется вместе с совместимой базовой моделью Stable Diffusion и библиотекой diffusers. Модель подходит для генерации коротких видеосцен по текстовым запросам в сочетании с текстово-графической моделью Stable Diffusion. В README отмечено, что результаты обычно лучше с дообученными вариантами Stable Diffusion. Лицензия в предоставленных данных не указана.

guoyww/animatediff-motion-adapter-v1-5-3 — адаптер движения AnimateDiff для моделей Stable Diffusion; карточка описывает метод AnimateDiff, разработанный GuoYWW и участниками проекта. Адаптер добавляет обученные на видеоклипах слои движения в замороженную модель преобразования текста в изображение и применяется к её UNet через MotionAdapter и UNetMotionModel. Модель предназначена для создания видео по текстовому описанию совместно с уже существующей моделью Stable Diffusion для генерации изображений. Она помогает сохранять согласованное движение между кадрами, используя предварительно обученную визуальную модель и извлечённый из видеоклипов априор движения. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Diffusers. Это адаптер, а не самостоятельная полная модель: для генерации нужны совместимая базовая модель Stable Diffusion и соответствующая конфигурация. Лицензия в предоставленных данных не указана.

guoyww/animatediff-sparsectrl-rgb — модель для управляемой генерации видео в составе AnimateDiff. Она добавляет SparseControlNet к AnimateDiff и позволяет задавать движение и содержание видео по разреженным RGB-кадрам, используя совместно с ней существующую модель Stable Diffusion для преобразования текста в изображение. Подход AnimateDiff вводит обученные на видеоклипах motion-модули в замороженную модель Stable Diffusion, чтобы поддерживать согласованное движение между кадрами. Модель предназначена для создания видеороликов по текстовому запросу с дополнительным визуальным контролем по нескольким RGB-кадрам. Для работы требуются совместимая модель Stable Diffusion и компоненты AnimateDiff; карточка описывает использование через Diffusers. Репозиторий содержит веса Safetensors. Условия лицензии и численные характеристики модели в предоставленных данных не указаны.

AnimateLCM — модель Fu-Yun Wang и соавторов для быстрой генерации видео по текстовому описанию. Она предназначена для создания видео в заданном стиле без необходимости в персонализированных видеоданных и рассчитана на генерацию за четыре шага. Репозиторий содержит веса в формате safetensors и поддерживает работу через Diffusers. Авторы также указывают на варианты для быстрой генерации видео из изображения — AnimateLCM-SVD-xt и AnimateLCM-I2V; они представлены как отдельные модели. В доступной карточке не приведены сведения о размере, длине контекста, поддерживаемых языках и лицензии, поэтому эти характеристики здесь не указаны.

Карточка модели YogiBare67/AnimateLCM на Hugging Face совпадает с карточкой wangfuyun/AnimateLCM, поэтому описание составлено по ней. AnimateLCM — модель Fu-Yun Wang и соавторов для быстрой генерации видео по текстовому описанию. Она предназначена для создания видео в заданном стиле без необходимости в персонализированных видеоданных и рассчитана на генерацию за четыре шага. Репозиторий содержит веса в формате safetensors и поддерживает работу через Diffusers. Авторы также указывают на варианты для быстрой генерации видео из изображения — AnimateLCM-SVD-xt и AnimateLCM-I2V; они представлены как отдельные модели. В доступной карточке не приведены сведения о размере, длине контекста, поддерживаемых языках и лицензии, поэтому эти характеристики здесь не указаны.

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.

BindWeave — система генерации видео от ByteDance и исследователей Университета науки и технологий Китая. Она использует архитектуру MLLM-DiT, объединяющую предварительно обученную мультимодальную языковую модель и диффузионный трансформер, чтобы создавать видео с сохранением внешнего вида персонажей и объектов, описанных в запросе. Модель предназначена для генерации видео по изображению и текстовому запросу, в том числе со сценами, где участвуют один или несколько персонажей. MLLM разбирает сложные запросы, связывает упомянутые объекты с их представлениями, а диффузионный трансформер использует эти данные для генерации. В README приведён результат 57,61 балла на OpenS2V-Eval и сравнительные показатели по плавности движения, сходству лиц и другим критериям. Репозиторий предназначен для image-to-video и содержит веса в формате safetensors; для работы используется библиотека diffusers. Модель распространяется по лицензии Apache-2.0. README не приводит размер модели, длину контекста или отдельные языковые ограничения; метаданные указывают английский язык карточки.