I.10Видео, анимация и 3D

MiniMax-H3 × Z-Image — это модифицированные GGUF-варианты модели MiniMax-H3 от MiniMaxAI, созданные joeygambino. Модель предназначена для генерации видео по текстовому описанию, включая многокадровые и связанные сцены, а также сценарии с сохранением идентичности и голоса. Она рассчитана на использование в ComfyUI и совместима с рабочими процессами MiniMax-H3, включая MiniMax-H3 Multishot. Модификация переносит профиль пространственного внимания модели Z-Image на поздние блоки MiniMax-H3 посредством масштабирования весов q_norm. Z-Image описана как 6B-модель изображений на архитектуре Lumina2, однако архитектура и полный размер MiniMax-H3 в README не указаны. Изменение не требует дообучения, не добавляет новых знаний и не меняет архитектуру H3; оно направлено на повышение детализации текстур, поверхностей и визуальной согласованности между последовательными сценами. Доступны варианты GGUF с квантованием Q8_0, Q5_1 и Q4_0, рассчитанные соответственно примерно на 32, 24–32 и 16–24 ГБ памяти. К сильным сторонам относятся сохранение совместимости с исходными workflow MiniMax-H3, улучшенная детализация, стабильность деталей при объединении до четырёх кадровых сцен, сохранение идентичности лиц и отсутствие заявленных артефактов. Для выбора режима предусмотрены варианты ref2va и fl2va: первый ориентирован на сохранение идентичности и голоса, второй — на соответствие заданному кадру. Языки, максимальный контекст и точные характеристики входных и выходных модальностей не указаны. Модель распространяется по лицензии minimax-h3-community-license; в метаданных также указано обозначение лицензии other.

MiniMax Video Prompt Enhancer — дообученная Liquid AI модель на архитектуре LFM2 для преобразования кратких идей в структурированные текстовые промпты для генерации и редактирования видео в MiniMax H3. Она оформляет описание в ожидаемую моделью схему со сценами, движением камеры, звуковым окружением и музыкальным сопровождением. Поддерживаются режимы T2VA, I2VA, FL2VA, L2VA и сценарии full-reference rewrite; входные кадры, клипы и аудио описываются текстом в заданном формате ChatML. Модель содержит 444,6 млн параметров, использует библиотеку Transformers, формат весов safetensors и имеет контекстное окно 128 000 токенов. Карточка ориентирует её на англоязычные запросы и задаёт специальные шаблоны system prompt и user message. Лицензия указана как other, без уточнения условий в доступных данных. Модель предназначена для подготовки промптов, а не для открытого диалога или генерации самого видео. Она оптимизирована под структуру MiniMax H3; длинные или сложные описания с большим числом сцен могут обрабатываться неполно и требовать постобработки.

VikramSingh178/mochi-diffuser-bf16 — версия модели Mochi 1 Preview, опубликованная в формате Diffusers и Safetensors с весами BF16. По текстовому запросу она генерирует видео; пример в карточке показывает создание ролика о закате в горах с помощью MochiPipeline. Модель основана на genmo/mochi-1-preview и распространяется по лицензии Apache-2.0. Модель рассчитана на генерацию видео из текстовых описаний. Карточка демонстрирует запуск через библиотеку Diffusers на CUDA и настройку числа шагов, силы guidance и количества кадров. Поддерживаемый язык по метаданным — английский. Других характеристик, включая размер модели и длину контекста, источники не приводят.

Это набор весов LTX 2.5, подготовленный Rootport для инференс-движка engine25 плагина Nz-Videomni в видеоредакторе AviUtl2. Основную часть составляет 22-миллиардный distilled transformer для генерации видео по тексту; README также описывает видео- и аудио-VAE и пространственный апскейлер. Три вспомогательных файла побайтно скопированы из Lightricks/LTX-2.5, а веса трансформера Rootport преобразовал из BF16 в GGUF с преимущественной квантизацией Q4_K. Это конверсия и квантизация готовой модели, а не самостоятельно обученный чекпойнт. Набор предназначен для генерации видео в AviUtl2 через Nz-Videomni. LTX 2.5 поддерживает совместную генерацию видео и аудио; текстовый энкодер Gemma 4 для этого движка размещён отдельно в Rootport/Nz-Gemma4-12B-LTX25 и в состав данного репозитория не входит. Указанные в карточке языки — японский и английский. Веса несовместимы с LTX 2.3 и должны использоваться с соответствующим движком и отдельным текстовым энкодером. Распространяются по LTX-2.x Community License Agreement с ограничениями использования; компаниям с годовой выручкой не менее 10 млн долларов нужна отдельная коммерческая лицензия Lightricks.

RefControl FLUX.2 Klein 4B Reference Depth LoRA — адаптер LoRA для базовой модели black-forest-labs/FLUX.2-klein-base-4B, разработанный пользователем или организацией thedeoxen. Он предназначен для image-to-image генерации и редактирования изображений: объединяет референсное изображение с картой глубины, сохраняя идентичность и стиль объекта или персонажа из референса и перенося его в позу, композицию или сцену, заданную картой глубины. Модель ориентирована прежде всего на людей, но также поддерживает объекты и стилизованных персонажей; возможные сценарии включают портреты в разных позах, согласованный дизайн персонажей, трансформацию объектов, раскадровки, комиксы и генерацию кадров для анимации. Это специализированная LoRA для FLUX.2 Klein Base 4B, используемая через библиотеку Diffusers или совместимые workflow, включая ComfyUI. Для работы требуется референсное изображение, карта глубины и текстовый триггер refcontrol; рекомендуемый вес LoRA составляет 0,8–1,0. Лучшие результаты ожидаются при близких пропорциях и масштабе референса и карты глубины. Адаптер может сочетаться с другими совместимыми LoRA семейства RefControl, однако README не содержит сведений о точной архитектуре адаптера, размере его параметров, поддерживаемых языках или максимальной длине контекста. Для базовой недистиллированной модели указаны ориентиры около 50 шагов инференса и guidance_scale около 4,0. Сильная сторона модели — контролируемое сочетание сохранения внешнего вида и идентичности с управлением позой и пространственной структурой через глубину. Ограничения включают чувствительность к сильным различиям масштаба и пропорций между входами, а также то, что обучение в основном проводилось на людях. Модель распространяется по лицензии Apache-2.0.

Stable Video Diffusion 1.1 Image-to-Video — диффузионная модель Stability AI для создания коротких видеоклипов на основе одного исходного изображения. Это латентная диффузионная модель, дообученная на базе SVD Image-to-Video для генерации 25 кадров с разрешением 1024×576. Настройки обучения ориентированы на частоту 6 кадров в секунду и Motion Bucket Id 127; эти параметры можно менять, но качество при других настройках может отличаться. Модель подходит для превращения статичного изображения в короткую анимацию, а также для творческих и дизайнерских проектов и образовательных инструментов. Управлять генерацией текстовыми запросами нельзя. Результаты ограничены длительностью до четырёх секунд; возможны отсутствие движения или медленные панорамы, недостаточный фотореализм, ошибки в изображении лиц и людей и нечитаемый текст. Автоэнкодер вносит потери. В README указано, что коммерческое и некоммерческое использование предусмотрено, но для коммерческого применения следует обратиться к отдельным условиям Stability AI; в метаданных лицензия обозначена как other.

Sulphur 2 — модель генерации видео, разработанная авторами проекта Sulphur 2 и основанная на LTX 2.3. Модель предназначена для создания видео по текстовому описанию (text-to-video, T2V) и по исходному изображению с текстовыми указаниями (image-to-video, I2V), а также поддерживает другие форматы, доступные в LTX 2.3. Ключевые характеристики архитектуры, размер модели, максимальная длина контекста, список поддерживаемых языков и точные требования к аппаратному обеспечению в README не указаны. Доступны варианты dev в форматах fp8mixed и bf16, а также distill LoRA для упрощённого запуска. В состав проекта входит prompt enhancer, способный обрабатывать текст и изображение; для него предусмотрены файлы GGUF и mmproj. Сильными сторонами модели являются нативная поддержка T2V и I2V, совместимость с экосистемой LTX 2.3 и наличие инструментов для улучшения промптов. Модель заявлена как uncensored, однако конкретные ограничения качества, производительности и области применимости не описаны. README также отмечает, что инструкции по настройке и обучению ещё будут дополнены; при использовании рекомендуется не загружать одновременно distill LoRA и полную модель. Лицензия в README не указана, поэтому условия коммерческого и иного использования требуют дополнительной проверки в источнике модели.

Это вариант Text2Video-Zero с весами DreamBooth для генерации в стиле аниме и управлением по контурам Canny через ControlNet. Метод Text2Video-Zero разработан Левоном Хачатряном, Андраником Мовсисяном, Ваграмом Тадевосяном, Роберто Хеншелем, Чжанъян Вангом, Шантом Навасардяном и Хамфри Ши; веса аниме-стиля взяты с CIVITAI у автора Quiet_Joker. Модель работает в экосистеме Stable Diffusion и Diffusers. Она предназначена для создания видео по текстовому запросу с направляющими контурами, а также для генерации изображений с тем же стилем и управлением. В карточке указаны английский язык и ключевое слово «anime style». Лицензия — CreativeML OpenRAIL-M.

VSpark — модель генерации видео, опубликованная AyaanAhmed123. Она построена на Spatial-Temporal Diffusion Transformer и содержит 726,2 млн параметров; видеобэкбон включает 16 блоков с размерностью 1024 и 16 головами, а видеокодек VAE использует четыре уровня и латентность из четырёх каналов с шагом 8. Для текста применяется шестислойный трансформер с размерностью 768 и BPE-словарём из 49 408 токенов. Модель предназначена для создания видео по текстовому описанию. В примере использования конвейер принимает текстовый запрос и возвращает кадры вместе с аудиомел-спектрограммой; метаданные также отмечают мультимодальность и генерацию аудио, но основная задача модели указана как text-to-video. В карточке заявлена лицензия Apache-2.0. Поддерживаемый язык — английский. Это чекпойнт, инициализированный и обученный с нуля, а не производная указанной базовой модели. README не сообщает длину контекста, качество на бенчмарках или ограничения генерации, поэтому оценить эти свойства по доступным сведениям нельзя.

QuantStack/Wan2.2-TI2V-5B-GGUF — это GGUF-конверсия модели Wan-AI/Wan2.2-TI2V-5B, предназначенная для задач text-to-video и image-to-video. Модель ориентирована на генерацию видео по текстовому описанию или с использованием изображения, включая сценарии создания и преобразования видеоконтента в совместимых интерфейсах. Модель имеет размерный класс 5B, поставляется в квантованном формате GGUF и предназначена для использования через экосистему GGUF, в частности с пользовательским узлом ComfyUI-GGUF для ComfyUI. В карточке указана поддержка английского и китайского языков. Дополнительные сведения об архитектуре, размере контекста, характеристиках видео и конкретных вариантах квантования не приведены. К сильным сторонам относятся компактный квантованный формат и интеграция с ComfyUI через ComfyUI-GGUF, что может упростить локальное применение модели. Ограничения связаны с отсутствием подробных данных о производительности, требованиях к оборудованию, поддерживаемых разрешениях и качестве генерации; совместимость и результаты зависят от используемой конфигурации. Модель распространяется по лицензии Apache-2.0, при этом сохраняются исходные лицензионные условия и ограничения модели Wan-AI/Wan2.2-TI2V-5B.

calcuis/wan-gguf — это GGUF-квантизированная версия видеомодели Wan 2.1, основанная на Comfy-Org/Wan_2.1_ComfyUI_repackaged и опубликованная пользователем или организацией calcuis. Модель предназначена прежде всего для генерации видео по текстовому описанию (text-to-video), а также упоминается поддержка сценариев image-to-video и VACE. В README приведены примеры генерации сцен с животными, персонажами, фантастическими существами, автомобилями и абстрактными объектами. Указана версия модели на 1,3 млрд параметров; GGUF-квантизация ориентирована на запуск на старых или малопроизводительных компьютерах. Для работы в ComfyUI требуются GGUF-модель, текстовый энкодер T5/UMT5-XXL и VAE, а для image-to-video — также CLIP Vision H. Описан альтернативный запуск через Diffusers с UMT5EncoderModel, AutoencoderKLWan, WanVACEPipeline и UniPCMultistepScheduler, включая CPU offload и тайлинг VAE. Язык в карточке указан как английский, однако конкретный размер контекста и полный перечень поддерживаемых языков не приведены. Сильными сторонами являются сниженные требования к памяти благодаря GGUF-квантизации, совместимость с ComfyUI и возможность локальной генерации видеосцен. Ограничения включают необходимость ручной установки нескольких компонентов и настройки загрузчиков или workflow; для отдельных конфигураций рекомендуется CPU offload. Лицензия модели — Apache-2.0.

zeroscope_v2_XL — модель генерации и повышения разрешения видео на основе ModelScope, представленная пользователем cerspense. Она предназначена для преобразования видео в видео: в частности, для увеличения разрешения роликов, созданных zeroscope_v2_576w, с помощью расширения text2video для Stable Diffusion WebUI или библиотеки Diffusers. Модель обучена на 9 923 клипах и 29 769 размеченных кадрах; рекомендуемый размер результата — 1024 × 576 при 24 кадрах. Для рендеринга 30 кадров в этом разрешении требуется около 15,3 ГБ видеопамяти. Модель ориентирована на улучшение композиции при переходе от черновой генерации в низком разрешении к высокому разрешению. Для апскейла автор рекомендует сохранять исходный промпт и использовать силу денойзинга 0,66–0,85. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Рендеринг при более низком разрешении или менее чем 24 кадрах может давать неоптимальные результаты.

CamSFT-8B — мультимодальная модель для понимания движения камеры в видео, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. На вход она принимает видео и выдаёт структурированный JSON с сегментами движения камеры: временными интервалами, типом, направлением и скоростью базового движения, а также специальными приёмами съёмки. Модель предназначена для анализа видеоматериалов и временной разметки операторских движений. Для воспроизведения результатов статьи нужны рекомендованные в проекте CamDistill промпт и параметры обработки видео, включая частоту кадров, максимальное число кадров и разрешение. Модель распространяется по лицензии Apache-2.0.

FastHunyuan — ускоренная модель Hao AI Lab для генерации видео по текстовому описанию, полученная дистилляцией HunyuanVideo. Она создаёт видео за 6 шагов диффузии; авторы заявляют примерно о восьмикратном ускорении относительно исходной HunyuanVideo с 50 шагами. Для инференса в репозитории Hunyuan Video README рекомендует 6 шагов, параметр shift 17, разрешение 720×1280×125 и CFG выше 6. Модель можно запускать на одной RTX 4090; для инференса с квантованием NF4 указана потребность в 20 ГБ видеопамяти. Также поддерживается LLM-INT8-квантование через BitsAndBytes. Модель предназначена для синтеза видеоклипов по текстовым запросам. README указывает лицензию tencent-hunyuan-community; условия её применения следует сверять с текстом этой лицензии.

FastWan2.2-TI2V-5B-FullAttn-Diffusers — модель генерации видео по текстовому описанию от команды FastVideo, дообученная на базе Wan-AI/Wan2.2-TI2V-5B-Diffusers. В карточке указано, что для этой версии обучение проводилось с использованием DMD; заявленная для серии Sparse-distill схема здесь не применялась. Модель поддерживает генерацию за три шага и обучена для разрешения 121×704×1280; можно задавать и другие разрешения, но качество при этом может снижаться. Модель предназначена для ускоренного создания видеороликов по текстовым запросам и исследовательских экспериментов с генерацией видео. Репозиторий содержит веса в формате Diffusers и Safetensors и распространяется по лицензии Apache-2.0. Для запуска доступны скрипты инференса и дообучения; карточка упоминает поддержку GPU от H100 до RTX 4090, а также Mac.

Модель autopostflow/gemma-4-e2b-ltx-2-5-prompt — полноразмерный дообученный в bf16 чекпойнт Gemma 4 E2B IT, созданный на базе google/gemma-4-E2B-it. Она преобразует рассказ в один подробный кинематографический промпт для генератора видео LTX 2.5: выбирает наиболее эмоционально насыщенную сцену и описывает кадры, движение камеры, освещение, объектив и атмосферу. Модель предназначена для подготовки текстовых запросов по сюжетам, чтобы затем передавать их в генератор видео LTX 2.5. Архитектура — Gemma4ForConditionalGeneration; при дообучении использовался только текстовый декодер, а компоненты обработки изображений и аудио были заморожены. Это текстовая модель генерации. Для вывода требуется сохранять формат запроса с разделителем ### CONTEXT, на котором модель обучалась. В обучении использовались 8958 примеров и 497 примеров для проверки. Модель опубликована под лицензией Gemma.

Helios Distilled Visualizer BF16 — версия модели Helios для генерации видео по текстовому описанию, опубликованная sarat-adusumilli. Это авторегрессионная диффузионная модель, основанная на Wan2.1 T2V 14B и предназначенная для создания длинных связных роликов; она формирует видео блоками по 33 кадра. В карточке семейства Helios заявлена генерация с частотой до 19,5 кадра в секунду на одном H100, однако эта скорость зависит от оборудования и конфигурации. Модель доступна в формате Diffusers и safetensors, в варианте bf16; лицензия — Apache-2.0. Метаданные указывают английский язык. README описывает генерацию минутных видео и оптимизации производительности, но не приводит отдельные результаты оценки именно этого чекпойнта. Для вывода требуется совместимая среда Diffusers и значительные вычислительные ресурсы.

jayn7/HunyuanVideo-1.5_T2V_720p-GGUF — это набор квантованных версий модели HunyuanVideo 1.5 T2V 720p, разработанной Tencent и опубликованной в формате GGUF. Модель предназначена для генерации видео по текстовому описанию (text-to-video) с целевым разрешением 720p. Репозиторий содержит варианты квантования Q4_K_S, Q8_0 и FP16, что позволяет выбирать между требованиями к ресурсам и качеством генерации. Модель ориентирована на сценарии локального запуска и может использоваться через ComfyUI-GGUF. README не содержит подробных сведений об архитектуре, размере, поддерживаемых языках, длине контекста или точных требованиях к оборудованию, поэтому эти характеристики нельзя уточнить по представленным данным. К сильным сторонам относятся поддержка генерации видео из текста, разрешение 720p и наличие нескольких вариантов квантования. Ограничения и особенности качества зависят от исходной HunyuanVideo 1.5 и выбранного формата квантования. Репозиторий распространяется на условиях той же лицензии, что и оригинальная HunyuanVideo 1.5; конкретные условия в README не приведены.

JoyAI-Echo x LTX-2.5 (echoVid) — это объединённая и квантованная GGUF-модель для генерации видео и звука по текстовому описанию. Её основа — официальный LTX-2.5 от Lightricks, дополненная видеодельтой из JoyAI-Echo от JD (jdopensource); объединение, квантование и рабочие процессы подготовил joeygambino. Модель предназначена для использования в ComfyUI и совместима с экосистемой LTX-2.5. Модель генерирует изображение и звук за один проход, поддерживает сценарии text-to-video и audio-video, включая синхронизацию губ, выразительную мимику, устойчивый голос, многокадровые сцены и продолжение видео с объединением фрагментов. Указаны варианты с разной интенсивностью переноса характеристик JoyAI-Echo: 070T30 рассчитан на более естественную цветопередачу и кожу, а 100T50 — на более яркую и комедийную актёрскую подачу. Доступны GGUF-квантизации от Q3_K_M до Q8_0 объёмом примерно 10,6–22,7 ГБ; заявлена работа на видеокартах RTX 30/40, а для RTX 5090 рекомендуются версии comfy-native. В README также упоминаются разрешения 1280×736 и 960×544 с последующим увеличением до 1920×1088, а также генерация роликов длительностью 8–10 секунд и многосюжетных последовательностей. Сильные стороны модели — генерация видео и звука в одном процессе, естественная синхронизация речи с движением губ, выразительные лица, сохранение голоса и относительно быстрый дистиллированный режим: обычно 8 шагов для первого прохода и 3 для второго. Ограничения включают значительные требования к видеопамяти, зависимость от ComfyUI, дополнительных VAE и текстового энкодера, а также компромиссы квантования между размером, качеством и скоростью. Модель распространяется по LTX-2.x Community License; README не приводит полный текст условий лицензии.

10 Eros — модель на базе LTX 2.3, опубликованная автором TenStrip как вариант для преобразования изображения в видео. В README описаны версии 1.2–1.5: автор меняет обработку attention gates и смешивает веса разных шагов обучения, чтобы сочетать более управляемое следование промпту и устойчивую структуру видео с явными движениями. Модель рассчитана на сценарии image-to-video и может использоваться с LoRA, в том числе с гибридными LoRA для расширения вариативности движения. Для работы автор рекомендует подробно задавать исходную сцену, движения, изменения композиции и звук; модель слабо развивает условие самостоятельно. README отмечает возможные проблемы с анатомией, лишними деталями, субтитрами и неожиданными переходами, а также необходимость тщательной настройки промпта. Репозиторий содержит файлы safetensors и варианты checkpoint и FP8; отдельные сборки требуют соответствующего workflow Diffusers или узлов. Лицензия в предоставленных данных не указана.

Soft Enhance — это LoRA-адаптер для генерации видео на базе LTX-Video от Lightricks, предназначенный для использования с text-to-video pipeline. Адаптер разработан vrgamedevgirl84 и ориентирован на улучшение визуального стиля готовых генераций: добавляет ненавязчивые детали, повышает общую чёткость и смягчает выраженный контраст LTX 2.3. Модель подходит для создания видео с более естественным и отшлифованным видом, мягким восстановлением деталей, плавными тональными переходами и более гладкой передачей кожи. Её можно применять самостоятельно или комбинировать с LoRA Crisp Enhance, регулируя силу каждого адаптера для получения нужного баланса между мягкостью и резкостью. Архитектура, размер, поддерживаемые языки и размер контекста в README не указаны. Лицензия также не указана, поэтому условия распространения и коммерческого использования требуют дополнительной проверки.

calcuis/ltxv-gguf — это набор GGUF-квантизированных и FP8-масштабированных версий модели LTX-Video, разработанной Lightricks и упакованной пользователем calcuis. Модель предназначена для генерации видео по текстовому описанию, а карточка классифицирует её как image-to-video. Примеры показывают создание кинематографичных сцен с движением камеры, природными ландшафтами, городами и побережьями; запуск поддерживается через gguf-connector, gguf-node и ComfyUI. В набор входят варианты LTX-Video примерно на 2 млрд параметров, включая distilled-релизы 0.9.8 в форматах IQ4_NL, Q6_K и Q8_0, а также другие версии GGUF, например Q4_0. Для работы могут использоваться отдельные квантизированные текстовый энкодер T5XXL и VAE. Указан английский язык; другие языки не заявлены. Размер контекста, точные характеристики входных изображений и выходного видео, а также полный перечень поддерживаемых разрешений и форматов в карточке не указаны. К сильным сторонам относятся сниженные требования к памяти и возможность выбирать степень квантизации, а также интеграция с распространёнными инструментами генерации. При этом чрезмерно агрессивная квантизация, например Q2_K, по отзывам автора может давать непригодное качество; результаты разных вариантов моделей, энкодеров и VAE могут заметно отличаться. Лицензия обозначена как other, но её конкретные условия в карточке не приведены.

Это неофициальная публикация весов LTX-Video версии 0.9.1 в формате Diffusers. Репозиторий предназначен для генерации видео по текстовому описанию с использованием библиотеки Diffusers; в README также упоминается сценарий генерации видео по изображению. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или лицензию. По имеющимся данным можно подтвердить формат Diffusers и наличие файлов safetensors, но нельзя установить, кто выполнил конвертацию и какие именно базовые веса использованы.

MiniMax-H3 (ref2va, int8) — производная версия MiniMax-H3, подготовленная автором репозитория Papina для запуска сценария ref2va на GPU с меньшим объёмом видеопамяти. Модель создаёт короткие видео со стереозвуком по тексту и референсному изображению; рабочий процесс ref2va использует квантованные компоненты трансформера и текстового энкодера Qwen3-VL. Два крупных компонента преобразованы из исходных весов bf16 в формат int8 с помощью torchao Int8WeightOnlyConfig без переобучения и калибровки. VAE, аудио-VAE, токенизатор, процессор и планировщики загружаются без изменений из MiniMaxAI/MiniMax-H3. Указана библиотека Diffusers и формат safetensors. В README указано, что исходные трансформер и текстовый энкодер занимают около 130 ГБ в bf16; квантованный вариант рассчитан на GPU с меньшим объёмом VRAM, хотя точные требования для этой версии не приведены. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты. Репозиторий содержит только workflow ref2va; сценарии t2va и fl2va следует запускать из исходного репозитория.

Карточка модели Shishir1996/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview на Hugging Face совпадает с карточкой Veda-Sparse/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview, поэтому описание составлено по ней. Veda-Sparse — обученный разреженный предсказатель внимания для MiniMax-H3, разработанный проектом Veda. Он ускоряет генерацию видео со звуком, выбирая наиболее важные блоки внимания: в описанном режиме сохраняется 10% внимания, а остальное пропускается. Предсказатель не меняет веса и стиль базовой модели и совместим с LoRA и дообученными вариантами MiniMax-H3. Контрольная точка обучена и оценена с MiniMax-H3-Turbo-Lora для генерации за 8 шагов. В README заявлены ускорение вычисления внимания до 6,8 раза и ускорение генерации целиком до 3,1 раза при качестве изображения и звука на уровне полного внимания; результаты зависят от GPU и длины ролика. Модель предназначена для конвейера text-to-video на базе Miowtion и требует соответствующего программного обеспечения и GPU. Лицензия указана как other, поэтому перед использованием следует проверить её условия.

Карточка модели TechnoBaptist/MiniMax-H3-x-Z-Image-native на Hugging Face совпадает с карточкой joeygambino/MiniMax-H3-x-Z-Image-native, поэтому описание составлено по ней. MiniMax-H3 × Z-Image — это изменённая версия MiniMax-H3 от joeygambino с добавленным профилем пространственного внимания Z-Image. Она предназначена для генерации видео в ComfyUI; автор описывает более выразительные детали, наборы объектов и текстуры при сохранении идентичности и без нарастания резкости от кадра к кадру. В репозитории представлены сборки safetensors для ComfyUI 0.32+: bf16, FP8, INT8 и семейство 4-битных вариантов, включая W4A8 и NVFP4. README рекомендует использовать bf16 как основную сборку, W4A8 как качественный вариант для видеокарт с 16 ГБ памяти, а INT8 — для RTX 50. Базовая MiniMax-H3 поддерживает создание коротких видео со стереозвуком по тексту, изображениям, видео и аудио; README этой сборки не уточняет, какие входы доступны именно в ней. Модель создана joeygambino на основе MiniMaxAI/MiniMax-H3; лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять на странице репозитория. Для RTX 30/40 автор рекомендует GGUF-версию, отмечая, что она быстрее 4-битных comfy-native сборок.

Stable Video Diffusion 1.1 Image-to-Video — диффузионная модель Stability AI для генерации коротких видеоклипов на основе одного исходного изображения. Это латентная диффузионная модель, дообученная на базе SVD Image-to-Video для 25 кадров. Она рассчитана на создание 25 кадров с разрешением 1024×576 из изображения того же размера; стандартные условия дообучения — 6 кадров в секунду и Motion Bucket Id 127, эти параметры можно менять. Модель подходит для анимации изображений, художественных и дизайнерских задач, а также для творческих и образовательных инструментов. Текстовое управление не поддерживается. По карточке модель предназначена для некоммерческого и исследовательского использования; условия коммерческого использования следует уточнять у Stability AI, поскольку лицензия в метаданных обозначена как other. Клипы короткие — до четырёх секунд; возможны отсутствие движения или медленные панорамы, а фотореализм не гарантируется. Модель может некорректно генерировать лица и людей, не создаёт читаемый текст и не предназначена для достоверного изображения людей или событий.

Sulphur 2 distilled fp8 — версия модели генерации видео от автора проекта Sulphur, основанная на LTX 2.3. Она предназначена для создания видео по текстовому описанию; семейство Sulphur также поддерживает генерацию по изображению и тексту. В репозитории указаны веса safetensors и библиотека Diffusers, а суффикс fp8 обозначает вариант с 8-битным представлением весов. Модель подходит для создания видеоклипов по промптам. В README также описан отдельный улучшатель промптов, принимающий текст и изображение, однако его файлы и установка не относятся напрямую к этой версии весов. Для запуска автор рекомендует использовать dev-версии с distill LoRA либо полные модели, не подключая LoRA одновременно с полной моделью. Условия лицензии в доступных материалах не указаны.

Карточка модели vdaular/sulphur-caption на Hugging Face совпадает с карточкой SulphurAI/sulphur-caption, поэтому описание составлено по ней. Sulphur Caption — модель для автоматического создания подробных подписей к видео. Её разработал автор SulphurAI; в основе лежит Gemma 4 31B, а для обработки звука используется Parakeet 0.6B TDT v3. Модель принимает видео и выдаёт текстовые описания сцен с временными деталями, сведениями о камере и водяных знаках. В README также описана обработка аудио через Parakeet bridge, которая может пропускать тихие, неразборчивые, перекрывающиеся и неречевые звуки. Модель предназначена для пакетной подписи видео и подготовки исходных подписей для LoRA-датасетов. Доступны настройки длины, подробности и стиля описания, а для обработки папок предусмотрены пакетная обработка и сохранение текстового файла для каждого видео. В README указана поддержка 4–20 кадров при обучении; запуск требует около 70 ГБ видеопамяти для bf16 или 38 ГБ для варианта fp8. Автор оценивает качество как приемлемое, но не рекомендует полагаться на модель без проверки подписей. Для примеров vLLM требуется поставляемая исправленная версия рантайма. Лицензия — CC BY 4.0.

LLM-grounded Video Diffusion (LVD) — модель генерации видео, разработанная Long Lian, Baifeng Shi, Adam Yala, Trevor Darrell и Boyi Li из UC Berkeley и UCSF; работа представлена на ICLR 2024. Модель основана на ModelScope и дополнена управлением генерацией через ограничивающие рамки объектов: она использует cross-attention для привязки объектов к заданным областям кадра. Модель предназначена для генерации видео по тексту, в том числе с динамической компоновкой сцены, сформированной LLM. Её можно использовать как видеоверсию GLIGEN или самостоятельно. Для обучения GLIGEN-модели использовались веса ModelScope без временных transformer-блоков, датасет SA-1B и разрешение 256×256; затем адаптеры были объединены с ModelScope. Репозиторий содержит модель в форматах Diffusers и Safetensors.