I.10Видео, анимация и 3D

Карточка модели PY007/trial на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B-Diffusers, поэтому описание составлено по ней. Wan-AI Wan2.1-T2V-1.3B-Diffusers — модель генерации видео по текстовому описанию из семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с пространственно-временным VAE; данный репозиторий содержит вариант на 1,3 млрд параметров в формате Diffusers и Safetensors. Модель предназначена для создания коротких видеороликов по текстовым запросам. В README указана генерация видео 480p и 720p; для 1,3B-варианта рекомендуется 480p, поскольку результаты при 720p менее стабильны. Заявлена поддержка создания видимого текста на английском и китайском языках. Для генерации 5-секундного видео 480p README приводит ориентир около 8,19 ГБ видеопамяти и примерно четырёх минут на RTX 4090 без оптимизаций. Модель подходит для творческих задач и прототипирования видеоконтента, в том числе на потребительских GPU. Лицензия — Apache-2.0. Дополнительное расширение текстового запроса может улучшать детализацию, но требует отдельной модели или внешнего сервиса; качество генерации на 720p менее стабильно, чем на 480p.

DFloat11/Wan2.2-I2V-A14B-DF11 — это lossless-квантизированная и сжатая версия модели Wan2.2-I2V-A14B, разработанной Wan-AI. Модель предназначена для image-to-video генерации: по исходному изображению и текстовому описанию она создаёт видеоролик. В README приведён сценарий генерации видео длительностью около 5 секунд в разрешении 720p. Сжатие DFloat11 основано на кодировании Хаффмана экспонентных битов весов BFloat16 и аппаратно-ориентированной распаковке весов непосредственно на GPU. По заявлению авторов, размер модели уменьшен примерно на 32% по сравнению с исходной версией BFloat16, при этом выходы остаются побитово идентичными. Для запуска требуются CUDA-совместимый GPU, PyTorch, пакет DFloat11 и актуальная версия diffusers. Указаны поддержка CPU offloading, 81 кадра по умолчанию, частота 16 кадров в секунду и генерация на одной видеокарте с 24 ГБ памяти при соответствующих настройках. К сильным сторонам относятся сохранение качества и идентичности результатов исходной модели, существенно меньшие требования к хранению и возможность запуска на более доступном GPU. Ограничения — высокая вычислительная нагрузка и длительное время генерации: в приведённом тесте на A100 создание 5-секундного видео занимало около 42 минут без CPU offloading и 44 минуты с ним, а пиковое потребление GPU-памяти составляло примерно 29,12 и 20,01 ГБ соответственно. Лицензия в README не указана.

QuantStack/Wan2.2-I2V-A14B-GGUF — это GGUF-конверсия модели Wan-AI/Wan2.2-I2V-A14B, разработанной командой Wan-AI. Модель предназначена для задач image-to-video: создания видео на основе исходного изображения. В README также указана поддержка английского и китайского языков, однако сведения о конкретных сценариях применения, архитектуре, количестве параметров, размере контекста и поддерживаемых модальностях, кроме преобразования изображения в видео, не приведены. Модель поставляется в квантизированном формате GGUF, что может упростить её использование в совместимых инструментах и снизить требования к ресурсам по сравнению с полноразмерной версией, но README не содержит данных о типе квантизации, качестве или производительности. Для запуска заявлена интеграция с пользовательским узлом ComfyUI-GGUF для ComfyUI; файлы необходимо размещать в каталоге ComfyUI/models/unet. Распространение осуществляется по лицензии Apache-2.0, при этом сохраняются исходные лицензионные условия и ограничения базовой модели.

Wan2.2-TI2V-5B-MLX-Q8 — 8-битная версия модели Wan2.2-TI2V-5B, подготовленная для запуска через библиотеку mlx-video на компьютерах Apple Silicon. Это плотная модель семейства TI2V с трансформером на 5 млрд параметров, кодировщиком текста UMT5-XXL и VAE Wan2.2. Она создаёт видео 720p по текстовому описанию или исходному изображению; в README приведён пример генерации 41 кадра при 24 кадрах в секунду. Квантизованы линейные слои трансформера, тогда как эмбеддинги, нормализации и выходная голова сохранены в bf16; репозиторий также включает кодировщик текста в bf16 и VAE в fp32. Модель предназначена для локальной генерации видео на Apple Silicon. В README указана проверенная конфигурация с 64 ГБ объединённой памяти и рекомендация иметь не менее 32 ГБ; пример генерации видео 720p занял около 15 минут. Репозиторий описан как конверсия и квантизация базовой модели Wan-AI/Wan2.2-TI2V-5B. Лицензия — Apache-2.0.

zeroscopedarkv2 30x448x256 — модель генерации видео по тексту на основе ModelScope, обученная из исходных весов. Она предназначена для создания предварительных роликов с композициями 16:9, которые затем можно увеличить с помощью Potat1 в режиме vid2vid через расширение text2video для Stable Diffusion WebUI. Модель формирует видео из 30 кадров с разрешением 448×256 пикселей и обучена на 9 923 видеоклипах и 29 769 размеченных кадрах. В README заявлены отсутствие водяного знака, плавное воспроизведение и вариативность яркости. Низкое разрешение удобно для быстрого подбора композиции перед рендерингом в большем размере. Рекомендуется сохранять исходный запрос и настройки при увеличении ролика; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

guoyww/animatediff-sparsectrl-scribble — компонент для генерации видео, созданный на основе AnimateDiff и SparseCtrl. AnimateDiff добавляет обученные на видеоклипах слои движения к замороженной модели Stable Diffusion для генерации изображений; SparseControlNetModel добавляет управление генерацией по разреженным условиям, таким как наброски. Компонент предназначен для использования вместе с совместимой моделью Stable Diffusion и инструментами библиотеки Diffusers. Модель подходит для создания видео по текстовому описанию с управлением движением и визуальными подсказками в виде набросков. Архитектурно это Sparse ControlNet для AnimateDiff, работающий с UNet Stable Diffusion и motion-модулями. В репозитории указаны веса в формате safetensors. README не сообщает лицензию и конкретные ограничения качества; для запуска нужны совместимые базовая модель и компоненты AnimateDiff.

NullpoLab/AnimeGen-I2V-GGUF — это GGUF-квантованная версия модели aidealab/AnimeGen-I2V, предназначенная для использования в ComfyUI. Модель относится к классу image-to-video и ориентирована на генерацию аниме-видео на основе изображений; в метаданных также указаны задачи video generation и поддержка коммерческого использования. В доступных данных не указаны точная архитектура, размер модели, поддерживаемые разрешения, длина контекста, набор модальностей помимо image-to-video и фактический список языков. В метаданных заявлен английский язык, однако README не уточняет, относится ли это к текстовым входам или документации. Модель основана на aidealab/AnimeGen-I2V, а GGUF-квантизация может быть полезна для запуска в средах, совместимых с этим форматом, включая ComfyUI. Ограничения, связанные с качеством, производительностью и требованиями к оборудованию, не описаны. Лицензия указана как Apache-2.0, при этом README отмечает, что условия лицензирования совпадают с AnimeGen.

FastVideo-FastH3-Motion-Enhanced-Comfy — производный вариант FastVideo FastH3, подготовленный автором rzgar для генерации видео с усиленной передачей движения. В README указано, что улучшены анатомическая точность мужских и женских персонажей и понимание движений для NSFW-сцен; усиление намеренно настроено ниже своего максимума, чтобы пользовательские LoRA стиля и персонажей могли дополнять результат. Модель рассчитана на запуск без LoRA, а также на совместное использование с ними. Основная задача по метаданным — генерация видео из изображения. Файл модели представлен в формате safetensors; README называет её FastH3-моделью на 8 шагов. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены.

HunyuanVideo-1.5_I2V_480p-GGUF — это набор квантованных версий модели HunyuanVideo 1.5 I2V 480p, разработанной Tencent и опубликованной пользователем jayn7. Модель предназначена для генерации видео на основе изображения (image-to-video, I2V) с разрешением 480p. В репозитории доступны обычная и distilled-версия, а также варианты квантования Q4_K_S, Q8_0 и FP16. Модель работает с визуальным входом и генерирует видео; поддержка текстовых языков, точная архитектура, число параметров, длина контекста и другие технические характеристики в представленном README не указаны. Формат GGUF рассчитан на использование через ComfyUI-GGUF, а инструменты квантования и руководство связаны с llama.cpp и city96. К преимуществам относятся наличие уменьшенных квантованных вариантов и возможность локального запуска в совместимой среде, однако конкретные требования к оборудованию, качество разных вариантов и ограничения использования по README не описаны. Репозиторий следует той же лицензии, что и исходная модель Hunyuan Video 1.5 от Tencent; точное название и условия лицензии в README не приведены.

Rabinovich/LongLive-2.0-5B-Diffusers — перекладка модели LongLive-2.0-5B в структуру каталогов Diffusers для непосредственной загрузки в SGLang Diffusion. Весовые параметры генератора взяты из Efficient-Large-Model/LongLive-2.0-5B, а планировщик, текстовый энкодер, токенизатор и VAE — из Wan-AI/Wan2.2-TI2V-5B-Diffusers; архитектура использует LongLive2Pipeline. Модель предназначена для генерации видео по текстовому описанию. В качестве примера README показывает создание ролика по запросу о роботе в лаборатории с 61 кадром, разрешением 480×832 и четырьмя шагами инференса. Репозиторий распространяется по лицензии NVIDIA Open Model License. Метаданные указывают на объединение LongLive-2.0-5B и Wan2.2-TI2V-5B-Diffusers; формат файлов — Diffusers и safetensors.

vantagewithai/LTX2.3-10Eros-1.5-GGUF — это версия в формате GGUF модели TenStrip/LTX2.3-10Eros, опубликованная vantagewithai для использования в ComfyUI. Модель предназначена для генерации видео из изображений (image-to-video) с управляемым описанием начальной сцены, движений, изменений композиции и аудио. Модель основана на LTX 2.3 и связана с Sulphur-2-base. Версия 1.5 представляет собой модификацию версии 1.4 с изменённой обработкой attention-gates, чтобы улучшить явное движение и анатомические детали, сохранив более стабильную структуру и стиль следования подсказкам версии 1.4. Она рассчитана на строгие, подробные и директивные текстовые запросы, а также лучше работает с гибридными DMD-настройками и совместимыми LoRA. Точные размер модели, архитектура, поддерживаемые языки, длина контекста и полный набор модальностей в README не указаны. Сильными сторонами заявлены более стабильные результаты, лучшее следование длинным и детализированным запросам, а также расширенная вариативность движений. Ограничения включают необходимость тщательной доработки промптов, возможные проблемы с анатомией и зависимость от специализированных рабочих процессов, узлов ComfyUI и LoRA. Лицензия в README не указана.

LTX-2.3 10Eros v1.5 DMD Hybrid v2 MLX q8 — это квантованный до int8 вариант модели TenStrip/LTX2.3-10Eros, подготовленный для запуска на Apple Silicon через ltx-2-mlx. Веса представляют собой слитую с базовой моделью дистилляцию DMD hybrid v2; пакет содержит дистиллированный трансформер и нейронный латентный апскейлер. Текстовый энкодер Gemma 3 12B в пакет не входит и загружается отдельно. Модель предназначена для генерации видео по текстовому описанию, в том числе с использованием изображения как условия. Она работает в дистиллированном режиме; в комплекте нет dev-трансформера для двухэтапного или one-stage-dev сценариев. Описанные улучшения включают более детальное движение и устойчивость композиции, особенно в повторяющихся движениях. Модель предназначена для взрослой аудитории и может создавать откровенный контент. Лицензия указана как other; дополнительных условий в доступных данных нет.

MiniMax-H3-Acc-LoRAs-sidecar — набор sidecar-файлов с LoRA-обновлениями для ускорения модели MiniMax-H3 в ComfyUI. Разработчик этого репозитория — fbjr; файлы являются конверсиями официальных Parallel Decoding Distillation LoRAs от alibaba-pai для MiniMaxAI MiniMax-H3. Самостоятельного обучения в репозитории не выполнялось. Модель предназначена для генерации видео со звуком из текста и совместной работы с checkpoint MiniMax-H3 через специальный узел ComfyUI MiniMaxH3PDDLoRA. Sidecar содержит обновление transformer, модификацию timestep-модуляции и банк из 32 выходных голов, соответствующих участкам траектории. В штатном режиме количество sampler steps сокращается с 16 до 5–8 при близком качестве; 8 шагов указаны как дистиллированный режим, а 5–7 дают сопоставимый результат с меньшим временем. Поддерживаются варианты checkpoint FL2VA и Ref2VA, включая pruned-версии, а также квантованные checkpoint с экспериментальной настройкой unmerged_blocks. Для корректной работы требуются совместимые файл sidecar, checkpoint, узел ComfyUI и его расписание SIGMAS; обычный LoRA loader применяет только часть компонентов и может привести к снижению качества. Число шагов 4 даёт заметно более грубый результат, а некоторые другие значения заявлены как принятые, но непроверенные. Использование регулируется MiniMax-H3 Community License Agreement; лицензия указана как other.

MiniMax-H3 Combined — сборка модели MiniMaxAI/MiniMax-H3 от addlabsviral для генерации видео и синхронной звуковой дорожки за один проход денойзинга. Репозиторий использует модульную раскладку Diffusers: 50-блочный трансформер с объединёнными весами Turbo LoRA в формате bfloat16, текстовый кондиционер Qwen3-VL, квантованный до 8 бит через bitsandbytes LLM.int8, а также видео- и аудиодекодеры float32. Сборка рассчитана на четырёхшаговый инференс и развёртывание в Hugging Face ZeroGPU Spaces. В README приведён замер около 40 секунд на клип длительностью 5 секунд при разрешении 960×544 и 124 кадрах на RTX PRO 6000; кондиционирование занимает около 45 секунд. Указаны теги генерации видео по тексту, изображению и видео, а также синхронного аудио-видео, однако подтверждённая задача каталога и основной pipeline — image-text-to-video. Для ускорения на RTX PRO 6000 включён пакет AOT-Inductor, собранный для sm120 и torch 2.11; на других конфигурациях этот компонент может не применяться. Репозиторий занимает около 112 ГБ, а для загрузки квантованного кондиционера требуются bitsandbytes и transformers 5.8.0. Лицензия обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Smite79 публикует H3-LongVideos — узел для ComfyUI, который использует MiniMax-H3 для создания длинных видеороликов с синхронизированным звуком по одному текстовому запросу. Он разбивает описание на отдельные сцены, передаёт их модели последовательно, используя последний кадр предыдущей сцены как начало следующей, а затем соединяет сцены в одно видео с общей звуковой дорожкой. Модель рендерит примерно до 15 секунд за раз; узел предназначен для многошаговой генерации видео и поддерживает предварительный просмотр подготовленных запросов без рендеринга. Для работы нужны ComfyUI с нативной поддержкой MiniMax-H3, модель MiniMax-H3, текстовый энкодер H3 и видеокодек VAE. Репозиторий содержит файлы safetensors. Лицензия указана как other, без дополнительных условий в предоставленных данных. Карточка предупреждает, что узел находится в активной разработке и может содержать ошибки.

Это набор весов диффузионной модели MiniMax H3, преобразованный в GGUF с типом NVFP4 и опубликованный brurpo для запуска через stable-diffusion.cpp. В репозитории представлены варианты FL2VA и Ref2VA, полные и прореженные; исходные тензоры взяты из официальных BF16-релизов Comfy-Org/MiniMax-H3. Модель предназначена для генерации видео по тексту и изображениям; MiniMax H3 также поддерживает создание видео со стереозвуком. Это не самостоятельный пакет: для работы требуются текстовый энкодер Qwen3-VL и видео-VAE, а для синхронной генерации звука — аудио-VAE. NVFP4-исполнение ориентировано на видеокарты NVIDIA архитектуры Blackwell и совместимую сборку CUDA. Файлы проверены на загрузку и пробную генерацию через stable-diffusion.cpp. Лицензия указана как other, поэтому условия следует сверять с лицензиями исходной модели и репозитория; конкретные условия в карточке не приведены.

MiniMax-H3-Prompt-Rewriter-LoRA-Omni-GGUF — это GGUF-конверсия LoRA-адаптера lightx2v/MiniMax-H3-Prompt-Rewriter-LoRA-Omni, опубликованная pytraveler. Адаптер предназначен для запуска через llama.cpp на квантованной мультимодальной модели Qwen2.5-Omni-7B. Нового обучения в этой версии нет: значения тензоров исходного адаптера сохранены, изменён только формат представления. Модель переписывает исходные запросы для генерации видео и поддерживает сценарии T2AV, I2AV, L2AV, FL2AV и Ref2AV. Она может работать с текстом, изображениями, видеоклипами и звуком, включая анализ референсных материалов и их использование в итоговом описании. Адаптер формирует структурированные описания сцен с композицией, освещением, движением камеры и таймингом. Он изменяет только текстовую часть модели; зрительный и аудиомодули Qwen2.5-Omni не затрагиваются. Доступны варианты F16 размером около 0,65 ГБ и Q8_0 размером около 0,34 ГБ; README рекомендует Q8_0. Для работы требуются совместимые файлы базовой модели Qwen2.5-Omni-7B и мультимодального проектора, причём при контексте 12 тысяч токенов заявлено около 9 ГБ VRAM. Для корректной генерации необходимо применять шаблон чата Qwen2.5-Omni; задачи с референсами запускаются через мультимодальный интерфейс llama.cpp. Лицензия в предоставленных данных не указана.

Карточка модели Nocodedev0/MPT-MCLIP2.1-T2V-1.3B-Diffusers-VIDEO-GEN на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B-Diffusers, поэтому описание составлено по ней. Wan-AI Wan2.1-T2V-1.3B-Diffusers — модель генерации видео по текстовому описанию из семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с пространственно-временным VAE; данный репозиторий содержит вариант на 1,3 млрд параметров в формате Diffusers и Safetensors. Модель предназначена для создания коротких видеороликов по текстовым запросам. В README указана генерация видео 480p и 720p; для 1,3B-варианта рекомендуется 480p, поскольку результаты при 720p менее стабильны. Заявлена поддержка создания видимого текста на английском и китайском языках. Для генерации 5-секундного видео 480p README приводит ориентир около 8,19 ГБ видеопамяти и примерно четырёх минут на RTX 4090 без оптимизаций. Модель подходит для творческих задач и прототипирования видеоконтента, в том числе на потребительских GPU. Лицензия — Apache-2.0. Дополнительное расширение текстового запроса может улучшать детализацию, но требует отдельной модели или внешнего сервиса; качество генерации на 720p менее стабильно, чем на 480p.

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.

SVI_v2_PRO — адаптер LoRA в формате safetensors для базовой модели wikeeyang/Magic-Wan-T2IV-V3. Модель относится к экосистеме Diffusers и предназначена для генерации изображений; по идентификатору и тегам также связана с задачами text-to-image и image-to-video на базе Wan 2.2 I2V-A14B. Для активации указан триггер none. Известно, что адаптер имеет ранг LoRA 128 и сохранён в формате FP16. README не содержит точных сведений об архитектуре базовой модели, размере параметров, поддерживаемых языках, длине контекста, дополнительных модальностях, сильных сторонах и ограничениях. Модель распространяется по лицензии Apache-2.0.

PAIR/text2video-zero-controlnet-canny-arcane — модель генерации изображений и видео на основе Text2Video-Zero и DreamBooth-весов для стиля Arcane. Компоненты Text2Video-Zero разработали Левон Хачатрян, Андраник Мовсисян, Ваграм Тадевосян, Роберто Хеншель, Чжанъян Ван, Шант Навасардян и Хамфри Ши; исходные DreamBooth-веса стиля Arcane создал Quiet_Joker. Модель доступна в формате Diffusers/PyTorch. Она предназначена для генерации видео по английскому текстовому описанию с управлением по контурам Canny, а также для генерации изображений с тем же стилем и управлением. Подходит для стилизованных роликов и кадров, где нужно согласовать содержание запроса с заданными очертаниями. Карточка указывает лицензию CreativeML OpenRAIL-M; отдельные ограничения генерации и длина контекста не описаны.

Text2Video-Zero ControlNet Canny Avatar Style — модель генерации видео по текстовому описанию с управлением по контурам Canny и стилем аватара. Вариант подготовили Levon Khachatryan, Andranik Movsisyan, Vahram Tadevosyan, Roberto Henschel, Zhangyang Wang, Shant Navasardyan и Humphrey Shi; веса DreamBooth для стиля аватара взяты у Quiet_Joker с CIVITAI. Репозиторий содержит веса в форматах Diffusers и PyTorch и предназначен для использования с ControlNet в Text2Video-Zero. Модель подходит для генерации видео по тексту и контурам, а также для создания изображений в стиле аватара с управлением по контурам. Основана на подходе Text2Video-Zero и может работать с базовыми моделями Stable Diffusion. Карточка указывает английский язык и лицензию CreativeML OpenRAIL-M. Качество и визуальная согласованность результата зависят от базовой модели, текстового запроса и входных контуров; сведения о конкретной базовой модели и длине видео в карточке отсутствуют.

city96/Wan2.1-I2V-14B-720P-gguf — это конвертированная в формат GGUF версия модели Wan2.1-I2V-14B-720P, разработанной Wan-AI. Модель предназначена для генерации видео из изображений (image-to-video), то есть для создания или продолжения видеосцен на основе исходного изображения и текстового описания. Заявленные языки — английский и китайский. Модель имеет размер 14B параметров и ориентирована на генерацию видео с разрешением 720p. Доступны варианты квантования, созданные на основе FP32; в репозитории также указан вариант FP16. Формат GGUF позволяет использовать модель через совместимые инструменты, в частности custom node ComfyUI-GGUF, однако для работы требуются дополнительные файлы из отдельного репозитория Comfy-Org и настройка соответствующего окружения. Размер FP16-файла может превышать 50 ГБ, а загрузка разделённых GGUF-файлов в ComfyUI-GGUF на момент подготовки README не поддерживается. К сильным сторонам относятся специализация на image-to-video, поддержка генерации видео в высоком разрешении и наличие вариантов квантования, которые могут снизить требования к ресурсам по сравнению с полноразмерной версией. Ограничения включают высокие аппаратные требования, необходимость дополнительных компонентов и зависимость от совместимости с ComfyUI-GGUF; длина контекста, точные требования к памяти и другие архитектурные характеристики в README не указаны. Модель распространяется по лицензии Apache-2.0.

city96/Wan2.1-T2V-14B-gguf — это прямое преобразование модели Wan-AI/Wan2.1-T2V-14B в формат GGUF, выполненное автором city96. Модель предназначена для генерации видео по текстовому описанию и может использоваться в рабочих процессах ComfyUI через пользовательский узел ComfyUI-GGUF. Доступны варианты квантования, созданные на основе FP32-версии базовой модели; в README отдельно отмечено, что загружен вариант FP16 из-за ограничения размера файлов и отсутствия поддержки загрузки gguf-split в ComfyUI-GGUF. Сведения о конкретной архитектуре, числе параметров, поддерживаемых языках, модальностях и размере контекста не указаны. Для работы также требуется VAE Wan2_1_VAE_bf16.safetensors из репозитория Kijai. Модель удобна для запуска Wan2.1-T2V-14B в окружении, совместимом с GGUF и ComfyUI, однако применимость зависит от поддержки соответствующего пользовательского узла и доступной аппаратной памяти. Лицензия — Apache-2.0.

DFloat11/Wan2.2-T2V-A14B-2-DF11 — это квантованная и без потерь сжатая версия второй части модели Wan2.2-T2V-A14B от Wan-AI, опубликованная в формате DFloat11. Модель предназначена для генерации видео по текстовому описанию с использованием pipeline_tag text-to-video и интеграции с Diffusers. Ключевая особенность модели — сжатие весов BFloat16 с помощью Huffman-кодирования экспонент и аппаратно-ориентированной распаковки непосредственно на GPU. По данным README, сжатие сохраняет побитово идентичные результаты исходной модели и уменьшает размер примерно на 32%. Полная конфигурация архитектуры, число параметров и перечень поддерживаемых языков в README не указаны. В составе Wan2.2 модель может использоваться для создания 5-секундных видео в разрешении 720p; пример конфигурации предусматривает 81 кадр и 16 кадров в секунду. Основное преимущество — возможность запуска генерации на одной GPU с 24 ГБ видеопамяти при использовании CPU offloading, а также сохранение качества исходной модели благодаря заявленной потере без потерь. Без offloading требуется около 40 ГБ VRAM; с offloading пиковое потребление составляет около 22,49 ГБ, а без него — около 41,06 ГБ. На A100 генерация 5-секундного видео занимает примерно 42–44 минуты, поэтому модель ориентирована прежде всего на локальный GPU-инференс, а не на высокопроизводительную генерацию в реальном времени. Для работы необходимы CUDA-совместимая GPU, PyTorch, пакет DFloat11 и актуальная версия Diffusers. Лицензия в представленном README не указана.

suyehb/Wan2.2-TI2V-5B-GGUF — это квантизированная модель в формате GGUF, представляющая прямую конвертацию Wan-AI/Wan2.2-TI2V-5B. Она предназначена для задач text-to-video и TI2V, то есть генерации видео по текстовому описанию и, вероятно, связанных сценариев преобразования текста и изображений в видео, однако подробности о поддерживаемых входных данных в README не приведены. Разработчик исходной модели — Wan-AI; автор конвертации — владелец репозитория suyehb. Из известных характеристик указаны размер исходной модели 5B параметров, форматы GGUF и квантизированное представление, а также поддержка английского и китайского языков. Архитектура, точный размер файла, уровень квантизации, максимальная длина контекста и другие технические параметры не раскрыты. Модель можно использовать через пользовательский узел ComfyUI-GGUF для ComfyUI, размещая файлы в каталоге ComfyUI/models/unet. Модель удобна для локального использования в совместимой среде и может требовать меньше ресурсов благодаря квантизации, но README не содержит данных о качестве, производительности, аппаратных требованиях и ограничениях генерации. Распространяется по лицензии Apache-2.0; для квантизированной версии сохраняются исходные лицензионные условия и ограничения использования базовой модели.

Wan2.2-TI2V-5B-GGUF — набор GGUF-квантизаций модели Wan2.2-TI2V-5B, разработанной Wan-AI. Репозиторий unsloth/Wan2.2-TI2V-5B-GGUF поддерживается Unsloth как удобное зеркало вариантов, опубликованных QuantStack; веса заявлены как побитно идентичные файлам исходного репозитория, за исключением преобразованного VAE. Модель предназначена для генерации видео по тексту и изображению, включая сценарии text-to-video и image-to-video, с использованием pipeline text-to-video. Заявлены языки English и Chinese. Это checkpoint только для разрешения 720p: поддерживаются размеры 1280×704 и 704×1280. Из-за temporal compression 4 в VAE допустимы последовательности с числом кадров 4k+1. Доступно 13 вариантов квантизации от Q2_K до Q8_0 размером примерно от 1,73 до 5,03 GiB, а также сопутствующий VAE Wan2.2_VAE в формате safetensors размером 1,31 GiB. README не сообщает архитектуру трансформера, длину контекста, точные требования к памяти или дополнительные модальности. Основные преимущества — широкий выбор точности и размера файлов, возможность использовать GGUF-варианты и фиксированная поддержка 720p-генерации. Ограничения включают привязку к двум разрешениям и специальному числу кадров, а также возможные компромиссы качества при квантизации. Модель распространяется по лицензии Apache-2.0; репозиторий содержит производные работы: квантизированный трансформер и преобразованный VAE. Это неофициальный продукт команд Alibaba Wan или QuantStack и не одобрен ими.

CogVideoX1.5-5B — открытая модель генерации видео, разработанная командой CogVideoX. Она создаёт видео по текстовым запросам и предназначена для генерации роликов из англоязычных описаний. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; для запуска и тонкой настройки авторы рекомендуют использовать Diffusers и SAT соответственно. Модель поддерживает английские запросы. Для запросов на других языках README рекомендует сначала переводить текст на английский. Оптимизации Diffusers и квантизация могут снизить потребление видеопамяти, в том числе на менее мощных GPU, но квантизация INT8 заметно замедляет инференс. Приведённые измерения оптимизаций проверялись на NVIDIA A100 и H100; поведение на других устройствах не проверялось. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует уточнить в материалах репозитория.

city96/HunyuanVideo-gguf — это прямое преобразование модели HunyuanVideo от Tencent в формат GGUF, выполненное пользователем city96. Модель предназначена для генерации видео по текстовому описанию и рассчитана на использование с нативными встроенными узлами HunyuanVideo в ComfyUI, а также с пользовательским узлом ComfyUI-GGUF. Ключевая характеристика модели — квантованный формат GGUF. Сведения о точном размере, архитектуре, поддерживаемых языках, модальностях помимо text-to-video и максимальной длине контекста в README не указаны. Для работы требуется разместить файлы модели в каталоге ComfyUI/models/unet; VAE необходимо скачать отдельно из репозитория Kijai. Модель не является дообученной версией, поэтому сохраняет ограничения и исходные условия лицензии базовой HunyuanVideo. Указана лицензия tencent-hunyuan-community; применимые ограничения следует уточнять по оригинальным лицензионным условиям Tencent. Квантование может уменьшать требования к ресурсам, однако конкретные характеристики производительности и совместимости в README не приведены.

Карточка модели MLXBits/ltx-2.3-10eros-v1.2-dmd-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.2-dmd-mlx-q8, поэтому описание составлено по ней. LTX-2.3 10Eros v1.2 DMD MLX q8 — производная модель для генерации видео из текстового описания или изображения. Её подготовил reallusion4free на основе TenStrip/LTX2.3-10Eros: дистилляция JoyAI Echo DMD объединена с базовыми весами, после чего линейные слои трансформера квантованы до int8. Пакет предназначен для запуска через ltx-2-mlx на компьютерах Apple Silicon; архитектура относится к семейству AudioVideo. Веса трансформера занимают около 19,2 ГБ, дополнительно включены коннекторы и нейросетевой пространственный апскейлер. Текстовый энкодер Gemma 3 12B в пакет не входит и загружается отдельно. Модель рассчитана на создание видео по промпту и, согласно тегам, по изображению с текстовым управлением. Доступен только distilled-режим: пути dev-модели и режимы one-stage, two-stage и two-stages-hq недоступны. В README модель обозначена как предназначенная для взрослых; запрещается использовать её для незаконного контента и изображения реальных людей без согласия. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.