I.10Видео, анимация и 3D

Motif-Video-2B GGUF — набор GGUF-квантизованных вариантов модели Motif-Video-2B, разработанной Motif-Technologies. Это диффузионный трансформер с 2 млрд параметров для генерации видео по текстовому описанию, интегрируемый с библиотекой diffusers. В карточке указано, что модель поддерживает английский язык и относится к pipeline text-to-video; другие языки и размер контекстного окна не заявлены. Доступны варианты квантизации от Q4_0 до Q8_0, а также BF16, с размером файлов примерно от 1,1 до 3,7 ГБ. Квантизация трансформера позволяет снизить требования к VRAM, сохраняя остальные компоненты исходного пайплайна в исходной точности. Q4_K_M ориентирован на минимальное потребление памяти, Q5_K_M и Q6_K рекомендуются как компромисс между качеством и размером, а Q8_0 наиболее близок к качеству BF16. По приведённому бенчмарку скорость вариантов на NVIDIA H200 почти одинакова, а экономия зарезервированной видеопамяти по сравнению с BF16 составляет примерно 1,8–2,8 ГБ. Модель предназначена для локальной генерации видеороликов из текстовых промптов, включая сцены с движением, освещением и кинематографическими эффектами. Ограничениями являются зависимость от CUDA-совместимого PyTorch и компонентов diffusers, необходимость использовать исходный пайплайн Motif-Video-2B, а также возможное снижение качества у более агрессивных вариантов квантизации. Модель распространяется по лицензии Apache-2.0.

Карточка модели thingthatis/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой model-hub/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video — модель латентной диффузии для преобразования неподвижного изображения в короткий видеоклип. Её разработала Stability AI; версия XT дообучена на базе SVD Image-to-Video на 14 кадров. Модель генерирует 25 кадров с разрешением 576×1024 по изображению того же разрешения и использует декодер, дообученный для временной согласованности. Модель подходит для создания коротких анимированных сцен из изображений, творческих и дизайнерских задач, а также исследований генеративных моделей и их ограничений. Текстовое управление не поддерживается. Видео могут не содержать заметного движения, выглядеть недостаточно фотореалистично; лица и люди могут генерироваться некорректно, а текст в кадре — быть нечитаемым. Модель не предназначена для достоверного изображения людей или событий. README указывает на исследовательское назначение и соблюдение политики допустимого использования Stability AI; в метаданных лицензия обозначена как other.

Abiray/Sulphur-2-base-GGUF — набор файлов модели Sulphur-2-base, разработанной SulphurAI, в формате GGUF. Модель предназначена для задач преобразования текста в видео и совместима с архитектурой ltxv. Репозиторий содержит варианты с разной степенью квантования для запуска на оборудовании с различными ограничениями по оперативной памяти и VRAM. Модель содержит 21 млрд параметров. Доступны версии BF16 размером 42,0 ГБ, а также квантованные варианты Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, Q4_0, Q3_K_M и Q3_K_S размером от 10,3 до 22,8 ГБ. Вариант Q4_K_M обозначен как рекомендуемый стандартный баланс скорости, требований к памяти и качества, тогда как BF16 обеспечивает максимальное качество, а варианты Q3 предназначены для наиболее ограниченных конфигураций. Сильной стороной набора является широкий выбор квантований: можно подобрать компромисс между качеством, скоростью инференса и потреблением памяти. При этом более сильное сжатие снижает качество, а для BF16 требуется значительный объём VRAM. Сведения о поддерживаемых языках, максимальном контексте, точных входных и выходных модальностях, системных требованиях и лицензии в предоставленной карточке не указаны.

TEMPURA-Qwen2.5-VL-3B — дообученная мультимодальная модель на базе Qwen/Qwen2.5-VL-3B-Instruct, созданная для анализа временной структуры событий в видео. Она формирует подробные описания последовательных событий с временными метками, рассуждает о скрытых фрагментах и находит моменты, соответствующие текстовому запросу. Модель предназначена для плотного описания видео, временной локализации событий и обнаружения ярких моментов. На вход подаются видеокадры, отобранные с частотой 1 кадр в секунду и снабжённые временными метками; ответы выдаются на естественном языке. Модель построена на архитектуре Qwen2.5-VL и представлена в формате safetensors. В карточке указана лицензия other; конкретные условия лицензии следует сверить с репозиторием.

Novice25/WAN2.2-14B-Rapid-AllInOne_v12.2-GGUF — это квантованная версия модели Phr00t/WAN2.2-14B-Rapid-AllInOne, предназначенная для преобразования изображений в видео. В карточке указано, что модель опубликована в формате GGUF и подготовлена с использованием инструментов city96. Модель ориентирована на сценарии image-to-video: создание видеопоследовательностей на основе исходного изображения. Из доступных данных известен идентификатор серии 14B, однако точная архитектура, методы квантования, поддерживаемые языки, максимальный контекст, требования к оборудованию и характеристики качества не указаны. Сильной стороной является специализированная направленность на генерацию видео из изображений и наличие квантованного формата, потенциально удобного для локального запуска, но конкретные преимущества и ограничения зависят от варианта GGUF и используемого программного обеспечения. Лицензия и условия использования в README не указаны, поэтому правовой статус модели и допустимые сценарии её применения требуют дополнительной проверки.

QuantStack/Wan2.2-Fun-A14B-Control-Camera-GGUF — это GGUF-конверсия модели Wan2.2-Fun-A14B-Control-Camera, разработанной Alibaba PAI. Модель предназначена для генерации видео по текстовым описаниям и управления параметрами камеры; в карточке она классифицирована как text-to-video и рассчитана на использование в ComfyUI через пользовательский узел ComfyUI-GGUF. Основная модель поставляется в формате GGUF и является квантизированной версией исходной модели. Для работы также требуются отдельные компоненты: Clip Vision H, текстовый энкодер Umt5-xxl и VAE Wan2.1. В метаданных указаны английский и китайский языки. Размер модели, точная архитектура, поддерживаемые модальности, длина контекста и характеристики управления камерой в README не описаны. К сильным сторонам относятся поддержка GGUF и интеграция с ComfyUI, что может упростить запуск в совместимой среде и снизить требования к ресурсам по сравнению с неквантизированной версией. Ограничения включают необходимость устанавливать дополнительные компоненты и использовать совместимый workflow; качество, производительность и аппаратные требования не указаны. Модель распространяется по лицензии Apache-2.0, при этом для квантизированной версии сохраняются исходные условия лицензирования и ограничения использования.

QuantStack/Wan2.2-S2V-14B-GGUF — это квантованная версия в формате GGUF модели Wan2.2-S2V-14B, разработанной Wan-AI и напрямую конвертированной из исходной модели. Репозиторий предназначен для запуска модели генерации видео, включая сценарии, связанные с S2V, и имеет метку text-to-video. Основная модель имеет размер 14B параметров и рассчитана на использование в экосистеме ComfyUI через пользовательский узел ComfyUI-GGUF. Для полноценной работы требуются отдельные компоненты: аудиоэнкодер wav2vec2_large_english, текстовый энкодер Umt5-xxl и VAE Wan2.1_VAE. Сведения о точной архитектуре, поддерживаемых языках, размере контекста, требованиях к аппаратному обеспечению и конкретных характеристиках качества в README не указаны. К сильным сторонам относятся уменьшенный объём хранения и возможность запуска через GGUF-совместимую интеграцию ComfyUI. Ограничения связаны с необходимостью устанавливать дополнительные энкодеры и VAE, а также с тем, что квантование может влиять на качество по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0; для квантованной версии сохраняются все исходные лицензионные условия и ограничения использования.

cerspense/zeroscope_v2_30x448x256 — модель генерации видео по текстовому описанию на основе ModelScope, опубликованная пользователем cerspense. Она создаёт ролики из 30 кадров с разрешением 448×256 и соотношением сторон 16:9; модель обучена на 9 923 видеоклипах и 29 769 размеченных кадрах. В README указано, что веса обучены на основе исходных весов, но конкретная базовая модель не названа. Модель предназначена прежде всего для быстрого создания черновых композиций с последующим увеличением разрешения через Potat1 в режиме vid2vid расширения text2video для Stable Diffusion WebUI. Она выдаёт видео без водяного знака и рассчитана на плавное воспроизведение. Для использования в этом расширении веса требуется переименовать и разместить в соответствующих каталогах ModelScope. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение. Среди ограничений README отмечает, что малое разрешение или меньшее число кадров может ухудшать результат; в некоторых роликах встречаются склейки или замедленное движение, для которого может потребоваться уточнение запроса.

guoyww/animatediff-motion-adapter-v1-5-2 — адаптер движения AnimateDiff для создания видео с помощью существующих моделей Stable Diffusion для преобразования текста в изображение. Метод добавляет обученные слои движения в замороженный UNet Stable Diffusion, чтобы обеспечить согласованное движение между кадрами. Для работы адаптер подключают к совместимой базовой модели через Diffusers; сам по себе он не является полноценной текстово-видеомоделью. Модель предназначена для генерации коротких видео по текстовым запросам с использованием базовой модели Stable Diffusion. В README отмечено, что результаты обычно лучше с дообученными версиями Stable Diffusion. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Сведения о размере, контекстном окне и лицензии в предоставленных материалах отсутствуют.

guoyww/animatediff-motion-lora-zoom-in — Motion LoRA для AnimateDiff, предназначенная для добавления эффекта приближения камеры к генерируемой анимации. Она рассчитана на использование с чекпойнтом guoyww/animatediff-motion-adapter-v1-5-2 и подключается в пайплайне text-to-video на базе Diffusers. Репозиторий содержит веса в формате safetensors. Модель подходит для создания коротких видеоклипов по текстовому описанию с движением zoom-in. Это специализированный адаптер движения, а не самостоятельная модель генерации видео; условия лицензирования в предоставленных материалах не описаны.

CausalForcing-Long-Wan2.1-T2V-1.3B-Diffusers — конвертированный в формат Diffusers чекпойнт Rolling Forcing на основе Wan2.1-T2V-1.3B. Модель создаёт видео по текстовому описанию и предназначена для генерации длинных роликов, вплоть до минутного уровня, с использованием скользящего окна и совместного пошагового денойзинга фрагментов. Для работы требуется совместимый конвейер WanRollingForcingPipeline; стандартный конвейер Causal Forcing для роликов длительностью около пяти секунд не подходит. Модель использует 3-кадровый блок attention sink, буфер KV на 24 латентных кадра и окно внимания на 21 кадр. Не-трансформерные компоненты унаследованы от Wan2.1-T2V-1.3B. Репозиторий распространяется по лицензии Apache-2.0. README описывает применение через среду выполнения SGLang.

FastVideo CausalWan2.2-I2V-A14B-Preview-Diffusers — предварительная модель команды FastVideo для генерации видео по исходному изображению. Она основана на Wan-AI/Wan2.2-I2V-A14B и представлена в формате Diffusers с весами Safetensors. Поддерживает вывод за 8 шагов инференса и предназначена для запуска через FastVideo на совместимых GPU, включая H100 и RTX 4090, а также на Mac. Модель подходит для создания видеороликов на основе изображения. Это preview-версия с проблемами качества; скорость инференса пока не оптимизирована. Лицензия — Apache-2.0.

FastWan-QAD-1.3B — модель генерации видео по текстовому описанию из серии FastWan-QAD. Она основана на Wan-AI/Wan2.1-T2V-1.3B-Diffusers и предназначена для быстрого создания коротких видео на видеокартах RTX 5090 поколения Blackwell. Модель использует линейные слои в формате NVFP4 и механизм внимания SageAttention3 FP4. Квантизационно-ориентированная дистилляция позволяет выполнять генерацию за три шага; заявлено создание видео длительностью пять секунд в разрешении 480p за 1,78 секунды. Обучение проводилось для 81 кадра с частотой 16 кадров в секунду, а при генерации не требуется classifier-free guidance. Для работы требуется RTX 5090 с поддержкой NVFP4; более старые видеокарты не поддерживаются этой версией. Модель распространяется по лицензии Apache-2.0.

LTX2.3-10Eros-GGUF — это квантизированная версия модели TenStrip/LTX2.3-10Eros, опубликованная в формате GGUF. По данным карточки, модель предназначена для генерации видео на основе изображений (image-to-video), однако подробности об архитектуре, количестве параметров, поддерживаемых языках и модальностях не указаны. Репозиторий предлагает несколько уровней квантизации — от Q8_0 до Q3_K_S — для адаптации к различным объёмам RAM и VRAM. Размер файлов варьируется от 10,3 до 22,8 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество и меньшую потерю точности, но требуют больше памяти; Q4_K_M указан как рекомендуемый стандартный вариант, а Q3 предназначены для наиболее ограниченных по ресурсам сред. К сильным сторонам относятся выбор компромисса между качеством, скоростью инференса и требованиями к памяти, а также совместимость с экосистемой GGUF. Ограничения связаны с неизбежной потерей качества у низкобитных вариантов и отсутствием в предоставленных данных информации о лицензии, точных требованиях к запуску и возможностях базовой модели.

vantagewithai/LTX2.3-10Eros-GGUF — это GGUF-версия модели LTX2.3-10Eros, предназначенная для генерации видео из изображений (image-to-video) в ComfyUI. Репозиторий подготовлен VantageWithAI; исходная модель разработана TenStrip, а в основе также используется Sulphur-2-base от SulphurAI. Для работы требуются совместимые узлы 10S-Comfy-nodes. Модель ориентирована на создание видеосцен на основе первого кадра с управлением движениями, изменениями композиции, развитием событий и аудио через текстовый промпт. Она рассчитана на сценарии, где важно сохранить исходную сцену и задать последовательность визуальных действий; README отдельно отмечает возможность использования для эротического контента. Модель слабо выполняет самостоятельное рассуждение, поэтому промпт должен подробно описывать начальную сцену, движения и звуковое сопровождение. Указано, что это отдельная попытка merge-модели с layer-scaled объединением различных этапов, а не простое объединение весов; по заявлению автора, она лучше ведёт себя по сравнению с загрузкой LoRA и точнее следует промпту. Формат GGUF может быть удобен для соответствующих рабочих процессов, однако конкретные требования к памяти, размер модели, архитектура, поддерживаемые языки и максимальный контекст в README не указаны. README предупреждает, что крупные distilled LoRA могут ухудшать fine-tune модели, и рекомендует варианты cond_safe. Лицензия не указана.

LTX_2.3_Pixar_Toon_Style_LoRa — адаптер LoRA для модели Lightricks/LTX-Video, предназначенной для генерации видео по текстовому описанию. Модель разработана пользователем vrgamedevgirl84 и добавляет стилистику высококачественной CGI-анимации: гладкие поверхности, выразительные персонажи, упрощённую геометрию, мягкие материалы, яркие сбалансированные цвета и кинематографическое освещение. По заявлению автора, обучающий набор не содержал объектов интеллектуальной собственности и не использовал кадры из фильмов или сериалов Pixar. Адаптер ориентирован на сцены с персонажами, существами и животными, портретные и полноразмерные композиции, фантастические и приключенческие сюжеты, семейные сцены, интерьеры, экстерьеры и другие повествовательные эпизоды в стиле анимационного фильма. Он стремится сохранять единую стилизованную CGI-идентичность персонажей, объектов и окружения, включая выразительную мимику, привлекательные пропорции и читаемые силуэты. Основное триггерное слово — P1x4r, однако автор указывает, что адаптер может работать и без него; также рекомендуются описания вроде stylized CGI character и animated film character. Известно, что это LoRA для text-to-video на базе LTX-Video, но сведения о размере адаптера, точной архитектуре, поддерживаемых языках, длине контекста, рекомендуемых параметрах генерации и системных требованиях не приведены. Лицензия в карточке модели также не указана, поэтому условия коммерческого и иного использования требуют дополнительной проверки.

notapalindrome/ltx2-mlx-av — версия Lightricks/LTX-2, оптимизированная для MLX и компьютеров Mac с Apple Silicon; README указывает на преобразование исходной модели. Она создаёт видео с синхронизированным звуком по текстовому запросу или анимирует изображение с генерацией звука. Модель представляет собой аудиовизуальную архитектуру; веса доступны в формате MLX safetensors с типом bfloat16, размер составляет около 42 ГБ. Для генерации README указывает примерно 45 ГБ оперативной памяти, разрешение 512×512, частоту 24 кадра/с и ограничения на число кадров: оно должно быть вида 8n+1. Репозиторий распространяется по лицензии MIT. Для работы требуется Mac с Apple Silicon и ffmpeg.

calcuis/ltxv0.9.6-gguf — это GGUF-квантизированная версия моделей LTX-Video 0.9.6, разработанная calcuis на базе LTX-Video от Lightricks. Модель предназначена для генерации видео по текстовому описанию и интеграции с ComfyUI через gguf-node; README также упоминает варианты dev и distilled, а также наборы с квантизацией q4-dev и q4-distilled. Модель работает в сценариях text-to-video и поддерживает текстовые запросы на английском языке. Для запуска требуются отдельные компоненты: GGUF-модель, текстовый энкодер T5XXL и VAE; автор рекомендует gguf-node и указывает совместимость улучшенного VAE pig-video-enhanced с LTX-Video 0.9.5 и 0.9.6. Ключевые параметры видео, размер модели, длина контекста и точные характеристики архитектуры в README не указаны. Основные преимущества — сниженное потребление ресурсов благодаря GGUF-квантизации, готовые workflow для ComfyUI и наличие вариантов dev и distilled. Ограничения включают необходимость установки нескольких компонентов и использования совместимого окружения ComfyUI; сведения о качестве, производительности, поддерживаемых разрешениях и длительности генерации отсутствуют. Указана лицензия other, подробные условия приведены в файле LICENSE.

LTX-Video-0.9.6-dev-gguf — это прямое преобразование в формат GGUF модели LTX-Video, разработанной Lightricks. Квантизацию выполнил пользователь city96. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео; указана поддержка английского языка. Репозиторий ориентирован на запуск в ComfyUI с пользовательским узлом ComfyUI-GGUF. Для работы требуются основной файл модели, текстовый энкодер T5-V1.1-XXL-Encoder и VAE LTX-Video-0.9.6. В README также приведён пример рабочего процесса и демонстрационный результат, однако их недостаточно для точной оценки качества. Архитектура, число параметров, размер контекста и поддерживаемые разрешения не указаны. Это квантизированная версия, а не дообученная модель, поэтому ограничения и исходные условия лицензии LTX-Video сохраняются. В метаданных указана лицензия other и ссылка на файл LICENSE.md; подробные условия лицензии в README не приведены.

Карточка модели lunahr/Marlin-2B-ungated на Hugging Face совпадает с карточкой NemoStation/Marlin-2B, поэтому описание составлено по ней. Marlin — мультимодальная видеомодель на 2 млрд параметров, разработанная NemoStation на основе дообучения Qwen3.5-2B. Она предназначена для анализа видео: создаёт структурированные описания сцен и отдельных событий с временными отметками, а также находит в ролике временные интервалы, соответствующие запросу на естественном языке. Модель использует видеовозможности визуальной башни Qwen3.5-2B и обучена в два этапа: на размеченных видео и затем с оптимизацией предпочтений SimPO. По данным карточки, Marlin показывает высокие результаты на бенчмарках плотного описания видео и временной локализации. Для работы доступны режимы caption и find, а также стандартный интерфейс Transformers; заявлена совместимость с vLLM и swift-deploy и возможность запуска на одной потребительской видеокарте. Для загрузки требуется Transformers версии 5.7.0 или новее, PyTorch 2.11.0 или новее и зависимости для декодирования видео. Карточка указывает лицензию Apache-2.0. Возможность рассуждения по частям видео ограничена и не входит напрямую в методы caption и find; использование пользовательского кода модели требует включения trust_remote_code.

Sawfwair публикует самостоятельный пакет инференса MiniMax-H3 FastH3 VSA DataFree для Apple Silicon. Модель предназначена для генерации видео по текстовому описанию; README показывает пример создания короткого ролика с синхронизированными ветром и шумом прибоя. Пакет включает трансформер, текстовый энкодер, два VAE, токенизатор, VSA-компрессионные слои и таблицы AdaLN, поэтому для инференса не требуется загружать отдельную базовую модель, адаптер, энкодер или кэш. Это компактная производная модель MiniMax-H3: обновления FastH3 объединены со студенческой моделью BF16, а веса инференсного ядра и VSA-слои представлены в MLX affine Q8 с группами по 64. Запуск рассчитан на Apple Silicon через сборку mere.run с поддержкой FastH3 Q8. В README приведён пример генерации видео размером 512×320 и длительностью 22 кадра. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

MiniMax H3 FL2V LightX2V 4-Step Int8-ConvRot — это LoRA-адаптер для базовой модели MiniMaxAI/MiniMax-H3, опубликованный пользователем rzgar. Модель предназначена для генерации видео по текстовому описанию, а также поддерживает сценарии text-to-audio и audio-video согласно заявленным тегам. Адаптер ориентирован на ускоренную генерацию с использованием LightX2V и рассчитан преимущественно на 4 шага сэмплирования; также доступна версия на 8 шагов и более ранняя версия v0.1 на 4 шага. Модель распространяется в формате ComfyUI и представлена квантованными файлами Int8-ConvRot размером около 991 МБ каждый. Для работы требуются свежая ComfyUI и специальный узел ComfyUI-LoraInt8Loader, поскольку стандартные загрузчики LoRA не умеют деквантизировать этот формат. Рекомендуемая сила LoRA — 1.0, а диапазон сэмплирования — 4–6 шагов. Полная версия также изменяет token_refiner, отвечающий за текстовое и аудиоустройство; вариант norefiner оставляет этот компонент на базовом качестве и может помочь при проблемах со звуком или слабом conditioning. К сильным сторонам относятся ускоренная генерация за малое число шагов и снижение размера благодаря Int8-квантизации. Ограничения — зависимость от ComfyUI и специализированного загрузчика, необходимость использования совместимого рабочего процесса MiniMax H3, а также возможные проблемы с качеством аудио в полной версии LoRA. Лицензия — Apache-2.0.

rockerBOO/minimax-h3-nvfp4-convrot — это квантизированный вариант модели MiniMax H3, разработанной MiniMaxAI. Модель представляет собой мультимодальный генератор видео и аудио на основе diffusion transformer с 33 млрд параметров и предназначена для локального запуска через ComfyUI. Она поддерживает генерацию видео по тексту, изображениям и видео, а также создание синхронизированного стереозвука. Заявлены выходные данные с разрешением 768p, частотой 24 кадра в секунду и длительностью от 4 до 15 секунд; вывод в 2K требует отдельного модуля H3-Regenerate-2K. Данный вариант распространяется как единый checkpoint в формате safetensors, а не как модель Diffusers. В зависимости от режима доступны генерация по тексту и первому или последнему кадру, а также omni-reference-сценарии с использованием до 9 изображений, 3 видеоклипов и 3 аудиоклипов. В комплекте предполагается использование текстового энкодера Qwen3-VL 32B и VAE из репозитория Comfy-Org/MiniMax-H3. Квантизация использует NVFP4 для основной части MLP-слоёв, FP8 для отдельных проекций внимания и AdaLN, а чувствительные слои сохраняются в BF16; вариант convrot также применяет INT8 ConvRot для QKV-проекций. Основное преимущество — уменьшение размера checkpoint примерно до 20 ГБ за счёт квантизации и AdaLN-прунинга без заявленной потери качества, что облегчает локальный запуск. NVFP4-версии требуют видеокарту с архитектурой Blackwell, например RTX 50 или B100/B200; на более старых GPU они не работают. Качество в репозитории системно не измерялось, поэтому заявленные преимущества основаны прежде всего на совместимости и размере, а не на бенчмарках. Для использования необходимы ComfyUI и совместимые модели текстового энкодера и VAE. Лицензия указана как minimax-h3-community; точные условия определяются лицензией MiniMax H3.

MiniMax-H3 Turbo — это квантизированная модель для генерации видео с синхронизированным стереозвуком по текстовому запросу. Она основана на Comfy-Org/MiniMax-H3 и Turbo LoRA от larryvrh, объединённых в единый CMF-файл, разработанный infosave2007 для запуска через cortiq — Rust-бинарник без Python и ML-фреймворков. Модель предназначена для text-to-video сценариев, а варианты fl2va также поддерживают генерацию видео по первому и/или последнему кадру. Один transformer совместно обрабатывает изображение и звук; в состав входят DiT, prompt encoder Qwen3-VL, видео-VAE и аудиовокодер. Заявлены 47,83 млрд параметров, четыре шага сэмплирования, квантизация до 4 бит и файлы размером примерно от 13,2 до 23,9 ГБ. Доступны варианты для видеокарт с 16–20, 24 и 32+ ГБ VRAM; компактная версия использует 4B encoder и ClipProj, а полноразмерная — 32B prompt encoder. Для визуального ввода применяются изображения в формате P6 PPM. Сильные стороны модели — объединённая генерация видео и синхронизированного аудио, малое число шагов сэмплирования, автономный запуск без Python, PyTorch, CUDA toolkit и ffmpeg, а также несколько вариантов под разные объёмы видеопамяти. Ограничения включают высокие требования к VRAM, отсутствие портированного пути ref2va и недостаточно изученное качество conditioning сложных сцен по изображению в компактной ClipProj-версии. Файлы распространяются по лицензии Apache-2.0; Turbo LoRA уже объединена с весами.

MiniMax-H3 Turbo LoRAs for ComfyUI — это набор адаптеров LoRA для базовой модели Comfy-Org/MiniMax-H3, опубликованный в репозитории Halpak. Адаптеры основаны на официальных весах lightx2v/Minimax-h3-Turbo и совместимых конверсиях Turbo LoRA от larryvrh. Модель предназначена для ускоренной генерации видео и синхронизированного аудио в ComfyUI, включая сценарии FL2V и reference-to-video. В набор входят варианты для генерации за 4 или 8 шагов, в том числе версии для 768p, а также варианты с динамически изменяемым рангом. Адаптеры сохранены в формате safetensors с BF16-тензорами и используют сжатие факторов LoRA методом компактного SVD на уровне отдельных проекций attention, MLP и token-refiner. Средний ранг отдельных вариантов составляет около 21,7, 28,5 или 64,5; заявлены варианты размером примерно от 284 до 892 MiB. Для Ref2V указано глобальное косинусное сходство 99,919% с исходными обновлениями весов, однако эти метрики отражают реконструкцию весов, а не perceptual качество видео. Сильные стороны адаптеров — существенное сокращение числа sampling-шагов, поддержка видео- и аудиогенерации MiniMax-H3, совместимость с ComfyUI и уменьшение размера исходных LoRA за счёт динамического ранжирования. Ограничения заключаются в том, что это не самостоятельная модель, а адаптеры, требующие базовой MiniMax-H3 и соответствующего окружения ComfyUI; снижение ранга может приводить к потере точности, особенно в компактных вариантах. Лицензия указана как Apache-2.0.

MiniMax Video Prompt Enhancer — текстовая модель на 2,6 млрд параметров, разработанная geocine путём дообучения LiquidAI/LFM2.5-2.6B. Она переписывает краткую идею ролика в структурированный промпт для видеогенератора MiniMax H3: описывает кадры и планы, работу камеры, звуковую среду и музыку. Модель рассчитана на заданный формат запроса ChatML и режимы T2VA, I2VA, FL2VA, L2VA, а также сценарии с описаниями референсных кадров, видео и аудио. Модель принимает текст и выдаёт текстовый промпт; сами изображения, видео и аудио она не генерирует и принимает описания референсов в виде текста. Карточка указывает контекст длиной 131 072 токена и поддержку английского языка. По заявленным в README испытаниям, корректность формата составила 100% при жадном декодировании и 98,4% при температуре 0,7; результаты относятся к указанной проверке и не гарантируют качество для произвольных запросов. Модель оптимизирована для структуры промптов MiniMax, а не для свободного диалога. Лицензия указана как other, конкретные условия использования следует сверить с карточкой репозитория.

Self-Forcing2.1-I2V-1.3B-GGUF — квантованные версии модели генерации видео, разработанные Nichonauta на основе Wan2.1-T2V-1.3B и метода Self-Forcing. Модель предназначена для создания видео по текстовому описанию и анимации исходного изображения с учётом текстовой инструкции. Она может использоваться в ComfyUI с расширением ComfyUI-GGUF. Модель содержит около 1,3 млрд параметров и основана на архитектуре Diffusion Transformer (DiT) с текстовым энкодером T5 и 3D VAE Wan-VAE, сохраняющим временную информацию. Метод Self-Forcing позволяет модели учитывать собственные ошибки генерации и корректировать их во время создания видео, что направлено на повышение временной согласованности и визуального качества. Поддерживается английский язык. Формат GGUF и квантование уменьшают требования к RAM и VRAM и позволяют запускать модель на CPU и GPU, однако необходим совместимый программный стек для работы с видеоархитектурой. Сильными сторонами являются сниженное потребление памяти, возможность работы на более широком диапазоне оборудования и поддержка как text-to-video, так и image-to-video сценариев. README не содержит сведений о длине контекста, длительности или разрешении генерируемых видео, конкретных вариантах квантования и измеренных ограничениях качества. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial-ShareAlike 4.0 (CC BY-NC-SA-4.0), поэтому коммерческое использование не разрешено, а производные материалы должны соответствовать условиям лицензии.

SpaceTimeGPT — модель генерации описаний видео, построенная на архитектуре vision-encoder-decoder. Визуальный энкодер TimeSformer, предварительно обученный на классификации видео Kinetics-600, анализирует восемь кадров, выбранных из входного видео; декодер GPT-2 авторегрессионно формирует описание на естественном языке. Компоненты объединены перекрёстным вниманием и дообучены сквозным образом для создания видеоподписей. Модель предназначена для автоматического описания событий в видео с учётом пространственной и временной информации. В карточке указан набор данных VATEX и английский язык. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не приведена.

Карточка модели Kiko231/stable-video-diffusion-img2vid на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video — генеративная модель Stability AI на основе латентной диффузии, которая принимает статичное изображение и создаёт на его основе короткий видеоклип. Модель обучена генерировать 14 кадров с разрешением 576×1024 по начальному кадру того же размера; для временной согласованности дообучен декодер f8. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель предназначена для исследований генеративных моделей, создания художественных материалов и использования в творческих и образовательных инструментах. Она может пригодиться для анимации иллюстраций и статичных изображений. Модель не обучалась создавать достоверные изображения людей или событий, поэтому такие сценарии не соответствуют её возможностям. По карточке, прямое использование модели предназначено для исследовательских целей; лицензию Hugging Face обозначает как other, а коммерческое использование регулируется отдельными условиями Stability AI.

Карточка модели Mikefeed/CogVideoX-2b на Hugging Face совпадает с карточкой zai-org/CogVideoX-2b, поэтому описание составлено по ней. CogVideoX-2B — открытая модель генерации видео из текста, разработанная командой CogVideoX и происходящая от QingYing. Она создаёт видеоролики по англоязычному текстовому описанию сцены и движения; примеры в карточке показывают как предметные и природные сцены, так и драматические сюжеты. Модель рассчитана на запуск через библиотеку diffusers и использует архитектуру CogVideoXPipeline; веса представлены в формате safetensors. Версия 2B обучена с точностью FP16. Для инференса можно применять оптимизации diffusers и квантизацию модулей, чтобы снизить требования к видеопамяти; квантизация может замедлить генерацию. Описанные проверки памяти проводились на NVIDIA A100 и H100, а применимость оптимизаций на других устройствах явно не подтверждена. Модель принимает только английские запросы; для других языков README предлагает предварительный перевод. Лицензия — Apache-2.0.