I.10Видео, анимация и 3D

LingBot-World 2.0, также называемая LingBot-World-Infinity, — модель генерации интерактивных видеомиров от команды Robbyant. Эта 14-миллиардная версия causal-fast предназначена для создания видео по изображению с быстрым откликом и продолжительным взаимодействием; проект построен на Wan2.2 и использует причинное предварительное обучение и дистилляцию для варианта реального времени. Модель поддерживает сцены с разнообразными действиями персонажей, включая атаку, стрельбу из лука и применение магии, а также события, задаваемые текстом. В описании проекта заявлена возможность формировать видеопоток 720p с частотой 60 кадров в секунду. Агентная система разделяет планирование поведения персонажа и создание новых элементов окружения по мере развития сцены. Карточка описывает именно causal-fast вариант; causal-pretrained и двунаправленный варианты 14B на момент README отмечены как ещё не выпущенные. Репозиторий распространяется в формате Diffusers с весами Safetensors по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных на тех же условиях.

BodyPositivity IC-LoRA — адаптер для Lightricks/LTX-2.3, предназначенный для преобразования видео с сохранением сцены и движения, но с более полным телосложением персонажей. Эффект включается триггером «bodypositivity»; при необходимости его можно сочетать с обычным текстовым промптом. Силу адаптера можно регулировать: автор рекомендует начинать со значения 1.0, а значения выше 1.1 могут ухудшать сходство персонажей и смягчать мелкие детали. Модель основана на LTX-2.3 и предназначена для использования в стандартном workflow IC-LoRA для LTX-2.3, например в ComfyUI. Обучающий набор создан автором из синтетических данных и вручную отобран; реальные люди в нём не использовались. Лицензия указана как other, без уточнения условий в предоставленных данных.

LTX Video-2.5 Uncensored Turbo v1.1 FP8 — GGUF-квантизированная модель для генерации видео, опубликованная ChrisColeTech на основе Lightricks/LTX-2.5 и производных TenStrip. Она предназначена для преобразования текста в видео, изображения в видео, видео в видео, аудио в видео, а также сценариев с речью и звуками. Модель ориентирована на высокую скорость генерации и допускает работу в режиме от 4 шагов, при этом 8 шагов рекомендуются для лучшего качества. В веса объединены Eros10 NSFW LoRA, DMD Distilled LoRA, официальный LTX Video IC-LoRA, его Detailer-вариант и Img2Vid LoRA. Заявлены улучшенная связность сцен, сохранение лиц, следование инструкциям, соответствие референсному изображению и поддержка многокадровых сцен. Для IC-LoRA можно использовать шаблон с тегами [VISUAL], [SPEECH] и [SOUNDS]. Текстовый энкодер Gemma4 12B с интегрированными проекциями LTX указан как встроенный и работающий в режиме int8; основной формат сборки — FP8 scaled. Модель подходит для экспериментального и творческого создания видеоконтента, включая NSFW-сценарии, но README не содержит точных сведений о разрешении, максимальной длине контекста или поддерживаемых языках. Ограничения могут включать зависимость качества от числа шагов, промпта и режима генерации. Лицензия указана как unknown, поэтому условия использования необходимо уточнить отдельно.

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.

MiniMax-H3-GGUF — набор квантизированных файлов модели MiniMax-H3, разработанной MiniMaxAI и конвертированных с использованием stable-diffusion.cpp проекта leejet. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео. Указана поддержка английского и китайского языков, а также совместимость с stable-diffusion.cpp и ComfyUI через пользовательский узел ComfyUI-GGUF. Ключевая особенность этой версии — формат GGUF, рассчитанный на использование квантизированных весов и интеграцию с поддерживаемыми инструментами. README не содержит данных о размере модели, конкретной архитектуре, вариантах квантования, максимальной длительности или разрешении видео, требованиях к аппаратному обеспечению и контекстном окне. Поэтому эти характеристики и фактическое качество генерации нельзя определить по предоставленной информации. Лицензия квантизированных файлов наследуется от оригинальной модели MiniMax-H3; точные условия необходимо уточнять в лицензии оригинальной модели.

SANA-Video 2.0 5B 720p — модель Efficient Large Model Team для генерации коротких видео из текстовых описаний и изображений. Это диффузионный трансформер SanaVideo2_5B с 4,47 млрд параметров, 32 слоями и скрытым размером 2560. Для текстового управления используется Gemma 2 2B IT, а видеокодирование опирается на VAE-контракт LTX 2.3. Модель рассчитана на видео 720p продолжительностью около восьми секунд; пример из карточки — 193 кадра при 24 кадрах в секунду и разрешении 1280 × 736. Модель поддерживает генерацию видео по тексту и по тексту с исходным изображением в качестве первого кадра. В архитектуре сочетаются двунаправленное линейное внимание с гейтами, периодические блоки плотного softmax-внимания и агрегация Attention Residual. Контрольная точка содержит объединённые веса; официальный сценарий инференса приводит трансформер к BF16. Для запуска в README указана поддержка в ветке main репозитория NVlabs/Sana. Модель подходит для творческой генерации коротких видеороликов, прототипирования сцен и исследовательской оценки генерации видео. Движение, анатомия, текст в кадре, постоянство объектов и физические взаимодействия могут быть непоследовательными; следование длинным и сложным запросам ухудшается, а при генерации с изображением возможен уход от его деталей. Модель не проверяет фактичность и безопасность результата. Лицензия — Apache License 2.0.

Sulphur 2 — модель генерации видео, опубликованная пользователем Seregil13th и основанная на LTX 2.3. Она предназначена для создания видео по текстовому описанию (t2v) и по исходному изображению с текстовой инструкцией (i2v), а также поддерживает другие форматы, доступные в LTX 2.3. Модель позиционируется как uncensored, то есть без заявленных дополнительных ограничений на содержание. В состав проекта входит prompt enhancer для улучшения текстовых запросов; он может принимать текст и изображение и запускаться через LM Studio с использованием файлов GGUF и mmproj. README рекомендует использовать dev-версии модели в форматах fp8mixed или bf16 вместе с distill LoRA. Архитектура, количество параметров, поддерживаемые языки, максимальная длина контекста и точные требования к аппаратному обеспечению не указаны. К сильным сторонам относятся нативная поддержка text-to-video и image-to-video, совместимость с форматами LTX 2.3 и наличие инструмента для расширения промптов. Ограничения связаны с неполнотой документации: подробные инструкции по установке и обучению заявлены на будущее, а сведения о качестве, производительности и лицензии отсутствуют. Условия лицензирования в README не указаны.

LLM-grounded Video Diffusion (LVD) — модель генерации видео из текста, разработанная Long Lian, Baifeng Shi, Adam Yala, Trevor Darrell и Boyi Li из UC Berkeley и UCSF. Она основана на Zeroscope и дополнена генерацией с учётом ограничивающих рамок: модель может использовать координаты объектов для управления их размещением в видео, а также работать только по текстовому запросу. Подход использует conditioning через cross-attention в стиле GLIGEN; адаптеры GLIGEN, обученные на SA-1B, слиты с весами Zeroscope. В README также описан сценарий совместного использования с LLM, генерирующей динамическую раскладку сцены. Модель представлена в формате Diffusers/PyTorch. README не сообщает лицензию.

TheDenk разработал dilated ControlNet для Wan2.1, управляющий генерацией видео по карте глубины. Модуль использует меньше базовых блоков, чем стандартный ControlNet; для варианта Wan14B указаны 6 блоков и stride 4. Репозиторий содержит код модуля для применения с Wan2.1. Модель предназначена для преобразования видео с управлением по глубине. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0. В карточке нет сведений о требованиях к входным данным, поддерживаемых языках, длине генерируемого видео или качестве результата.

10Eros Max H3 Transformer TURBO hybrid beta5 — экспериментальная производная модель на базе MiniMax-H3, опубликованная ibyteohdear в формате Diffusers. Это pruned checkpoint с rank-8 compressed AdaLN; в TURBO-варианте объединён turbo delta fusion, что, по описанию автора, экономит 4,2 ГБ памяти. Модель собрана с помощью группировки и слияния graft-компонентов, а также переноса характеристик из LTX 2.3, Wan 2.2 и Krea 2. Модель предназначена для генерации видео по тексту и изображениям и рассчитана на создание контента для взрослой аудитории. Автор отмечает, что результат зависит от sampling и prompt, а для TURBO-вариантов качество аудио может уступать полной версии с большим числом шагов. Для загрузки автор указывает Diffusers AutoModel и trust_remote_code=True; обычный MiniMaxH3Transformer3DModel, согласно карточке, не подходит для этого pruned checkpoint. В README указана лицензия сообщества MiniMax-H3, а также применимость лицензий исходных моделей LTX 2.3, Wan 2.2 и Krea 2 к перенесённым от них характеристикам. Перед использованием необходимо учитывать условия каждой из этих лицензий. Автор предупреждает, что проект развивается и обучение базовой модели имеет проблемы.

Карточка модели guoyww/animatediff-motion-lora-pan-right на Hugging Face совпадает с карточкой guoyww/animatediff-motion-lora-zoom-in, поэтому описание составлено по ней. 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.

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.

ComfyUI-Starter-Packs — это курируемый набор моделей и вспомогательных компонентов для пользователей ComfyUI, разработанный автором репозитория MaxedOut. Набор предназначен для генерации изображений по тексту, редактирования и дорисовки изображений, управления композицией через ControlNet, работы с глубиной, контуром Canny и позами, повышения разрешения, восстановления лиц и использования image-to-image сценариев. В состав входят компоненты для семейств Flux1, SDXL и Wan2.2, включая модели Flux для генерации, inpainting, Kontext, ControlNet, Canny и Depth, а также варианты Krea и Schnell. Для Wan2.2 представлены компоненты text-to-video с моделями 14B, текстовым энкодером UMT5-XXL и Lightning LoRA. Также включены SDXL-чекпойнты, ControlNet-модели, VAE, CLIP-компоненты, LoRA, PuLID, Redux, GGUF-квантизации, Nunchaku-версии, модели ADetailer, SAM, GFPGAN, CodeFormer и средства апскейлинга. Точный размер моделей, длина контекста и полный перечень поддерживаемых языков не указаны; в метаданных заявлен английский язык. Сильная сторона набора — широкое покрытие распространённых задач ComfyUI и наличие вариантов в разных форматах и уровнях квантизации, что может упростить подбор конфигурации под доступное оборудование. Ограничение заключается в том, что это не единая модель, а коллекция разнородных моделей и компонентов, поэтому качество, требования к памяти, совместимость и условия использования различаются для отдельных файлов. Для репозитория указана лицензия «other», однако конкретные лицензии входящих моделей не уточнены; перед использованием необходимо проверить условия каждого компонента.

BAAI разработала Emu3-Gen — мультимодальную авторегрессионную модель семейства Emu3 на 7,7 млрд параметров. Она использует плотную архитектуру Emu3ForCausalLM и обучается предсказанием следующего токена: изображения, текст и видео представлены в виде последовательностей дискретных токенов. Репозиторий содержит веса в формате safetensors; для работы используется Transformers. Контекст модели — 9 216 токенов. Модель предназначена для генерации изображений по текстовому описанию, понимания визуальных данных с ответами на естественном языке, а также генерации и продолжения видео. В README заявлена поддержка гибких разрешений и стилей изображений. Мультимодальная архитектура позволяет выполнять генерацию и восприятие в одной модели. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства Emu3, однако подробные инструкции по запуску именно этого чекпойнта и количественные оценки качества не приведены.

jboone100 подготовил вариант FastWan2.2-TI2V-5B для MLX, предназначенный для локальной генерации видео на компьютерах Apple Silicon. В репозитории 8-битно квантован текстовый энкодер umT5-XXL с размером группы 64; трансформер и VAE сохранены без изменений относительно конверсии lBroth/FastWan2.2-TI2V-5B-MLX. Модель генерирует видео по текстовому описанию, используя архитектуру TI2V семейства Wan 2.2 и библиотеку MLX. Квантованный энкодер занимает 6,0 ГБ вместо 11,4 ГБ, а весь репозиторий — около 18,8 ГБ. По замерам автора на Apple M2 Max кодирование одного промпта занимает 1,1 секунды; сходство эмбеддинга с версией float32 составляет 0,995 по косинусной мере. Указана лицензия Apache-2.0. Для загрузки нужна поддержка квантованных весов энкодера; README предупреждает, что mlx-video напрямую ожидает bfloat16-энкодер и для него следует использовать исходный репозиторий.

HunyuanVideo-PromptRewrite — модель Tencent для переписывания текстовых запросов к генератору видео HunyuanVideo. Она дообучена на базе Hunyuan-Large и предназначена для адаптации пользовательских описаний к формату, который лучше понимает видеогенератор. Модель содержит 29,1 млрд параметров, использует архитектуру HunYuanForCausalLM семейства Hunyuan с Mixture of Experts и поддерживает диалоговый режим. Для неё указаны формат PyTorch и контекст до 131 072 токенов. Доступны два режима переписывания. Normal помогает точнее передать исходное намерение пользователя, а Master дополнительно развивает описание композиции, освещения и движения камеры, чтобы улучшить визуальное качество видео. В режиме Master возможна потеря некоторых смысловых деталей. Модель принимает и выдаёт текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

Lance-3B-Video-MLX — порт модели Lance от ByteDance Research в формате MLX, подготовленный RockTalk для нативного запуска на Apple Silicon. Модель объединяет Qwen2.5-VL-3B, параллельные генеративные ветви MoE-gen и VAE Wan 2.2; в репозитории находятся веса safetensors. Указанный размер архитектуры — 3 млрд параметров. Основное назначение этой версии — генерация видео по текстовому запросу. Также README сообщает о генерации изображений по тексту и понимании изображений. Для видео проверена генерация 9 кадров размером 256×256; модель поддерживает до 121 кадра, а типичный пример использует 24 шага. Порт запускается на Apple Silicon без CUDA и автоматически загружает VAE при первом запуске. Карточка описывает проверенную работоспособность и приводит производительность на M4 Studio с 128 ГБ памяти, но результаты на других устройствах не указаны. Для работы требуется значительный объём памяти: основной файл весов занимает 26,5 ГБ, а VAE — около 2,6 ГБ. Лицензия — Apache-2.0.

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.

Это вариант Text2Video-Zero с весами DreamBooth для создания визуального стиля GTA 5 и управлением по контурам Canny через ControlNet. Модель основана на Stable Diffusion и предназначена для генерации видео по текстовому описанию с заданной структурой сцен; её также можно использовать для генерации изображений с текстом и контурными подсказками. Для активации стиля в запросе используется ключевое слово «gtav style». Авторы Text2Video-Zero — Левон Хачатрян, Андраник Мовсисян, Ваграм Тадеосян, Роберто Хеншель, Чжанъян Ван, Шант Навасардян и Хамфри Ши; исходные веса DreamBooth стиля GTA 5 взяты с Civitai и созданы Quiet_Joker. Модель рассчитана на английские текстовые запросы, работает в библиотеке Diffusers и распространяется по лицензии CreativeML OpenRAIL-M. Качество и согласованность видеокадров зависят от текстового описания, контурного входа и совместимой базовой модели Stable Diffusion; README не приводит численных оценок качества или ограничений по длине видео.

Карточка модели guoyww/animatediff-motion-lora-pan-left на Hugging Face совпадает с карточкой guoyww/animatediff-motion-lora-zoom-in, поэтому описание составлено по ней. 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.

Карточка модели guoyww/animatediff-motion-lora-tilt-up на Hugging Face совпадает с карточкой guoyww/animatediff-motion-lora-zoom-in, поэтому описание составлено по ней. 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.

jayn7/HunyuanVideo-1.5_T2V_480p-GGUF — набор квантованных версий модели HunyuanVideo 1.5 T2V 480p, разработанной Tencent. Модель предназначена для генерации видео по текстовому описанию и представлена в формате GGUF, включая варианты Distilled Model и обычную модель. Модель работает со сценарием text-to-video и ориентирована на генерацию видео с разрешением 480p. В репозитории доступны варианты квантования Q4_K_S, Q8_0 и FP16; конкретные требования к ресурсам, архитектура, число параметров, поддерживаемые языки, длительность контекста и другие технические характеристики в README не указаны. Для использования заявлена интеграция с ComfyUI-GGUF. К сильным сторонам относятся наличие нескольких вариантов квантования и возможность запуска через ComfyUI-GGUF. Ограничения включают отсутствие подробной информации о качестве генерации, поддерживаемых языках, производительности и системных требованиях. Репозиторий следует той же лицензии, что и исходная Hunyuan Video 1.5, однако её конкретные условия в README не приведены.

LTX2.3 Audio Reactive LoRA — адаптер LoRA для базовой модели Lightricks/LTX-2.3, разработанный для генерации видео, визуально реагирующего на музыку и звуковую дорожку. Модель предназначена прежде всего для сценариев audio-to-video и image-plus-audio-to-video, включая музыкальные клипы, визуализаторы и синхронизированную с битом анимацию; также может использоваться в рабочих процессах image-to-video и text-to-video через совместимую инфраструктуру Diffusers и endpoint fal.ai. Адаптер усиливает реакцию видео на удары, бас, снейры, хай-хэты и изменения синтезатора. Он ориентирован на движение геометрических форм, частиц, световых импульсов, камеры, дыма, жидкого света и деформацию материалов в такт музыке. В README указаны рекомендации использовать первый кадр со структурированными объектами, геометрией и визуализаторными элементами, масштаб LoRA 1.0–1.5, частоту 24 кадра в секунду, сегменты длительностью 5–15 секунд и разрешение 1024×1024 для квадратных роликов. Конкретные сведения о размере адаптера, архитектуре базовой модели, поддерживаемых языках и максимальной длине контекста не приведены. Сильная сторона модели — выраженная аудиореактивная динамика, включая более заметные удары в ритм, пульсацию света, мерцание частиц и движение дыма или жидких эффектов. Ограничение заключается в том, что результат особенно зависит от подходящего исходного изображения и точного текстового описания желаемой синхронизации; общие характеристики качества и ограничения базовой LTX-2.3 в README не раскрыты. Использование регулируется LTX-2 Community License Agreement, унаследованным от базовой модели; лицензия указана как other.

MiniMax-H3 FL2VA — MLX-Serve 8-bit — это 8-битная квантованная версия чекпойнта MiniMax-H3 FL2VA, подготовленная ddalcu для запуска через mlx-serve нативно на компьютерах Apple Silicon. Базовую модель разработала MiniMaxAI. Модель предназначена для генерации видео и стереоаудио по текстовому описанию: DiT совместно обрабатывает видео и аудио в одной упакованной последовательности. Также заявлена поддержка сценариев image-to-video и audio-video generation. Квантованы матричные веса DiT и текстового энкодера с affine-квантованием 8-bit и group size 64; таблицы эмбеддингов, отдельные fp32-компоненты, выходные головы, временной эмбеддер и оба VAE оставлены плотными. В комплект входят веса, два VAE и токенизатор. Модель ориентирована на локальный запуск, однако квантование уменьшает занимаемый объём, а не гарантирует ускорение: рабочая нагрузка остаётся вычислительно ограниченной. Дополнительная Turbo LoRA позволяет сократить число шагов с обычных 16–30 до 4–8 и ускорить генерацию, но может вызывать избыточную резкость, пластичность кожи и зернистость; это следует считать режимом предварительного просмотра. Модель распространяется по MiniMax H3 Community License Agreement. Указано территориальное ограничение: применимая территория исключает Европейский союз, Великобританию, Республику Корея и США; использование, воспроизведение, изменение, распространение и отображение за пределами разрешённой территории запрещены условиями соглашения. Перед использованием необходимо проверить применимость лицензии в своей юрисдикции.

MiniMax H3 GGUF MiniStack — производная и квантованная сборка MiniMax H3 от MiniMaxAI, перепакованная на основе компонентов Comfy-Org/MiniMax-H3 и дополненная локально обученными адаптерами. Модель предназначена для генерации видео по текстовому описанию в ComfyUI на потребительских GPU, включая Intel Arc A770 с 16 ГБ видеопамяти. Она ориентирована прежде всего на предварительную визуализацию: рекомендованный режим — 640×480, 124 кадра, 24 кадра в секунду и 8 шагов с turbo LoRA. Сборка использует сокращённый DiT-компонент FL2VA с эффективным размером около 18,7 млрд параметров, квантованный в GGUF Q4_K_M, а также дистиллированный текстовый энкодер Qwen3-VL-4B вместо исходного Qwen3-VL-32B. Для согласования представлений применяется MLP-адаптер с преобразованием 2560→4096→5120; видеокодек VAE сохранён в формате FP16. Заявлен английский язык. Студенческий текстовый энкодер работает только с текстом и не поддерживает обработку изображений, поэтому для I2V и FL2V с сохранением идентичности ключевого кадра требуется исходный энкодер 32B с компонентами компьютерного зрения. К сильным сторонам относятся существенно меньший размер по сравнению с полной моделью, возможность запуска в ComfyUI на потребительском оборудовании и сохранение структуры сцен и монтажных переходов. Ограничения включают отсутствие аудио: сгенерированные видео полностью беззвучны. Точность адаптера ниже, чем у учительской модели: указано значение val_cos около 0,93, возможен сдвиг времени переходов примерно на ±2 секунды, а мелкие детали промпта могут теряться. Для работы требуются ComfyUI с поддержкой MiniMax H3, узлы ComfyUI-GGUF и специальный узел h3_small_te; адаптер и токенизатор обязательны. Распространение выполняется по MiniMax H3 Community License Agreement.

OmniVTG-7B — мультимодальная модель для временной локализации событий в видео по запросу на естественном языке. Её разработчики представляют её вместе с набором данных OmniVTG и обучающим подходом Self-Correction Chain-of-Thought; веса опубликованы как официальная модель проекта, принятого на CVPR 2026. Модель основана на плотной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает видео и текстовый запрос и должна находить в неразмеченном видео временные отрезки, соответствующие запросу. Заявлены zero-shot результаты на наборах Charades-STA, ActivityNet Captions, QVHighlights и TVGBench. Метаданные указывают контекст длиной до 128 000 токенов и библиотеку Transformers. Модель подходит для поиска событий и фрагментов в длинных видеозаписях. Ограничения: README не приводит численных результатов, деталей поддерживаемого формата временных интервалов или условий лицензии; перед использованием следует свериться с карточкой и официальным кодом проекта.

Show-1 Base — базовая модель генерации видео по текстовому описанию, разработанная Show Lab Национального университета Сингапура. Это каскадная диффузионная модель, сочетающая обработку в пиксельном и латентном пространствах; данный этап генерирует 8 ключевых кадров размером 64×40. Модель дообучена на DeepFloyd/IF-I-L-v1.0 с использованием датасетов WebVid-10M и InternVid. Модель предназначена для создания ключевых кадров видео, согласованных с текстовым запросом, как базовый этап каскада Show-1. Авторы ориентируют её на сочетание качества изображения и соответствия видео тексту; генерация видео высокого разрешения обычно требует значительных вычислительных ресурсов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Stable Video Diffusion Image-to-Video (SVD) — генеративная модель Stability AI, которая преобразует статичное изображение в короткий видеоклип. Это модель латентной диффузии для генерации видео по одному кадру-условию; она обучена создавать 14 кадров с разрешением 576×1024. В репозитории доступны декодер, настроенный на временную согласованность, и стандартный покадровый декодер. Модель подходит для превращения изображений в короткие анимированные сцены, творческих и дизайнерских проектов, а также исследований генеративных моделей и их ограничений. Генерация не управляется текстом: исходным условием служит изображение. Модель может создавать ролики без заметного движения или с медленным панорамированием; фотореализм не гарантирован, а лица и люди могут выглядеть некорректно. Она также не умеет создавать разборчивый текст и не предназначена для достоверного изображения реальных людей или событий. В карточке указано исследовательское назначение. Метаданные указывают форматы Diffusers и safetensors и лицензию «other»; конкретные условия лицензии следует сверять с материалами репозитория Stability AI.

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.

TEMPURA-Qwen2.5-VL-7B — дообученная мультимодальная модель Andaba на основе Qwen/Qwen2.5-VL-7B-Instruct с архитектурой Qwen2.5-VL и 7,1 млрд параметров. Она предназначена для анализа видео и рассуждений о временной структуре событий. Модель описывает неразмеченные фрагменты видео как последовательность событий с временными метками и подробными описаниями, предсказывает содержание скрытого сегмента и находит моменты, соответствующие текстовому запросу, включая выделение ключевых моментов. Для входа видео представляют последовательностью кадров, отобранных с частотой 1 кадр в секунду, с временными метками. Модель принимает видео и текстовые запросы, а выдаёт текстовые описания, рассуждения и временные привязки. Репозиторий распространяется в формате Safetensors; лицензия — Apache-2.0. Описанный формат подачи кадров и частота 1 кадр в секунду задают требования к входному представлению видео.