I.10Видео, анимация и 3D

berryber09/10Eros-Max-h3-turbo-hybrid-beta4-w4a8 — квантизированная W4A8-версия гибридной модели 10Eros-Max H3 Turbo beta4 от TenStrip. Модель предназначена для генерации коротких видео по текстовому запросу; в метаданных основная задача указана как text-to-video. По README, веса представлены в формате safetensors с асимметричной квантизацией W4A8, размер около 11,68 ГБ. Квантовано 200 линейных слоёв, а нормализации, первый и последний слои сохранены в более высокой точности. Сборка ориентирована на запуск в ComfyUI и требует ComfyUI версии 0.31.0 или новее с поддержкой W4A8 либо дополнительного патча, а также CUDA с SM 8.0 или выше. README подтверждает загрузку модели и генерацию связного изображения в ComfyUI; это само по себе не подтверждает качество генерации видео. Модель уменьшена примерно на 68,8% относительно bf16-источника и рассчитана на размещение на видеокарте с 16 ГБ памяти. Лицензия унаследована от исходной модели; в метаданных она обозначена как other.

Карточка модели guoyww/animatediff-motion-lora-zoom-out 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 Pspdlwplxpepdpcldps/CogVideoX1.5-5B-GTA-Vice-City на Hugging Face совпадает с карточкой zai-org/CogVideoX1.5-5B, поэтому описание составлено по ней. 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.

ConsisID-preview — модель генерации видео по текстовому описанию с сохранением идентичности персонажа, представленная в рамках проекта ConsisID. Она предназначена для создания коротких видеосцен, в которых внешний вид персонажа остаётся согласованным между кадрами; проект связан с работой, отмеченной как Highlight на CVPR 2025. Модель использует Diffusers и основана на объединении моделей семейства CogVideoX, включая THUDM/CogVideoX1.5-5B-I2V и THUDM/CogVideoX-5b, с последующим дообучением. В метаданных указаны форматы Diffusers, ONNX и safetensors; лицензия — Apache-2.0. В README приведён пример генерации 49 кадров, то есть примерно 6 секунд видео при 8 кадрах в секунду и разрешении 720×480. Качество результата зависит от подробности текстового запроса; авторы рекомендуют улучшать промпты. Для такого примера требуется около 44 ГБ видеопамяти без оптимизаций, а выгрузка частей модели в оперативную память снижает потребление памяти ценой скорости и возможного ухудшения качества. Репозиторий не сообщает поддержку других языков помимо английского, указанного в метаданных.

EVIRA — модель генерации видео по текстовому описанию, созданная Muhammad Taqi. Репозиторий содержит веса в формате safetensors и упоминает веб-интерфейс на Gradio для генерации видео. В метаданных указаны архитектура семейства EVIRA и задача text-to-video; сведения о размере модели, длительности и разрешении генерируемых роликов, контексте или поддерживаемых языках отсутствуют. Модель распространяется по лицензии MIT.

Репозиторий Patarapoom/h3-vbvr содержит неизменённую копию шести файлов весов для MiniMax H3 ref2va + VBVR subset. Автор репозитория сообщает, что файлы размещены в структуре категорий ComfyUI и собраны из нескольких источников, чтобы загружать только компоненты, нужные для рендеринга, вместо полного набора вариантов моделей. В доступной части README перечислены гибридная diffusion-модель MiniMax H3 для генерации видео по изображению с опорными кадрами, текстовый энкодер Qwen3-VL 32B и video VAE; суммарный размер набора указан как 40,77 ГБ. Это набор компонентов для сценария image-to-video в ComfyUI, а не самостоятельный универсальный чекпойнт. README заявляет, что файлы побитово скопированы из upstream-репозиториев и не переобучались, не квантизировались, не конвертировались и не редактировались. Для запуска нужны совместимая среда ComfyUI и соответствующие компоненты MiniMax H3; точные требования и лицензия исходных файлов в доступном тексте не раскрыты. В метаданных указана лицензия other.

calcuis/hyvid — это набор GGUF-квантизированной и FP8-масштабированной версии HunyuanVideo с LoRA-адаптером для генерации видео по текстовому описанию. Проект разработан calcuis на базе HunyuanVideo от Tencent и использует LoRA-адаптер AnimeShots от trojblue. Модель ориентирована прежде всего на создание аниме-сцен: персонажей, окружений и коротких сюжетных действий. В качестве рабочего окружения предусмотрен ComfyUI с поддержкой GGUF-узлов и соответствующих workflow. В состав входят квантизированная diffusion-модель HunyuanVideo T2V 720p, текстовый энкодер LLaVA-Llama 3 в формате GGUF, CLIP-L FP8, VAE HunyuanVideo FP8 и LoRA-адаптер размером около 323 МБ. Заявлены варианты с разрешением 720p, а метаданные указывают английский язык. Адаптер делает результаты более стабильными, а квантизированные и масштабированные компоненты ускоряют загрузку и снижают требования к хранению по сравнению с полноразмерными версиями, однако для работы всё равно требуется несколько гигабайт дискового пространства и совместимая конфигурация ComfyUI. Лицензия указана как MIT с названием tencent-hunyuan-community.

mlx-community/ltx-2.5-mlx — это конверсия LTX-2.5 от Lightricks в формат MLX для запуска на компьютерах Apple Silicon. В репозитории представлены совместная диффузионная трансформерная модель для аудио и видео размером 22 млрд параметров в полной и дистиллированной версиях, а также текстовый энкодер Gemma-4 размером 12 млрд параметров. Веса переупакованы и разделены на компоненты; дообучения или изменения численных значений весов не проводилось. Модель предназначена для генерации видео по текстовому описанию. README описывает генерацию роликов с заданными разрешением, числом кадров и частотой кадров; для дистиллированной версии указаны фиксированные 8 шагов и CFG=1. Основа поддерживает совместную генерацию аудио и видео и работу с изображениями, однако карточка этого репозитория указывает только задачу text-to-video. Для запуска нужны MLX-совместимое ПО и значительный объём объединённой памяти; приведённый в README пример измерений использует 128 ГБ на Apple Silicon. Порт обозначен авторами как исследовательский, а лицензия унаследована от Lightricks и указана как other.

rockerBOO/minimax-h3-nvfp4-fp8 — это квантизированный вариант модели MiniMax H3, разработанной MiniMaxAI и переупакованной при участии Comfy-Org. Модель поставляется как единый checkpoint для ComfyUI и предназначена для генерации видео по тексту и изображениям, включая сценарий fl2va (first/last-frame). README не содержит точных сведений о полном числе параметров, языках и размере контекстного окна. Основная часть MLP-весов представлена в формате NVFP4, параметры attn.qkv_proj — в FP8 с tensor-scale, а модуляция AdaLN сокращена до lookup table. Файл в формате safetensors имеет размер около 20 ГБ. Вариант требует GPU с архитектурой Blackwell, например RTX 50-й серии, B100 или B200. Он протестирован в ComfyUI и служит базовым вариантом для сравнения скорости с вариантом INT8 ConvRot; README также указывает на поддержку генерации видео и аудио исходной моделью, но конкретные возможности этой сборки описаны ограниченно. Преимуществами являются уменьшенный размер по сравнению с полноточной версией, поддержка запуска в ComfyUI и оптимизация под современные GPU Blackwell. Ограничения включают привязку к режиму fl2va, необходимость совместимого оборудования и отсутствие заявленной поддержки ref2va в этой сборке. Модель распространяется по MiniMax H3 Community License Agreement, унаследованной от исходной модели MiniMaxAI/MiniMax-H3; лицензия имеет ограничения, поэтому перед использованием следует ознакомиться с её условиями.

TEMPURA-InternVL3-2B — дообученная мультимодальная модель для анализа видео, созданная на базе OpenGVLab/InternVL3-2B-hf в рамках проекта TEMPURA. Она предназначена для рассуждений о временной и причинной структуре событий и описания длинных видео с привязкой к временным меткам. Модель выполняет плотное описание видео, разбивая его на последовательные неперекрывающиеся события, предсказывает содержание скрытого сегмента и находит по текстовому запросу нужные моменты или яркие фрагменты. На вход подаётся видео в виде последовательности кадров с временными метками; для описанного формата кадры выбираются с частотой 0,5 кадра в секунду. Модель построена на архитектуре InternVL и выдаёт текст. В README приведены сценарии оценки на Charades-STA и QVHighlights. Модель опубликована под лицензией с обозначением «other»; конкретные условия лицензии следует проверять в репозитории. Карточка не приводит количественной оценки качества.

TEMPURA-InternVL3-8B — дообученная видеоязыковая модель на базе OpenGVLab/InternVL3-8B-hf, представленная в проекте TEMPURA (Temporal Event Masked Prediction and Understanding for Reasoning in Action). Она предназначена для анализа видео и рассуждений о временной структуре событий. Модель создаёт подробные описания последовательных событий с временными метками в неразмеченном видео, предсказывает содержание скрытых фрагментов и находит моменты, соответствующие текстовому запросу, включая выделение ярких эпизодов. Видео подаётся как последовательность кадров с отметками времени, подготовленная с частотой 0,5 кадра в секунду. Модель основана на мультимодальной архитектуре InternVL и распространяется в формате safetensors. Карточка связывает модель с набором данных TEMPURA-VER и описывает оценку на задачах временной локализации Charades-STA и обнаружения ярких моментов QVHighlights. Лицензия указана как other; конкретные условия следует проверять в репозитории модели. Практическое использование зависит от подачи кадров и временных меток в ожидаемом формате.

VidXTend — выделенный и облегчённый конвейер для второго этапа StreamingT2V, опубликованный пользователем benjamin-paine. Он предназначен для продолжения короткой анимации, созданной из текстового запроса: модель дополняет исходный клип на 8 кадров за шаг, продолжая последовательность согласованно и динамично. Заявленный сценарий — расширение анимаций из 16 кадров размером 256 × 256 пикселей, добавляя примерно одну секунду видео при частоте 8 кадров в секунду. Конвейер распространяется для библиотеки Diffusers в формате safetensors и использует задачу text-to-video. Лицензия репозитория — MIT. Для работы требуется пакет VidXTend; README предупреждает, что без установки версии PyTorch с поддержкой CUDA выполнение может идти только на CPU. Сведения о языках текстовых запросов и ограничениях по качеству в карточке не приведены.

memset0 выпустил предварительный чекпойнт VSQA preview 14B v2 — производную Wan2.1-T2V-14B для генерации видео по тексту. Это студент после 200 шагов DMD-дистилляции; при обучении также применялись NVFP4 QAT для линейных слоёв и разреженное внимание VSA. В основе — диффузионный трансформер Wan2.1 с 14 млрд параметров. Модель рассчитана на генерацию 77 кадров размером 1280×768 за три шага денойзинга, с параметрами сэмплирования, указанными в README. Для воспроизведения обученной конфигурации нужны ядра VSA/QAT FastVideo и патч глобального масштаба 1; обычный плотный BF16-инференс не проверен. Чекпойнт обозначен как предварительный и ещё не оценён. Лицензия — Apache-2.0, как у базовой модели.

Wan2.1-T2V-1.3B-PhyPO — дообученная диффузионная модель для генерации видео по текстовым запросам, основанная на Wan-AI/Wan2.1-T2V-1.3B. Это единый набор весов модели, настроенный методом PhyPO; он используется как основа для обучения мировых моделей FastWAM. Репозиторий содержит веса трансформера в формате safetensors размером 5,29 ГиБ, но для запуска требуются VAE и текстовый энкодер T5 из базовой модели. Модель предназначена для преобразования текстового описания в видео с акцентом на физически правдоподобное движение. Она принимает текст и выдаёт видео; отдельные сведения о поддерживаемых языках и длине контекста не приводятся. Лицензия — Apache-2.0.

10Eros Experimental MLX Q8 — производная модель для генерации видео из изображения и текстового описания, подготовленная автором карточки для компьютеров Apple Silicon. Она основана на TenStrip/LTX2.3-10Eros: в исходные веса слиты экспериментальная LoRA Sulphur с коэффициентом 0,35 и, для отдельной дистиллированной версии трансформера, condsafe LoRA TenStrip с коэффициентом 1,0. Модель преобразована в формат MLX и квантизирована до 8 бит; репозиторий использует библиотеку diffusers и содержит веса safetensors. Модель предназначена для создания видео по изображению и текстовому запросу. Автор указывает, что для запуска требуется Mac на Apple Silicon, а практическим минимумом считает 32 ГБ памяти. README описывает два варианта трансформера: dev и distilled-1.1. Лицензия в предоставленных данных не указана.

Карточка модели guoyww/animatediff-motion-lora-tilt-down 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.

LTX-2.3 Surface Realism LoRA — это адаптер LoRA для видеоветви модели Lightricks LTX-2.3, разработанный автором joeygambino. Он предназначен для генерации видео с более реалистичными, естественно изношенными поверхностями: потрескавшимся мокрым асфальтом, пористым бетоном со следами ржавчины, потёртыми полами, примятой растительностью и выраженной текстурой древесины. Адаптер работает как постоянный приоритет материалов и не требует trigger word; достаточно подключить его с силой 1.0 и использовать обычные текстовые подсказки. Модель относится к семейству LTX-2.3 и совместима с 22B-вариантами, включая stock distilled 1.1 и указанные JoyAI-Echo surgical merges в форматах bf16, fp8, INT8 и GGUF при fuse-at-load. Это видеоориентированный адаптер ранга 32, содержащий 1 152 LoRA-тензора в модулях внимания и feed-forward видео-ветвей. Аудиоветвь не затрагивается, поэтому диалоги, голоса и акценты должны оставаться без изменений. Обучение выполнено на 1 076 собственных изображениях материалов, сгенерированных специально для этой задачи; использовались ai-toolkit, RTX 3090, 3 000 шагов и learning rate 1e-4. Сильная сторона адаптера — улучшение правдоподобия материалов и устранение чрезмерно гладкого, пластикового вида поверхностей без необходимости запоминать специальное ключевое слово. Ограничение состоит в том, что это не самостоятельная модель, а дополнение к LTX-2.3, ориентированное прежде всего на визуальные свойства поверхностей; README не указывает точные языковые характеристики, размер контекста или результаты независимых бенчмарков. Весы распространяются по LTX-2 Community License базовой модели.

MiniMax-H3 Acc LoRAs — ComfyUI conversion — это набор ускоряющих PDD-LoRA-модификаций для модели MiniMax-H3, предназначенный для генерации видео и аудио. Обучение и оригинальный выпуск выполнены alibaba-pai при участии авторов метода Parallel Decoding Distillation, базовая модель разработана MiniMaxAI, а данный репозиторий выполняет преобразование формата для ComfyUI. Набор предназначен для полной генерации аудио и видео в ComfyUI за 8 или 4 шага сэмплирования без CFG. Доступны варианты для архитектур FL2VA и Ref2VA. Каждый файл содержит LoRA ранга 64 для основной сети и банк PDD-голов: 32 проекции последнего слоя для каждого интервала и модальности. Также предлагается предварительно объединённый int8-конвёртированный чекпойнт Ref2VA размером 34 ГБ для систем с ограниченной видеопамятью; он снижает накладные расходы на повторное применение LoRA при каждом шаге. Модель требует специального набора узлов ComfyUI-MiniMax-H3-PDD-Acc и строго определённой схемы запуска с узлами SigmaShift, Apply, BasicGuider и сэмплером euler. Не следует объединять её с другими дистиллирующими LoRA или step-caching-узлами. Ограничения включают зависимость от совместимых базовых чекпойнтов, ComfyUI и пользовательских узлов; сведения о языках и размере контекстного окна не указаны. Распространение выполняется по лицензии Apache-2.0.

MiniMax H3 X2 Detail VAE — производный видео-VAE для MiniMax H3, опубликованный автором speach1sdef178. Чекпойнт safetensors предназначен для декодирования латентов H3 с увеличением пространственного разрешения в 2 раза; README также описывает экспериментальный режим обработки исходного RGB-референса, который использует признаки энкодера для усиления локальных деталей перед генерацией видео в ComfyUI. Для декодирования требуется пользовательский узел MiniMax H3 VAE Decode (fast) из ComfyUI-MiniMaxH3_LatentUpscaler. Режим усиления референса зависит от включённого в релиз узла ComfyUI и ограничен исходными изображениями: автор подчёркивает, что этот путь использует данные до латентного узкого места и не переносит дополнительную детализацию на произвольные латенты сгенерированного видео. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Карточка модели MLXBits/ltx-2.3-10eros-v1.3-dmd-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.3-dmd-mlx-q8, поэтому описание составлено по ней. Это 8-битная MLX-версия LTX-2.3 10Eros v1.3 DMD, подготовленная для запуска на компьютерах Apple Silicon. Веса основаны на TenStrip/LTX2.3-10Eros; DMD-дистилляция JoyAI Echo объединена с базовой моделью, а линейные слои трансформера квантованы до int8. Модель принимает текстовые описания и изображения для генерации видео; текстовый энкодер Gemma 3 12B загружается отдельно и не входит в пакет. Модель предназначена для генерации видео по текстовому запросу и изображению с помощью ltx-2-mlx. Это дистиллированная сборка, рассчитанная на режим --distilled; варианты запуска, которым нужен dev-трансформер, здесь недоступны. Модель ориентирована на контент для взрослых. В README указана лицензия «other»; дополнительных условий лицензии в предоставленных данных нет.

Make-A-Video SD JAX — диффузионная модель для генерации видео по текстовому описанию, разработанная Lopho и Chavinlo. Она расширяет Stable Diffusion v1.5 Inpaint временными свёртками и временным self-attention, перенесёнными из Make-A-Video, и распространяется для работы с Diffusers, включая реализацию на JAX/Flax и PyTorch. Модель обучалась на подписях на английском языке: сначала на видео с танцами, затем с добавлением общих видеоданных. Модель предназначена для творческой генерации коротких видео и разработки образовательных или творческих приложений. Она также подходит для изучения ограничений генеративного видео. Контекстные лимиты в карточке не приводятся. Лицензия — GNU Affero General Public License 3.0 (AGPL-3.0).

MiniMax-H3 Text Encoder GGUF — это квантованные версии текстового энкодера, используемого моделью MiniMax-H3 в ComfyUI. Энкодер основан на vision-language модели Qwen3-VL-32B, разработанной командой Alibaba / Qwen, а квантование и упаковку выполнил joeygambino. Модель предназначена для подготовки текстовых и, при использовании отдельного мультимодального проектора, визуальных условий для генерации видео в сценариях text-to-video, image-to-video и reference-to-video. Энкодер представляет собой усечённую версию Qwen3-VL-32B: 50 слоёв без финальной нормализации и lm_head. Доступны варианты Q4_K_M размером около 19,8 ГБ и Q5_K_M размером около 23,2 ГБ; рекомендуемым указан Q4_K_M, занимающий примерно 16,5 ГБ в памяти. Для обработки изображений требуется отдельный файл mmproj-F16.gguf размером около 1,2 ГБ, который должен находиться рядом с энкодером. Модель поддерживает текстовые и визуальные входы через соответствующую инфраструктуру ComfyUI, однако сведения о языках и размере контекстного окна в README не указаны. К сильным сторонам относятся заметное снижение требований к памяти благодаря GGUF-квантованию и поддержка мультимодальных видеосценариев при наличии проектора. Энкодер и основной DiT-компонент MiniMax-H3 не помещаются одновременно на видеокарте с 32 ГБ памяти, поэтому энкодер рекомендуется выгружать после вычисления условий; иначе генерация существенно замедляется из-за использования системной RAM. Для работы необходим совместимый загрузчик ComfyUI и правильное сопряжение файлов по имени. В README указано, что материалы бесплатны и остаются бесплатными, однако конкретная лицензия модели не приведена.

MiniMax Video Prompt Enhancer 2.6B — GGUF — это компактная модель генерации текста, разработанная geocine и дообученная на базе LiquidAI LFM2.5-2.6B. Она предназначена для преобразования черновых идей в структурированные промпты для видеогенератора MiniMax H3, включая описание кадров, камеры, звукового окружения и музыки. Модель имеет около 2,6 млрд параметров и поставляется в формате GGUF для запуска через llama.cpp, в том числе на CPU. Доступны варианты квантования Q4_K_M, Q8_0 и F16; рекомендуемый Q4_K_M занимает около 1,7 ГБ. Модель работает с англоязычным текстом, ожидает запросы в формате ChatML и поддерживает сценарии T2VA, I2VA, FL2VA, L2VA, редактирования и продолжения видео, а также работу с текстовыми описаниями изображений, видео и аудио. Размер контекста в README не указан. Сильными сторонами являются высокая точность соблюдения требуемого формата: заявлен показатель прохождения проверок 100% при greedy-декодировании и 98,4% при sampling. Это специализированный prompt rewriter, а не универсальная диалоговая модель, поэтому для стабильной работы ей необходимы точный системный промпт и заданная структура пользовательского сообщения. Лицензия указана как lfm1.0; тип лицензии обозначен как other.

TimeLens2-2B — компактная мультимодальная языковая модель для видео, разработанная на базе Qwen3-VL-2B-Instruct и дообученная для временной локализации событий. На вход она принимает видео и текстовый запрос, а в ответ возвращает все временные интервалы, в которых присутствуют релевантные визуальные свидетельства. Модель предназначена для поиска событий в видео по описанию и точной привязки найденных фрагментов ко времени. В README сообщается о среднем mIoU 44,5 на семи бенчмарках временной локализации; авторы также указывают, что модель превосходит сопоставимые базовые модели с 2 млрд параметров и TimeLens-8B по среднему mIoU. Модель использует архитектуру Qwen3-VL с плотной конфигурацией и содержит 2 млрд параметров; для работы предусмотрен стек Transformers. Репозиторий распространяется по лицензии Apache-2.0. В доступных материалах не приводятся поддерживаемые языки запросов и предельная длительность видео, поэтому их не следует считать установленными характеристиками.

TimeLens-8B — мультимодальная модель TencentARC для временной привязки событий в видео. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct с применением обучения с подкреплением по проверяемым наградам (RLVR) и набора данных TimeLens-100K. Модель принимает видео и текстовые запросы, а в ответ определяет временные фрагменты видео, соответствующие запросу. Модель предназначена для поиска событий и их временных границ в видео. В README заявлено, что среди открытых моделей она показывает передовые результаты на задачах временной привязки, однако сравнительная таблица в карточке опущена. Архитектура — плотная Qwen3-VL; веса опубликованы в формате safetensors. Для запуска README описывает использование Transformers и qwen-vl-utils. Указана лицензия other; её конкретные условия в предоставленных данных не раскрыты. Карточка ориентирована на английский язык. Отдельные показатели контекстной длины и ограничения модели в источниках не приведены.

VideoITG-8B — мультимодальная модель NVIDIA для понимания видео и выбора информативных кадров с учётом инструкций пользователя. Она объединяет Qwen2-7B-Instruct и визуальную модель SigLIP SoViT-400m и дообучена для instructed temporal grounding — сопоставления инструкций с нужными моментами видео. Модель имеет 7,1 млрд параметров, использует архитектуру EagleQwenG и поддерживает контекст до 32 768 токенов. Модель предназначена для анализа видеосцен, где важно учитывать временную последовательность и находить кадры, связанные с вопросом или инструкцией. Её можно подключать к существующим видеоязыковым моделям для улучшения выбора кадров и ответов на вопросы о видео. Основной язык — английский, также заявлена частичная многоязычная поддержка. В метаданных указан формат safetensors и библиотека Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнять в карточке модели. В README приведены результаты на видеобенчмарках, но таблица не содержит прямых метрик для VideoITG-8B.

FastH3_GGUFs — набор квантованных GGUF-версий модели FastVideo-FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree, опубликованный RealRebelAI. Модель основана на MiniMax-H3, дистиллирована до четырёх шагов с использованием DMD2 и обучена с Video Sparse Attention (VSA). Она предназначена для генерации видео из изображений и текста, включая сценарии работы в ComfyUI на потребительском оборудовании с ограниченными ресурсами. Это видеомодель размером около 35 млрд параметров с поддержкой разрядностей Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0. Размер файлов составляет примерно от 21 до 37 ГБ. Ключевая особенность — разреженное внимание VSA с дополнительными слоями to_gate_compress, поэтому для корректной работы требуются специальная ветка ComfyUI, поддержка sol_attn из comfy-kitchen и скомпилированные CUDA-ядра. Контекст, список поддерживаемых языков и точные требования к входным данным в README не указаны. Сильными сторонами являются генерация за четыре шага, несколько вариантов квантования и возможность запуска крупной 35B-модели на потребительском оборудовании за счёт потоковой загрузки весов из системной оперативной памяти. Ограничения включают большие требования к RAM, возможное резкое падение производительности при нехватке памяти и несовместимость со стандартной веткой ComfyUI: без поддержки VSA модель выдаёт равномерный шум. Версии Q3 и Q2 автор считает непригодными для использования. Лицензия указана как minimax-h3-community; применяются исходные условия лицензирования MiniMax-H3.

Это INT8-квантованные веса линейной ветви VDN-H3, подготовленные Raretutor для использования с ComfyUI. Они основаны на OpenVDN/vdn-minimax-h3 и предназначены для генерации видео по текстовому запросу в составе модели MiniMax H3 VDN. Квантование ConvRot с группой 256 уменьшает размер файлов примерно с 4,3 до 2,1 ГБ и, по заявлению карточки, снижает пиковое потребление видеопамяти при загрузке примерно на 4,7 ГБ, сохраняя близкое к BF16 качество изображения. Репозиторий содержит веса в формате safetensors; заявлена совместимость с ComfyUI и RT Minimax H3 VDN. Для работы эти веса нужно поместить в каталог линейной ветви модели VDN Minimax H3 в ComfyUI. Лицензия указана как other, конкретные условия использования в карточке не раскрыты.

VideoScore — модель оценки качества видео от TIGER-Lab, созданная на основе Mantis-8B-Idefics2 и обученная на наборе VideoFeedback с человеческими оценками по нескольким аспектам. Это регрессионная версия: она оценивает видео и текстовое описание, сопоставляя их и выдавая оценки качества и соответствия текста содержанию видео. Модель предназначена для оценки видео, в том числе роликов, созданных по текстовому запросу, и для сравнения результатов с человеческими предпочтениями. В README заявлена корреляция Спирмена 75,7 с человеческими оценками на VideoFeedback-test; также модель оценивалась на EvalCrafter, GenAI-Bench и VBench. Вариант из этой карточки построен на Idefics2; улучшенная версия VideoScore-v1.1 поддерживает обработку до 48 кадров, однако README не приписывает эту характеристику однозначно данной версии. Для запуска описана библиотека Transformers. Модель распространяется по лицензии Apache-2.0.

10Eros Max H3 Transformer — экспериментальная производная модель автора ibyteohdear на базе MiniMaxAI/MiniMax-H3, представленная в формате Diffusers и сохранённая в safetensors. Она предназначена для генерации видео по тексту и изображению; в README также заявлены сохранение базовых возможностей модели и поддержка NSFW-контента. Версия TURBO включает объединённую turbo-дельту и, по словам автора, экономит 4,2 ГБ памяти по сравнению с отдельной загрузкой соответствующих turbo-компонентов. Модель насчитывает 23,1 млрд параметров. Автор описывает beta_5 как результат объединения семи групп концепций и более чем 20 LoRA через grafting и consensus merges, без прямого слияния LoRA; гибридная версия основана на delta1024 H3 merge. Для загрузки README указывает AutoModel из Diffusers с trust_remote_code=True и предупреждает, что сжатый AdaLN ранга 8 несовместим с MiniMaxH3Transformer3DModel.from_pretrained. Качество зависит от sampler и настроек генерации; автор отмечает, что полный режим с большим числом шагов обычно даёт лучший звук, чем turbo-варианты. Модель предназначена для взрослого контента. Указана лицензия other; README заявляет, что применяются лицензия сообщества H3 и лицензии исходных моделей, чьи характеристики перенесены в модель.