I.10Видео, анимация и 3D

FastH3 V2 GGUFs — это набор квантованных версий трансформера FastVideo FastH3 8-Step V2, подготовленный realrebelai для ComfyUI и ComfyUI-GGUF. Модель основана на 35-миллиардной архитектуре MiniMax-H3 и предназначена для генерации синхронизированных видео и аудио по текстовому описанию. Модель использует дистилляцию Data-Free DMD2, разреженное внимание VSA-H3 с разреженностью внимания 80% и генерирует результат всего за 8 проходов трансформера. В состав GGUF входит только трансформер; для работы требуются совместимые Qwen3-VL text encoder, MiniMax-H3 Video VAE и Audio VAE. Поддерживаются варианты Q3_K_M, Q4_K_M и Q5_K_M: Q3_K_M требует меньше всего памяти, Q4_K_M предлагает рекомендуемый баланс размера и качества, а Q5_K_M обеспечивает более высокое качество при повышенных требованиях к памяти. Модель рассчитана на использование в ComfyUI с соответствующим GGUF-загрузчиком и требует настройки рабочего процесса MiniMax-H3. Основные ограничения — высокая вычислительная и оперативная потребность, необходимость дополнительных компонентов и зависимость от совместимой реализации ComfyUI. В README указана лицензия other; конкретные условия лицензии не уточняются.

NOVA — авторегрессионная модель генерации видео по текстовому описанию, разработанная BAAI. Она также позволяет изменять видео по текстовым запросам и предназначена для экспериментов с генеративными моделями, а также для творческих и образовательных инструментов. Модель содержит 645 млн параметров, использует FP16 и работает с разрешением 768×480. В её составе — предварительно обученный текстовый энкодер Phi-2 и видеотокенизатор OpenSoraPlanV1.2-VAE; для запуска предусмотрена интеграция с Diffusers. Лицензия — Apache 2.0. Модель может ошибаться в визуальных деталях и не воспроизводит сложный читаемый текст или безупречный фотореализм; изображения пальцев и другие мелкие элементы могут получаться некорректно. Автоэнкодер работает с потерями. Модель обучалась на подмножестве LAION-5B и COYO-700M, включающем взрослый, жестокий и сексуальный контент; возможны смещения и небезопасные генерации. Разработчик не рекомендует использовать её для достоверного изображения людей или событий.

gdhe17/Self-Forcing — реализация и чекпойнт модели для генерации видео по текстовому описанию на основе авторегрессионной диффузии. Подход Self Forcing обучает модель, воспроизводя процесс инференса: она последовательно генерирует фрагменты видео с использованием KV-кэширования, что помогает уменьшить расхождение между обучением и применением. Репозиторий использует библиотеку Self-Forcing и формат весов PyTorch. Модель предназначена для потоковой генерации видео в реальном времени; авторы сообщают о работе на одной RTX 4090 и сопоставимом с современными диффузионными моделями качестве. Для получения лучших результатов рекомендуются длинные и подробные текстовые запросы. В README также описаны способы ускорения генерации, некоторые из которых могут снизить качество. Для запуска проверялась Linux-система с GPU, имеющим не менее 24 ГБ памяти, и 64 ГБ ОЗУ; другие конфигурации не проверялись. Лицензия — Apache-2.0.

TimeLens2-8B — мультимодальная языковая модель для временной локализации событий в видео, разработанная MCG-NJU на базе Qwen3-VL-8B-Instruct. На вход она принимает видео и текстовый запрос, а в ответ возвращает временной интервал, содержащий соответствующие визуальные свидетельства. Модель предназначена для поиска событий в коротких, длинных и видео от первого лица. В карточке сообщается о среднем mIoU 48,0 на семи бенчмарках временной локализации. Модель дообучена на Qwen3-VL-8B-Instruct; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Длина контекста и поддерживаемые естественные языки в предоставленных источниках не описаны.

memset0/vsqa-preview-1.3b — предварительная версия модели для генерации видео по текстовому запросу, созданная в рамках проекта VSQA на основе Wan2.1-T2V-1.3B от Wan-AI. Это трёхшаговая DMD-дистилляция с разреженным вниманием VSA и обучением с учётом NVFP4-квантизации внимания и линейных слоёв. Текстовый энкодер, токенизатор, VAE и планировщик унаследованы от базовой модели. Модель рассчитана на генерацию 61 кадра с разрешением 896×448 за три шага денойзинга. Для воспроизведения обученных численных режимов нужны ядра FastVideo VSA/QAT; запуск с обычными плотными BF16-слоями представляет собой непроверенную конфигурацию. Это предварительный чекпойнт для ранней оценки. Лицензия — Apache-2.0.

Это GGUF-версия FP32 текстового энкодера UMT5-XXL для конвейера генерации видео WAN 2.2. Репозиторий поддерживается командой WAN и содержит файл энкодера объёмом около 22 ГБ; метаданные Hugging Face указывают библиотеку Diffusers и формат GGUF F32. Энкодер принимает текстовые запросы и преобразует их в эмбеддинги, которыми управляется генерация видео в системе WAN 2.2. Он рассчитан на обработку подробных описаний сцен, движения, композиции и освещения. UMT5 — многоязычное семейство моделей, однако конкретный перечень поддерживаемых языков в карточке не приведён. Полная точность FP32 ориентирована на высокую точность понимания запросов, но требует много памяти и работает медленнее вариантов FP16 и FP8. README приводит ориентир от 24 ГБ видеопамяти для одного энкодера. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Карточка модели reallusion4free/ltx-2.3-10eros-v1.3-dmd-mlx-q4 на Hugging Face совпадает с карточкой MLXBits/ltx-2.3-10eros-v1.3-dmd-mlx-q4, поэтому описание составлено по ней. Это квантованный вариант LTX-2.3 10Eros v1.3, подготовленный MLXBits для запуска на Apple Silicon. Модель предназначена для генерации видео по текстовому описанию, а также заявлена в метаданных как модель для генерации видео по изображению и тексту. Веса основаны на TenStrip/LTX2.3-10Eros и включают слитую дистилляцию JoyAI Echo DMD; трансформер квантован до int4, тогда как часть компонентов сохранена в bf16. Текстовый энкодер Gemma 3 12B в пакет не включён и загружается отдельно. Пакет содержит только дистиллированный трансформер и рассчитан на запуск через ltx-2-mlx с режимом --distilled. Двухэтапный путь с dev-трансформером и режим one-stage-dev недоступны. Квантование уменьшает размер трансформера примерно до 11,6 ГБ, но может снизить детализацию и точность следования запросу по сравнению с int8. Модель предназначена для взрослого контента; лицензия указана как other.

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.

SANA-Video 2.0 5B 720p 4-Step Preview — исследовательская версия модели генерации видео из текста, основанная на диффузионном трансформере SANAVideo2_5B. По карточке, чекпойнт содержит около 4,47 млрд параметров и дистиллирован для четырёх этапов генерации видео с разрешением 720p. Архитектура сочетает двунаправленное линейное внимание с периодическими слоями плотного softmax-внимания и агрегацией Attention Residual. Модель предназначена для создания коротких видео по текстовым описаниям и творческих экспериментов. Это режим text-to-video: генерация с условием на исходное изображение не поддерживается; для неё README рекомендует базовую версию. Четырёхэтапная генерация ускоряет получение результата, но движение, анатомия, отображение текста, постоянство объектов и физические взаимодействия могут быть непоследовательными. Модель также может хуже следовать длинным, неоднозначным и сложным по композиции запросам, а результаты могут отражать смещения обучающих данных. Чекпойнт получен дистилляцией DMD на основе SANA-Video 2.0 SFT-модели после объединения адаптера ReFL; выпущен как полная модель, а не LoRA-адаптер. Отдельно предоставляется вспомогательная RL LoRA для регулировки влияния RL. Лицензия — Apache 2.0. Это исследовательское превью с менее обширной проверкой, чем у исходной 50-этапной модели.

TimeLens2-4B — мультимодальная языковая модель для временной локализации событий в видео, представленная авторами проекта TimeLens2 и основанная на Qwen3-VL-4B-Instruct. Она принимает видео и текстовый запрос и возвращает временной интервал, содержащий релевантные визуальные свидетельства. Модель построена на плотной архитектуре Qwen3-VL с 4 млрд параметров и предназначена для анализа видео по естественно-языковым запросам. В README сообщается о среднем mIoU 47,7 на семи бенчмарках временной локализации и о результатах на уровне лучших моделей сопоставимого размера. Модель подходит для поиска момента события в ролике по описанию, однако карточка не приводит поддерживаемые языки запросов или ограничение на длину видео. Лицензия — Apache-2.0.

HFTrainer-Wan2.1-T2V-1.3B — текстовая модель для генерации видео, размещённая ZeyuLing. В основе — Wan 2.1 T2V размером 1,3 млрд параметров; обучается полный трансформер, а компоненты UMT5 и VAE заморожены. Модель принимает текстовый запрос и создаёт видео. В README показана генерация ролика из 17 кадров; для короткого обучающего прогона использовалось разрешение 128 × 128, а в демонстрации — 480 × 832. Репозиторий содержит обработанную базовую модель и код для обучения и инференса. Проверено выполнение 20 шагов обучения на видео CREMA-D без аудиодорожек, однако сходимость обучения и качество на отложенной выборке не установлены. Для демонстрации использовались 50 шагов Euler, CFG 5 и flow shift 3; равенство качества официальным сэмплерам не подтверждено. Указана лицензия Apache-2.0.

Это квантованный вариант LTX-2.3 10Eros v1.3, подготовленный MLXBits для запуска на Apple Silicon. Модель предназначена для генерации видео по текстовому описанию, а также заявлена в метаданных как модель для генерации видео по изображению и тексту. Веса основаны на TenStrip/LTX2.3-10Eros и включают слитую дистилляцию JoyAI Echo DMD; трансформер квантован до int4, тогда как часть компонентов сохранена в bf16. Текстовый энкодер Gemma 3 12B в пакет не включён и загружается отдельно. Пакет содержит только дистиллированный трансформер и рассчитан на запуск через ltx-2-mlx с режимом --distilled. Двухэтапный путь с dev-трансформером и режим one-stage-dev недоступны. Квантование уменьшает размер трансформера примерно до 11,6 ГБ, но может снизить детализацию и точность следования запросу по сравнению с int8. Модель предназначена для взрослого контента; лицензия указана как other.

MiniMax-H3-MLX-4bit — сборка модели MiniMax H3, подготовленная для запуска через MLX на компьютерах с Apple Silicon. Это диффузионный трансформер для совместной генерации видео и синхронизированного с ним аудио по текстовому описанию; исходный MiniMax H3 разработала MiniMax. Модель содержит 23,1 млрд параметров по метаданным, а веса трансформера в этом репозитории преобразованы в формат MLX и квантованы до 4 бит с размером группы 64. Это не языковая модель: генерация требует кода пайплайна, а текстовый энкодер и видео- и аудиодекодеры берутся из исходного релиза. Сборка предназначена для создания коротких видеороликов со звуком по текстовым запросам. В README также описано создание видео по изображениям, однако для этой конкретной сборки входные изображения явно не подтверждены. По измерениям автора, 4-битная версия сохраняет основной объект сцены, но может давать видимые артефакты; квантование ускоряет генерацию лишь примерно в 1,2–1,4 раза, поскольку основное время занимает плотное внимание. Один шаг денойзинга на M3 Ultra занимает около 8,8 минуты для ролика длительностью 5 секунд и около 1,04 часа для 15 секунд. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Jojocodex/minimax-h3-wushu-action-lora — это LoRA-адаптер для базовой модели Comfy-Org/MiniMax-H3, предназначенный для генерации видео с человеческими боевыми и спортивными движениями. Адаптер специализируется на ушу, кунг-фу и постановочных сценах рукопашного боя: ударах руками и ногами, прыжках, вращениях, блоках, контратаках, работе с мечом, посохом и другим оружием, а также одиночных выступлениях и поединках нескольких персонажей. В карточке указаны варианты обучения на 3000 и 4500 шагах, включая обновление wushu_action_h3_lora_v5 и отдельный вариант KungFu_MiniMaxH3_LoRA_step4500.safetensors. Для активации вариантов используются триггерные слова wushu_action и kungfu combat; их рекомендуется размещать в начале англоязычного промпта и подробно описывать технику, перенос веса, координацию тела, сцену и камеру. Модель подходит для кинематографичных боевых сцен, тренировок, постановочных выступлений, сцен в жанре wuxia и современных драк. Сильная сторона адаптера — целевая оптимизация динамики человеческих боевых движений и взаимодействия с оружием. При ускоренной генерации с использованием 4 или 8 шагов возможны размытые кадры, а без триггерного слова специализация выражена слабее. Другие ограничения, поддерживаемые языки, контекст и точные требования к ресурсам в карточке не указаны. Лицензия — Apache-2.0. В карточке также рекомендовано сочетать Wushu-Action-LoRA с spatial-physics-lora для улучшения результата, однако совместимость и условия распространения этого дополнительного адаптера отдельно не описаны.

PeppX/Sulphur-2-Prompt-Enhancer-Uncensored-GGUF — набор квантизированных GGUF-файлов модели для улучшения промптов. Модель основана на SulphurAI/Sulphur-2-base, а квантизацию выполнил PeppX. Она предназначена для преобразования коротких текстовых запросов в подробные промпты для генерации видео с LTX 2.3 и Sulphur-2, а также для использования в ComfyUI, LM Studio и llama.cpp. В основе лежит мультимодальная Qwen3.5-9B с архитектурой qwen35, 32 слоями, размером эмбеддингов 4096 и контекстом до 262 144 токенов. Для работы с визуальными входами предусмотрен отдельный vision projector в формате GGUF с точностью BF16. Доступны варианты Q4_K_M размером 5,3 ГБ и IQ4_NL размером 5,1 ГБ; первый ориентирован на сбалансированное качество и размер, второй использует нелинейную квантизацию с учётом важности параметров. Модель описана как uncensored, однако подробные сведения о языках и результатах тестирования не приведены. К сильным сторонам относятся большой контекст, мультимодальность, специализированная оптимизация для расширения промптов видеогенерации и совместимость с распространёнными инструментами локального запуска. Ограничения связаны с необходимостью использовать отдельный vision projector для мультимодальной работы, значительным объёмом файлов и отсутствием в README количественных оценок качества, подробных требований к оборудованию и описания поддерживаемых языков. Указанная лицензия — Apache-2.0.

VBVR-Pro-LTX2.3 — дообученная модель генерации видео и аудио, разработанная командой VBVR-Pro на базе LTX-2.3 и предназначенная для визуального рассуждения через генерацию. Она принимает изображение и текстовую инструкцию и создаёт обусловленное изображением аудиовидео; веса LoRA ранга 32 уже объединены с весами трансформера, поэтому отдельный адаптер загружать не требуется. Модель рассчитана на исследовательские эксперименты с задачами визуального рассуждения, в частности с генерацией видео по изображению и отслеживанием меняющихся во времени состояний. В карточке указаны Diffusers и формат safetensors, лицензия Apache-2.0. Технические характеристики базовой LTX-2.3 и результаты бенчмарков в доступном фрагменте карточки не приведены.

MiniMax-H3-MLX-bf16 — преобразованная для MLX версия диффузионного трансформера MiniMax H3, подготовленная для Apple Silicon. Репозиторий содержит только веса трансформера: для генерации нужны код конвейера, отдельные видео- и аудиодекодеры и текстовый энкодер из исходного релиза. В README описана архитектура исходной модели: 33-миллиардный трансформер совместно обрабатывает латентные представления видео и аудио, а условия задаёт замороженный энкодер Qwen3-VL-32B. Метаданные указывают 23,1 млрд параметров для этой версии; README сообщает о смешанной точности bfloat16/float32 и отсутствии квантизации. Модель предназначена для создания коротких видео со синхронизированным звуком по текстовому запросу; карточка и метаданные также относят её к генерации видео по изображению. Конверсия MLX рассчитана на запуск на Apple Silicon, но требует значительной памяти и вычислительных ресурсов. В README приведены медленные времена денойзинга на M3 Ultra; разреженная реализация attention не включена. Лицензия в метаданных обозначена как other, без уточнения условий.

CewEhao/OPD-TV-Qwen3-VL-8B — мультимодальная модель для временной локализации событий в видео, созданная дообучением Qwen3-VL-8B-Instruct. Она принимает видео и текстовый запрос и формирует текстовый ответ с временными границами искомого события. Модель выпущена как основной чекпойнт для оценки метода OPD-TV, который переносит привилегированные временные свидетельства от учителя к модели-ученику при обучении; во время вывода используется только исходный визуальный вход ученика. В README приведены результаты на Charades-STA, ActivityNet Captions и QVHighlights. Описанный протокол оценки использует равномерную выборку 2 кадра в секунду, предел 768 кадров и до 64 генерируемых токенов. Для запуска указаны Transformers и vLLM с параметром --trust-remote-code. Модель распространяется по лицензии Apache-2.0.

Карточка модели Yongxin-Guo/trace на Hugging Face совпадает с карточкой Yongxin-Guo/trace-uni, поэтому описание составлено по ней. TRACE-uni — видеоязыковая модель Yongxin Guo и соавторов для понимания событий в видео. Она основана на дообученной Mistral-7B-Instruct-v0.2 и использует причинное моделирование событий, последовательно связывая временные метки, оценки значимости и текстовые описания. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для поиска событий и временных интервалов в видео, плотного описания видео и ответов на вопросы о его содержании. В README также приведены результаты на задачах общего понимания видео. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Для работы с видео требуется видеовход, однако доступная классификация Hugging Face указывает только задачу генерации текста.

LongVA-7B-DPO — мультимодальная модель семейства LlavaQwen от команды LongVA, представленная в репозитории lmms-lab. Модель содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста с анализом длинных визуальных последовательностей, в том числе видео. В карточке заявлена обработка до 2000 кадров или более 200 тысяч визуальных токенов; модель показывает высокие результаты на Video-MME среди моделей с 7 млрд параметров. Модель подходит для вопросов и ответов по видео и длинным последовательностям изображений. Метаданные указывают на архитектуру LlavaQwen, поддержку чата и формат Safetensors; заявленная длина контекста составляет 224 000 токенов. Данные карточки не уточняют поддерживаемые естественные языки и лицензию, поэтому условия использования следует проверять в репозитории модели.

TimePLE-8B — модель KlingTeam на базе Qwen3-VL-8B-Instruct, дообученная для временной локализации событий в видео. По видео и текстовому описанию события она предсказывает его начальный и конечный моменты с помощью адаптивного к длительности кодека TimePLE. Модель имеет плотную мультимодальную архитектуру Qwen3-VL с кодеком временных интервалов и интерфейсным MLP-адаптером; веса опубликованы в формате safetensors с точностью bfloat16. Для подготовки видео, декодирования временных интервалов и инференса требуется реализация из отдельного репозитория TimePLE. Модель предназначена для экспериментов и оценки методов temporal grounding и moment retrieval, а также для дальнейшей настройки под локализацию событий. Обучающие данные и запросы преимущественно англоязычные. Качество границ зависит от выборки кадров, метаданных длительности и предобработки видео; неоднозначные, повторяющиеся и очень короткие события могут локализоваться нестабильно. Модель распространяется по лицензии Apache-2.0; для базовой модели, видео и используемых датасетов могут действовать отдельные условия.

VideoNSA — мультимодальная модель для понимания длинных видеозаписей, разработанная на базе Qwen2.5-VL-7B. Она использует разреженное внимание с обучаемым распределением видеотокенов между ветвями сжатия, отбора информативных сегментов и скользящего окна. Архитектура рассчитана на обработку до 128 000 визуально-текстовых токенов, используя около 3,6% бюджета полного внимания. Модель предназначена для анализа видео и работы с текстовыми запросами о его содержании. Заявлены оптимизация для современных GPU и конкурентные результаты на бенчмарках понимания видео. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. VideoNSA оптимизирована для видео и может быть менее эффективна на чисто изображениях. Обработка длинных видео требует достаточной памяти GPU, а результат может зависеть от разрешения и частоты кадров.

Yume-5B-720P — модель генерации видео семейства Yume-1.5, представленная пользователем stdstu123. Она предназначена для создания интерактивных и непрерывных видеомиров по изображению или текстовому запросу; в Hugging Face указана задача image-to-video. В README описаны длительная генерация видео с компрессией контекста и линейным вниманием, ускорение потоковой генерации с помощью дистилляции двунаправленного внимания и управление событиями в мире текстовыми запросами. Модель рассчитана на сценарии, где пользователь задаёт изображение и исследует сгенерированное окружение с клавиатуры. README также упоминает генерацию конкретных событий по тексту, однако доступные сведения не позволяют определить точные характеристики интерактивного интерфейса, поддерживаемые языки или качество результатов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

MiniMax-H3-MLX-6bit — сборка диффузионного трансформера MiniMax H3, подготовленная для MLX и Apple Silicon. Репозиторий содержит только веса трансформера: для генерации нужны код пайплайна, видео- и аудиовариаторы и текстовый энкодер из исходного релиза. Модель совместно создаёт видео и синхронизированный с ним звук по текстовым и визуальным условиям; генеративное ядро обрабатывает латенты видео и аудио в общей последовательности, а условия кодирует замороженный Qwen3-VL-32B. В метаданных указан размер 23,1 млрд параметров, тогда как README описывает исходную архитектуру как 33-миллиардную; веса квантизованы до 6 бит, а проекции AdaLN — до 8 бит. Сборка предназначена для локального запуска на Apple Silicon через MLX. Квантизация уменьшает требования к памяти, но не устраняет высокую вычислительную стоимость плотного внимания: генерация может занимать много времени. README приводит оценки ошибки для 6-битных весов, но отдельный результат рендеринга этой версии не измерялся. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

TRACE-uni — видеоязыковая модель Yongxin Guo и соавторов для понимания событий в видео. Она основана на дообученной Mistral-7B-Instruct-v0.2 и использует причинное моделирование событий, последовательно связывая временные метки, оценки значимости и текстовые описания. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для поиска событий и временных интервалов в видео, плотного описания видео и ответов на вопросы о его содержании. В README также приведены результаты на задачах общего понимания видео. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Для работы с видео требуется видеовход, однако доступная классификация Hugging Face указывает только задачу генерации текста.

Video-Reason разработала VBVR-Pro-Wan2.2-TI2V-5B — дообученную модель Wan2.2-TI2V-5B для генерации видео по текстовым инструкциям и изображениям. Она предназначена для задач визуального рассуждения, в которых ответ выражается сгенерированным видео, включая отслеживание состояний и изменений во времени. Модель обучена на VBVR-Dataset и опубликована как слитый чекпойнт с rank-32 LoRA, объединённой с весами DiT; для загрузки через Diffusers отдельный адаптер не нужен. Модель распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Карточка описывает её как исследовательский релиз в рамках набора VBVR-Pro, но приводит сценарии прямого инференса. Подробные результаты бенчмарков и характеристики разрешения или длины контекста в доступной части карточки отсутствуют.

E.T. Chat Phi-3 Mini Stage 2-3 — мультимодальная модель Ye Liu для диалога по видео и временной привязки событий. Архитектура включает визуальный энкодер, компрессор кадров и языковую модель; в этом чекпойнте используется плотная архитектура ETChatPhi3ForCausalLM на 3,7 млрд параметров с контекстом 4096 токенов. Модель принимает видео и текстовые запросы и формирует текстовые ответы; специальный токен запускает сопоставление эмбеддингов кадров для предсказания временных отметок. Чекпойнт обучен на смеси данных этапов 2 и 3, включая ET-Instruct-164K, VideoChatGPT и LLaVA-1.5-Instruct. Смешанное обучение улучшает общие диалоговые способности, но может несколько ухудшать точность временной привязки по сравнению с вариантами, оптимизированными для grounding. Основной язык — английский. Лицензия — BSD-3-Clause.

PurpleBlazey подготовил экспериментальные GGUF-сборки MiniMax H3 для личного использования в интерфейсе KoboldCPP sdui. Модель предназначена для генерации видео по тексту и изображениям; в карточке Hugging Face также указана поддержка входных видео и аудио. Репозиторий включает варианты квантования GGUF, в том числе BF16, IQ1_M, IQ4_NL, Q2_K, Q3_K и Q4_0, а также обрезанную версию текстового энкодера Qwen3-VL-32B. В README говорится, что для приемлемого качества MiniMax H3 желательно использовать как минимум Q3_K, а Q5_K автор считает удачным компромиссом между качеством и использованием видеопамяти. Сборка основана на слиянии MiniMax H3 и Qwen3-VL-32B; метаданные также указывают Comfy-Org/MiniMax-H3 и MiniMaxAI/MiniMax-H3 как базовые модели. Автор сообщает, что обрезка слоёв текстового энкодера не должна влиять на вывод, но ухудшает возможности обучения. Лицензия репозитория — Apache-2.0. Это экспериментальные сборки, а выводы о качестве основаны на личных тестах автора.

Карточка модели taurusduan/MiniMax-H3-x-Z-Image-hybrid на Hugging Face совпадает с карточкой hoidhxd/MiniMax-H3-x-Z-Image-hybrid, поэтому описание составлено по ней. MiniMax-H3 x Z-Image Hybrid — экспериментальная гибридная версия MiniMax-H3, созданная hoidhxd. В ней блоки трансформера B00–B24 и B50+ взяты из ветви FL2VA, а блоки B25–B49 — из REF2VA; модель предназначена для генерации видео из изображения и экспериментов с объединением этих ветвей в одном чекпойнте. Репозиторий содержит веса BF16 и INT8 в формате safetensors; отдельно упоминается конверсия BF16-версии в GGUF для совместимых рабочих процессов ComfyUI. Модель основана на MiniMaxAI/MiniMax-H3 и распространяется по лицензии Apache-2.0. Это неофициальная экспериментальная сборка, а не релиз MiniMax. README сообщает о проверке тензорного содержимого BF16-версии, но не приводит сравнительных оценок качества или подробных инструкций по использованию; сведения о языковой поддержке и длине контекста для этой задачи не указаны.

Tune-A-Video-library/redshift-man-skiing — модель генерации видео по тексту на базе nitrosocke/redshift-diffusion. Она создана с использованием подхода Tune-A-Video: базовую модель диффузии изображений адаптировали для генерации видео и настроили на запрос «a man is skiing». Примеры показывают лыжника в образах известных персонажей и в стиле Redshift, ориентированном на детализированные 3D-рендеры. Модель предназначена для создания коротких тематических видеосцен по текстовым запросам. Репозиторий содержит веса в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели и длине контекста.