I.10Видео, анимация и 3D

profpeng/doublepenetration — LoRA-модель для генерации откровенного сексуального контента на основе Wan-AI/Wan2.2-I2V-A14B. Она предназначена для сценариев text-to-image и, вероятно, image-to-video с использованием Diffusers, с акцентом на реалистичное изображение групповых половых сцен в спальне, включая наготу и явно описанные сексуальные действия. В README не указаны размер LoRA, архитектурные параметры, поддерживаемые языки, максимальный контекст или точные требования к запуску. В качестве ключевой особенности заявлена адаптация базовой модели к конкретной эротической тематике и динамике сцены, включая движения камеры и тела. Ограничения связаны с узкой специализацией и потенциальными проблемами качества при сложной композиции, взаимодействии нескольких персонажей и генерации анатомически корректных деталей. Лицензия и условия использования в README не указаны. Перед применением необходимо проверить лицензию базовой модели Wan-AI/Wan2.2-I2V-A14B и правила распространения самой LoRA, а также соблюдать требования законодательства и платформ к созданию сексуального контента.

wansex — это LoRA-адаптер, разработанный пользователем profpeng для модели Wan2.2-I2V-A14B от Wan-AI. Адаптер предназначен для генерации откровенных сексуальных сцен с помощью моделей семейства Diffusers; в карточке он классифицирован как text-to-image и diffusion LoRA, однако базовая модель относится к image-to-video (I2V). Для активации адаптера требуется триггерная фраза «<SM4SHCUT> The scene changes and a man is thrusting his penis into and out of her pussy». В README приведён пример промпта с описанием явного сексуального действия и отрицательный промпт на китайском языке, ориентированный на снижение числа визуальных дефектов, включая размытие, артефакты, анатомические ошибки и лишние конечности. Известно, что адаптер использует архитектуру LoRA и базовую модель Wan2.2-I2V-A14B; сведения о размере адаптера, поддерживаемых языках, максимальном контексте, точных требованиях к оборудованию и дополнительных модальностях отсутствуют. Лицензия в карточке не указана, поэтому условия использования необходимо уточнять отдельно.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Модель понимает контексты, объединяющие текст, изображения, видео и аудио, и генерирует видео с синхронизированным стереозвуком. Репозиторий содержит вариант MiniMax-H3-fp8 и рассчитан на использование с библиотекой minimax-h3.

HunyuanVideo-1.5 — модель генерации видео от Tencent с 8,3 млрд параметров. Она использует архитектуру Diffusion Transformer (DiT), 3D causal VAE и механизм Selective and Sliding Tile Attention (SSTA), который снижает вычислительные затраты при работе с длинными видеопоследовательностями. Модель поддерживает генерацию видео по текстовому описанию и по изображению, а также разные длительности и разрешения; сеть суперразрешения повышает результат до 1080p. Модель предназначена для создания роликов с согласованным движением, следованием инструкциям и визуально проработанными сценами. README описывает двуязычное понимание английского и китайского, а также поэтапное обучение и оптимизацию вывода. Для запуска доступны веса в формате safetensors и интеграция с Diffusers; заявленная скорость измерялась на восьми GPU H800, поэтому она не гарантирует аналогичную производительность на потребительском оборудовании. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория перед применением или распространением модели.

Карточка модели Nadun29/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели wudingdeet/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MiniMax H3 — мультимодальная генеративная система компании MiniMax; этот репозиторий содержит её облегчённый вариант. Модель предназначена для создания видео со стереозвуком по тексту и мультимодальным входам: можно задавать изображения, видеоклипы и аудио как исходный материал или ориентир. Вход обрабатывается соответствующими текстовыми и визуальными кодировщиками и аудио-VAE, а H3 Omni Transformer совместно предсказывает видеокадры и аудио. Модель поддерживает ролики длительностью 4–15 секунд, различные соотношения сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет получить версию до 2K. Для сложных свободных мультимодальных запросов описан препроцессор H3-Context-IR, но он не входит в открытую поставку и предоставляется как размещённый сервис/API. В открытом выпуске используется полное внимание, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория.

QuantStack/LTX-2.3-GGUF — квантованная в формате GGUF версия модели LTX-2.3, разработанной Lightricks. Модель предназначена для генерации и преобразования видео и аудио на основе текста, изображений и видеоматериалов: поддерживаются сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместная генерация аудио и видео. В состав решения входят основная модель LTX-2.3, текстовый энкодер Gemma 3, модуль Text Projection и общие VAE-компоненты для видео и аудио. Указаны языки: английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Модель интегрируется с ComfyUI; квантование в GGUF может упростить развёртывание и снизить требования к ресурсам, однако README не содержит сведений о размере модели, точном контекстном окне, требованиях к памяти, качестве и производительности. Основные ограничения и условия использования определяются исходной моделью Lightricks/LTX-2.3: для GGUF-версии сохраняются все оригинальные лицензионные условия и ограничения. Указана лицензия ltx-2-community-license-agreement; подробности приведены в LICENSE проекта LTX-2.

MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным референсам. Репозиторий содержит H3-Base в форматах Diffusers и Safetensors; архитектура объединяет текстовый энкодер, визуальный VAE, аудиокодировщик VAE и Omni-Transformer, который совместно предсказывает видео- и аудиолатенты. Метаданные относят модель к задаче image-text-to-video. Модель принимает текст, изображения, видео и аудио, а генерирует видео длительностью 4–15 секунд с аудио; базовый вывод имеет разрешение 768p, а отдельный этап H3-Regenerate-2K позволяет получить 2K. В режиме First-and-last-frame можно задать до двух кадров, а Omni-reference принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при общем ограничении 12 файлов. Система рассчитана на сложные мультимодальные инструкции и синхронную генерацию аудио и видео. Для обработки свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот предварительный обработчик является размещённой системой и в открытый выпуск не входит. Открытая реализация использует полнослойное внимание; разреженное внимание в этом выпуске недоступно. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Wan2.2-Fun-5B-InP — дообученная модель Alibaba PAI на базе Wan-AI/Wan2.2-TI2V-5B для генерации видео из изображения и текстового описания. Она предназначена для сценариев image-to-video, где исходное изображение задаёт визуальную основу ролика, а текст — его содержание или развитие. Модель относится к семейству Wan2.2, имеет плотную архитектуру I2V и распространяется в формате safetensors; для работы используется библиотека VideoX-Fun. Модель поддерживает английский и китайский языки. README описывает инструменты VideoX-Fun для генерации видео, включая режимы с исходным изображением, однако конкретные параметры разрешения и длины контекста для этой модели в предоставленных данных не приведены. Для запуска нужны значительные вычислительные ресурсы; README указывает на варианты переноса частей модели в CPU и режим float8, который может снизить качество. Лицензия репозитория — Apache 2.0.

daVinci-MagiHuman — генеративная модель SII-GAIR и Sand.ai для создания коротких видео с синхронным звуком, включая ролики с выразительной человеческой мимикой, речью и движениями. Она использует 15-миллиардный 40-слойный Transformer с единой последовательностью токенов текста, видео и аудио; модель совместно обрабатывает текстовый запрос, референсное изображение и зашумлённые аудио- и видеоданные. Архитектура включает специализированные проекции в первых и последних слоях и общие параметры в промежуточных слоях. Модель предназначена для генерации видео по изображению и тексту, с упором на человеческую речь, движения и синхронизацию аудио с видео. В README указаны поддержка английского, китайского (мандаринского и кантонского), японского, корейского, немецкого и французского языков, а также скорость генерации пятиминутного по длительности? Нет: пятисекундного ролика от 2 секунд в 256p до 38 секунд в 1080p на одном H100. Для ускорения используется дистилляция DMD-2 до 8 шагов, отдельный этап повышения разрешения и ускоренный декодер. Модель распространяется под лицензией Apache-2.0. Результаты качества и скорости приведены в README и зависят от описанных авторами условий оценки и оборудования. Для запуска требуются веса полного стека и подходящая среда инференса; указанная скорость предполагает H100 и не переносится автоматически на другое оборудование.

vantagewithai/LTX-2.5-GGUF — квантованная версия модели LTX-2.5 от Lightricks в формате GGUF, подготовленная сообществом VantageWithAI. Модель предназначена для генерации и преобразования видео и аудио, включая text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео из текста или изображений. Модель поддерживает мультимодальные сценарии и заявлена для работы с английским, немецким, испанским, французским, японским, корейским, китайским, итальянским и португальским языками. Точные сведения об архитектуре, количестве параметров, размере контекста и системных требованиях в карточке не указаны. Файлы используют смешанную точность квантования, что призвано сохранить высокое качество при несколько большем размере файлов. Модель подходит для создания видеоконтента, мультимедийных прототипов и экспериментов с генерацией аудио и видео, включая использование в ComfyUI. Ограничения связаны с отсутствием подробных технических характеристик и потенциальными компромиссами квантования между размером, скоростью и качеством. Распространение регулируется лицензией LTX-2 Community License Agreement; для доступа требуется согласие с условиями и политикой конфиденциальности Lightricks.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со стереозвуком по тексту, изображениям и другим мультимодальным материалам. В открытой версии представлены два специализированных чекпойнта H3-Base: FL2VA для генерации с начальным и конечным кадрами и Ref2VA для работы с мультимодальными референсами. Архитектура объединяет текстовый энкодер, Visual VAE, Audio VAE и Omni-Transformer, который совместно предсказывает латентные представления видео и аудио. Модель создаёт клипы длительностью 4–15 секунд с различными соотношениями сторон; базовый результат имеет разрешение 768p, а отдельный H3-Regenerate-2K позволяет повторно сгенерировать видео в разрешении до 2K. FL2VA принимает текст и до двух изображений. Ref2VA поддерживает до девяти изображений, трёх видеоклипов и трёх аудиоклипов с общим лимитом в 12 файлов. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR — размещённую отдельно систему предварительной обработки, которая не входит в открытый релиз. Веса распространяются в форматах Diffusers и Safetensors по лицензии с обозначением «other»; условия лицензии следует проверять в репозитории перед использованием.

ContentV-8B — модель генерации видео по текстовому описанию, представленная ByteDance. Она использует архитектуру DiT и рассчитана на повторное использование предварительно обученных моделей генерации изображений; в карточке указаны Stable Diffusion 3.5 Large и Wan-VAE как основы. Обучение сочетает многоэтапную стратегию с flow matching и оптимизацию с обратной связью от людей. Модель содержит 8 млрд параметров. Модель предназначена для создания видеороликов по текстовым запросам. Авторы сообщают о результате 85,14 на VBench после четырёх недель обучения на 256 ускорителях NPU с памятью по 64 ГБ каждый. Для использования опубликованы код инференса и контрольные точки. Репозиторий распространяется по лицензии Apache-2.0.

JoyAI-Echo 1.5 — модель генерации длинных аудиовизуальных историй и интерактивных миров, разработанная jdopensource и дообученная на основе Lightricks/LTX-2.3. Репозиторий содержит веса для генерации видео по текстовому запросу и опциональному первому кадру, а также до семи упорядоченных слотов памяти с изображениями и аудио. Совместная мультимодальная память помогает сохранять внешность персонажей, голос и контекст сцены между редактируемыми планами. Модель генерирует синхронизированные видео и аудио в едином конвейере и поддерживает многошотовые сценарии. Используется генератор DMD с восемью шагами; доступны варианты BF16, FP8 и FP4. Для запуска отдельно требуется текстовый энкодер Gemma. В README также упомянуты выгрузка слоёв DiT и тайловое декодирование Video VAE для профилей с ограниченной видеопамятью. Лицензия указана как other, поэтому конкретные условия использования следует проверять в лицензии репозитория.

unsloth/LTX-2.3-GGUF — GGUF-квантованная версия LTX-2.3, аудиовизуальной foundation-модели, разработанной Lightricks. Модель основана на архитектуре DiT и предназначена для совместной генерации синхронизированных видео и аудио в едином пайплайне. Публикация использует методологию Unsloth Dynamic 2.0 GGUF с повышенной точностью для важных слоёв и рассчитана на локальный запуск, в частности через ComfyUI. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео из текста или изображений. Доступны варианты dev и distilled: dev обеспечивает более высокое качество и требует не менее 20 шагов генерации, тогда как distilled оптимизирован для быстрых запусков примерно за 4–8 шагов и может использоваться для черновой генерации или уточнения результата. Указан размер основной модели 22B. Заявлены языки English, German, Spanish, French, Japanese, Korean, Chinese, Italian и Portuguese; размер контекста в README не указан. Сильные стороны модели — единая генерация аудиовизуального контента, синхронизация звука и изображения, улучшенные качество аудио и видео и повышенное следование промпту по сравнению с LTX-2. Ограничения включают значительные требования к вычислительным ресурсам для dev-варианта, зависимость от совместимых инструментов и компонентов пайплайна, а также компромисс между скоростью и качеством у distilled-варианта. Модель распространяется по лицензии ltx-2-community-license-agreement; это не стандартная свободная лицензия, поэтому условия использования следует проверять в полном тексте соглашения.

LTX-2.3-nvfp4 — версия модели LTX-2.3 в формате NVFP4, разработанная Lightricks. Это диффузионная аудиовизуальная модель на основе DiT, которая совместно генерирует синхронизированные видео и аудио; исходная модель также описана как развивающаяся версия LTX-2 с улучшенным качеством аудио и видео и более точным следованием запросу. Карточка указывает контрольную точку ltx-2.3-22b-dev-nvfp4: полную гибкую модель, подготовленную с помощью дистилляции с учетом квантования. В метаданных репозитория главная задача обозначена как генерация видео по изображению, а карточка перечисляет поддержку английского языка. Модель предназначена для создания аудиовизуальных роликов по входному изображению и текстовым подсказкам, а также для локального запуска в соответствующем коде LTX-2. В карточке также перечислены генерация видео и аудио по тексту, изображению или исходным аудио- и видеоматериалам. Карточка описывает улучшенное следование запросам, но результат зависит от формулировки подсказки; модель не предназначена для выдачи фактической информации, может воспроизводить общественные предубеждения или создавать неподходящий контент, а звук без речи может быть менее качественным. Лицензия указана как other, без уточнения условий в предоставленных данных.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Модель принимает текстовые инструкции и может работать с изображениями, видео и аудио как с контекстом или референсами, чтобы генерировать видео со стереозвуком. В README описаны режимы генерации по тексту, первому и последнему кадрам, а также по смешанным мультимодальным референсам. В открытой версии H3-Base используется архитектура H3-Omni-Transformer с кодировщиками текста и визуальных данных, Visual VAE и Audio VAE; модель совместно предсказывает латентные представления видео и аудио. Генерация длится 4–15 секунд, базовый вывод — 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. Файлы представлены в формате Diffusers и Safetensors. Система подходит для создания коротких видеороликов по текстовым описаниям и референсным материалам. Облачный модуль H3-Context-IR для разбора сложных мультимодальных инструкций не входит в открытый релиз, поэтому для полного рабочего процесса требуется API или собственная предварительная обработка. Веса распространяются по лицензии other; конкретные условия следует проверять в карточке модели.

Карточка модели caralhox/mochi-1-preview на Hugging Face совпадает с карточкой genmo/mochi-1-preview, поэтому описание составлено по ней. Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

SkyReels-V2-DF-14B-720P-Diffusers — модель генерации видео SkyReels-V2, разработанная командой Skywork. Это вариант на 14 млрд параметров для генерации видео по текстовому запросу с разрешением 720p; веса представлены в формате Diffusers и Safetensors. Модель использует авторегрессионную архитектуру Diffusion Forcing, предназначенную для создания длинных видео с последовательным продолжением кадров. Она подходит для генерации кинематографических сцен и сюжетных роликов по текстовому описанию. В README также описаны другие возможности семейства SkyReels-V2, но данная карточка относится к текстовой генерации видео. Для запуска предусмотрена интеграция с Diffusers и код инференса для одной или нескольких GPU. README демонстрирует ролики длительностью до 30 секунд, но не уточняет максимальную длительность для этой версии. Лицензия указана как other; конкретные условия использования следует сверить с лицензионными материалами репозитория.

Spark-Wan-4Steps — производная от Wan-AI/Wan2.1-T2V-14B модель для генерации видео по текстовому описанию. Разработчик опубликовал веса дистилляции для ускоренной генерации за 4 шага и код обучения. Модель предназначена для создания видеороликов по текстовым запросам. В основе лежит diffusion transformer Wan2.1 T2V-14B; файлы модели представлены в формате safetensors. Базовая модель поддерживает генерацию видео в разрешении 480p или 720p. Модель распространяется по лицензии Apache-2.0. Данных о поддерживаемых языках запросов и ограничениях качества именно этой версии в карточке нет.

HunyuanVideo — разработанная Tencent открытая модель генерации видео по текстовому описанию. Репозиторий содержит определения модели на PyTorch, предварительно обученные веса и код для инференса; также выпущена версия для генерации видео на основе изображения. Модель использует Transformer с полным механизмом внимания и объединённую архитектуру для изображений и видео: сначала текстовые и визуальные токены обрабатываются раздельно, затем совместно. Текстовые запросы кодируются мультимодальной языковой моделью, а генерация выполняется в сжатом пространственно-временном латентном представлении с помощью причинного 3D VAE. В карточке заявлено более 13 млрд параметров. Репозиторий включает веса FP8 для снижения потребления видеопамяти и поддержку инференса на нескольких GPU. Модель предназначена для создания видео с заданными сценой, объектами и движением; авторы отмечают качество изображения, разнообразие движения, соответствие запросу и стабильность генерации. Лицензия в метаданных указана как other, поэтому перед использованием следует ознакомиться с условиями лицензии в репозитории. README не сообщает поддерживаемые языки запросов и длину контекста.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

Карточка модели Athena1433/MiniMax-H3 на Hugging Face совпадает с карточкой AgentAnon/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

MOVA — открытая мультимодальная модель команды OpenMOSS для совместной генерации видео и синхронизированного с ним звука. Она предназначена для создания видео по изображению и текстовому описанию, а также по одному текстовому описанию. Модель генерирует аудио и видео за один проход, поддерживает синхронизацию речи с движением губ и создание звуков окружения. Архитектура MOVA состоит из двух асимметричных башен для видео и аудио, объединённых двунаправленным cross-attention, и использует Mixture-of-Experts. В README указано 32 млрд параметров суммарно, из них 18 млрд активны при инференсе. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — Apache-2.0. Для запуска и использования весов авторы направляют к инструкциям на GitHub; модель также предусматривает LoRA-дообучение. Заявлены многоязычная синхронизация губ и генерация звуков с учётом окружения. В README нет конкретных языковых кодов, сведений о длине контекста или детальных требований к аппаратному обеспечению; генерация видео и аудио может требовать значительных вычислительных ресурсов.

SkyCaptioner-V1 — модель Skywork для структурированного описания видео, основанная на архитектуре Qwen2.5-VL и дообученная на видеоданных с экспертной разметкой. Она формирует подписи с деталями о субъектах и их действиях, типе и ракурсе кадра, положении камеры, движении камеры, окружении и освещении. Модель насчитывает 7,1 млрд параметров, принимает видео и выдаёт текст; заявленная длина контекста составляет 128 000 токенов. Модель предназначена для плотного описания видео и подготовки кратких текстовых подсказок для задач генерации видео из текста или изображения. Для объединения структурированных полей в связное описание авторы предлагают использовать отдельную модель Qwen2.5-32B-Instruct. В README заявлено обучение примерно на двух миллионах видео и улучшение результатов на специализированных задачах описания кинематографических планов и движений камеры. Модель доступна по лицензии Apache-2.0. Карточка описывает её возможности для видео; поддержка других языков или режимов ввода здесь не подтверждена.

Карточка модели Richyai/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели waseem124/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

UniVerse-1 Base — модель совместной генерации видео и аудио, разработанная авторами UniVerse-1. Она создаёт синхронизированные аудиовизуальные ролики по текстовому запросу и опорному изображению. В основе решения — архитектура DiT и метод stitching of experts, объединяющий блоки предварительно обученных моделей генерации видео и музыки; модель дообучена примерно на 7 600 часах аудиовизуальных данных. Модель предназначена для создания видео с согласованными с изображением и сценой речью, музыкой и фоновыми звуками. Она также может генерировать речь по текстовому запросу с тембром, соответствующим персонажу, звуки музыкальных инструментов и вокал вместе с инструментальным сопровождением. Для работы авторский код требует Python 3.10 или новее, PyTorch и CUDA, а также зависимые модели Wan2.1-T2V-1.3B и ACE-Step-v1-3.5B. В репозитории указаны веса в формате safetensors и лицензия Apache-2.0. В README не приведены размер самой модели, длина контекста и перечень поддерживаемых языков; качество и возможности могут различаться для разных типов аудиовизуальных сцен.