I.10Видео, анимация и 3D

Карточка модели glitchhired/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.

CamSFT-4B — мультимодальная модель для анализа движений камеры в видео, созданная дообучением Qwen/Qwen3-VL-4B-Instruct методом supervised fine-tuning. Для каждого сегмента видео она формирует структурированный JSON с временными границами, типом и направлением базового движения камеры, скоростью и специальными приёмами съёмки. Модель предназначена для сегментации и описания движений камеры в видеороликах. Для воспроизведения результатов работы требуется использовать рекомендованный в README prompt и настройки обработки видео; точные параметры приведены в репозитории CamDistill. Модель распространяется в формате safetensors по лицензии Apache-2.0.

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.

lopho/Wan2.2-T2V-A14B-Diffusers_nf4 — это 4-битная NF4-квантизированная версия модели Wan2.2 T2V-A14B, разработанной командой Wan-AI. Модель предназначена для генерации видео по текстовому описанию и распространяется в формате, совместимом с Diffusers. Она поддерживает создание видеороликов длительностью около 5 секунд в разрешениях 480p и 720p. Модель использует архитектуру Mixture-of-Experts (MoE) в составе видеодиффузионной системы: специализированные экспертные модели разделяют обработку различных этапов денойзинга, что позволяет увеличить общую емкость модели при сохранении сопоставимых вычислительных затрат. Заявлены улучшенные генерация сложного движения, обобщение по семантике и эстетике, а также управление кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. В метаданных указана поддержка английского и китайского языков. К преимуществам относятся высокое качество генерации видео, поддержка двух разрешений и сниженные требования к памяти благодаря 4-битной NF4-квантизации. Ограничения включают текстово-видеовый сценарий без заявленной поддержки изображений в данной модели, ограниченную длительность генерируемого видео и отсутствие в представленном описании точных требований к оборудованию, размеру контекстного окна и производительности квантизированной версии. Модель распространяется по лицензии Apache-2.0.

Show-o2-7B — унифицированная мультимодальная модель, разработанная Show Lab Национального университета Сингапура совместно с ByteDance. Она объединяет авторегрессионное предсказание текстовых токенов и flow matching для генерации изображений и видео; визуальные представления строятся в пространстве 3D causal VAE с пространственно-временным слиянием признаков. Модель предназначена для мультимодального понимания и генерации с текстом, изображениями и видео, включая смешанные сценарии. В README указано семейство моделей размером 7B, но отдельные характеристики этого чекпойнта, например длина контекста, не приведены. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0.

Это форк модели Stable Diffusion XL Base 1.0, который поддерживает mainbrains; исходная модель разработана Stability AI. Это латентная диффузионная модель для генерации и редактирования изображений по текстовым запросам. Она использует два предварительно обученных текстовых энкодера — OpenCLIP-ViT/G и CLIP-ViT/L — и может работать самостоятельно или как первый этап конвейера с отдельной моделью-refiner для финального денойзинга. Репозиторий также описывает интеграцию с ComfyUI для создания VFX-референсов и пакетной генерации. Модель подходит для создания иллюстраций, дизайн-материалов и визуальных референсов, а также для творческих и образовательных инструментов. README указывает, что она уступает в фотореализме, плохо отображает читаемый текст и сложные пространственные отношения; лица и люди могут получаться некорректно, а декодирование изображений является lossy. Возможны усиление социальных предубеждений и генерация изображений, не соответствующих фактам. В README указана лицензия CreativeML Open RAIL++-M, а метаданные обозначают её как openrail++.

Карточка модели wanabmeya/Wan2.1_VAE 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.

Raxephion создал Serendipity V2 — дообученный чекпойнт Krea 2 Turbo для генерации изображений по текстовым описаниям. Модель ориентирована на кинематографичные композиции, в которых важны положение камеры, глубина пространства, взаимодействие нескольких персонажей и действие в окружении. По карточке модели, версия V2 улучшает передачу материалов, преломление света, отражения, локальное освещение, анатомию и мелкие детали. Она подходит для фотореалистичных и стилизованных сцен, включая раскадровки, концепт-арт, комиксы и динамичные эпизоды. Доступны варианты fp8, int8convrot и bf16; метаданные указывают библиотеку Diffusers и формат safetensors. Модель основана на Krea 2 Turbo: автор описывает обучение LoRA на вручную отобранных и размеченных фотографиях, после чего адаптер был объединён с базовым чекпойнтом. В метаданных базовая связь обозначена как finetune, поэтому происхождение классифицировано как дообучение. Для изображений по тексту в первую очередь рекомендуется использовать английские описания; лицензия — KREA 2 License Agreement, условия которой следует проверить перед использованием.

Latte-1 — предварительно обученная модель генерации видео по тексту из проекта Latte, разработанного авторами исследования Latte: Latent Diffusion Transformer for Video Generation. Она построена на латентной диффузии с трансформером и распространяется в формате Diffusers с весами Safetensors. Модель предназначена для создания видео по текстовым запросам; README также сообщает о поддержке генерации изображений по тексту. Latte-1 подходит для экспериментов и приложений, которым нужно создавать визуальные материалы из текстовых описаний. В карточке не приведены размер модели, длина контекста и перечень поддерживаемых естественных языков. Модель распространяется по лицензии Apache-2.0.

Это неофициальная версия весов LTX-Video 0.9.0 в формате Diffusers, размещённая пользователем a-r-r-o-w. Модель предназначена для генерации видео по текстовому описанию; в карточке также приведён сценарий генерации видео по изображению. Репозиторий использует библиотеку Diffusers и формат весов Safetensors. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или лицензию. Поскольку это неофициальная публикация, сведения о происхождении и условиях использования следует сверять с исходной моделью.

Wan-AI Wan2.1-T2V-1.3B-Diffusers — модель генерации видео по текстовому описанию из семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с пространственно-временным VAE; данный репозиторий содержит вариант на 1,3 млрд параметров в формате Diffusers и Safetensors. Модель предназначена для создания коротких видеороликов по текстовым запросам. В README указана генерация видео 480p и 720p; для 1,3B-варианта рекомендуется 480p, поскольку результаты при 720p менее стабильны. Заявлена поддержка создания видимого текста на английском и китайском языках. Для генерации 5-секундного видео 480p README приводит ориентир около 8,19 ГБ видеопамяти и примерно четырёх минут на RTX 4090 без оптимизаций. Модель подходит для творческих задач и прототипирования видеоконтента, в том числе на потребительских GPU. Лицензия — Apache-2.0. Дополнительное расширение текстового запроса может улучшать детализацию, но требует отдельной модели или внешнего сервиса; качество генерации на 720p менее стабильно, чем на 480p.

Wan2.1-T2V-14B-Diffusers — модель генерации видео по текстовому описанию из семейства Wan2.1, разработанного Wan-AI. Это вариант на 14 млрд параметров в формате Diffusers с весами Safetensors, построенный на архитектуре диффузионного трансформера и использующий пространственно-временной VAE. Модель предназначена для создания видеороликов по текстовым запросам. Она генерирует динамичные сцены и поддерживает разрешения 480p и 720p; в описании семейства заявлена генерация видимого текста на английском и китайском языках. В карточке также перечислены другие возможности Wan2.1, включая генерацию видео по изображению, редактирование видео и создание изображений, но эти возможности не следует считать задачами именно данного репозитория T2V. Для запуска требуется Diffusers-совместимая среда и значительные вычислительные ресурсы; в README описаны варианты распределённого запуска и снижения потребления видеопамяти. Лицензия — Apache-2.0.

AnyFlow-Wan2.1-T2V-1.3B-Diffusers — видеодиффузионная модель AnyFlow, разработанная авторами проекта AnyFlow и основанная на Wan2.1-T2V-1.3B-Diffusers. Это двунаправленная модель с 1,3 млрд параметров в формате Diffusers, дообученная методом дистилляции flow map для генерации видео по текстовым запросам. Она поддерживает выбор произвольного числа шагов вывода: модель рассчитана на качественную генерацию за несколько шагов, а увеличение числа шагов может улучшать результат. Модель предназначена для создания коротких видео по текстовому описанию; карточка указывает разрешение 480p для семейства AnyFlow. AnyFlow также поддерживает генерацию видео по изображению и преобразование видео в рамках других моделей семейства, но для этого чекпойнта README заявляет только задачу text-to-video. В карточке модели не приведены сведения о длительности роликов и поддерживаемых языках запросов. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Show-o2-1.5B — мультимодальная модель Show Lab Национального университета Сингапура и ByteDance. Она объединяет понимание и генерацию текста, изображений и видео: языковая часть предсказывает текстовые токены авторегрессионно, а отдельная часть использует flow matching для генерации изображений и видео. В основе визуальных представлений лежит пространство 3D causal VAE; архитектура использует языковую модель и пути пространственно-временного слияния признаков. Модель предназначена для мультимодальных задач, включая анализ входных данных и генерацию изображений, видео и смешанного контента. В README перечислены несколько вариантов Show-o2, в том числе версии 1.5B и 7B; в идентификаторе этой модели указан размер 1.5B. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Сведения о поддерживаемых языках и длине контекста в доступных данных отсутствуют.

Карточка модели DEAD002/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели tofan2/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

xilanhua12138/Wan2.1-T2V-1.3B-Reward — дообученная на базе Wan-AI/Wan2.1-T2V-1.3B диффузионная модель для генерации видео по текстовым запросам. В карточке приведены примеры генерации с разрешениями 384×672 и 480×832. Модель предназначена для создания коротких видеороликов по текстовому описанию. Она использует библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Поддерживаемый язык карточки — английский; лицензия — Apache-2.0.

Карточка модели rtgfreuui/CogVideoX-5b на Hugging Face совпадает с карточкой zai-org/CogVideoX-5b, поэтому описание составлено по ней. CogVideoX-5B — открытая модель генерации видео от команды QingYing, представленная организацией zai-org. Она создаёт видеоролики по текстовому описанию и предназначена для генерации сцен, визуальных концепций и коротких демонстрационных клипов. Репозиторий использует конвейер CogVideoXPipeline из библиотеки Diffusers и хранит веса в формате safetensors; модель относится к варианту семейства с 5 млрд параметров. Модель принимает запросы только на английском языке. Запросы на других языках можно предварительно переводить на английский с помощью большой языковой модели. Для снижения потребления видеопамяти README описывает выгрузку частей модели в память CPU, нарезку и тайлинг VAE, а также квантизацию модулей; квантизация может замедлить генерацию. Проверки оптимизаций памяти проводились на NVIDIA A100 и H100, поэтому требования и производительность на других устройствах могут отличаться. Лицензия указана как other, конкретные условия использования следует сверять с лицензией репозитория.

Raxephion/Krea2-Serendipity-V3 — дообученная текстово-графическая модель для генерации изображений по текстовым описаниям, созданная на основе Krea 2 Turbo. Автор дообучил LoRA на отобранных и размеченных вручную фотографиях, затем объединил её с базовой моделью. Модель распространяется в вариантах fp8, int8convrot и bf16. Serendipity V3 ориентирована на кинематографичные сцены и точное управление композицией: положением камеры и объектов, глубиной переднего, среднего и заднего планов, перспективой, освещением и взаимодействием персонажей. Подходит для раскадровок, кадров в стиле кино, комиксов, концепт-арта, динамичных сцен и многоплановых композиций. README также заявляет улучшенное следование композиционным инструкциям и генерацию NSFW-контента без дополнительных LoRA. Модель принимает текстовые запросы и выдаёт изображения. Лицензия — KREA 2 License Agreement; перед использованием необходимо соблюдать её условия. По заявлению автора, модель предназначена для общего NSFW-контента, но не для откровенной эротики; для более специализированного контента рекомендуется отдельная LoRA.

SLORA-LTX-TINY — модель генерации видео из текстовых описаний, опубликованная Muhammad Taqi. В карточке она представлена как компактная вариация SLORA-LTX, совместимая с пайплайном Lightricks/LTX-Video и библиотекой diffusers; веса доступны в формате safetensors. Автор также заявляет поддержку генерации видео по изображению, настройки числа кадров, разрешения и соотношения сторон. Модель предназначена для быстрого создания динамичных видеосцен по текстовому запросу, а также для сценариев image-to-video. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки. Репозиторий распространяется по лицензии MIT. Заявления о скорости и качестве приведены автором без количественных сравнений.

Карточка модели SwinliQ-AIs/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели wan-community/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

BAGEL — открытая мультимодальная модель ByteDance Seed с архитектурой Mixture-of-Transformer-Experts (MoT). В репозитории размещены веса версии с 7 млрд активных и 14 млрд общих параметров; в качестве основы использована Qwen/Qwen2.5-7B-Instruct. Модель обучалась на чередующихся текстовых, графических и видеоданных и использует отдельные энкодеры для визуальных признаков на уровне пикселей и семантики. BAGEL предназначена для мультимодального понимания и генерации: отвечает на вопросы по изображениям, создаёт изображения по текстовым описаниям, редактирует изображения по инструкциям, а также поддерживает генерацию будущих кадров, многоракурсный синтез и задачи навигации в визуальной среде. В README заявлены результаты, сопоставимые с ведущими открытыми моделями в тестах понимания изображений и генерации, однако эти заявления относятся к оценкам разработчика. Модель принимает текст, изображения и видео, а выдаёт текст и изображения. Карточка не сообщает о поддерживаемых естественных языках и длине контекста. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Для установки и использования разработчик направляет к отдельному репозиторию GitHub.

HunyuanVideo-1.5-Diffusers-480p_t2v_distilled — дистиллированная версия модели семейства HunyuanVideo 1.5 для генерации видео по текстовому описанию. Репозиторий распространяет веса в формате Diffusers и SafeTensors; README описывает использование масок внимания для последовательностей переменной длины и рекомендует эффективный attention backend для повышения производительности. Модель предназначена для создания видео 480p по текстовым запросам. Данных о размере модели, поддерживаемых языках и рекомендуемых сценариях использования в предоставленных материалах нет. Репозиторий помечен лицензией «other», поэтому конкретные условия использования следует сверять с файлами лицензии модели.

Lance — мультимодальная модель ByteDance Research, предназначенная для генерации и редактирования изображений и видео, а также для понимания визуального содержимого. Она объединяет эти задачи в одной системе и поддерживает текстовые запросы, входные изображения и видео. В README указаны задачи генерации изображений и видео по тексту, редактирования изображений и видео, а также ответы на вопросы и создание описаний по изображениям и видео. В карточке модель описана как система с 3 млрд активных параметров, обученная с нуля по многоэтапной схеме совместного обучения задачам. Базовая модель в метаданных указана как Qwen/Qwen2.5-VL-3B-Instruct, но README сообщает об обучении Lance с нуля. Контрольная точка доступна в формате safetensors. Для инференса требуется GPU с не менее чем 40 ГБ видеопамяти; в README описано обучение генерации изображений до 768×768 и видео до 480p при 12 кадрах в секунду. Lance представлена как исследовательский проект, а не готовый продукт: качество результатов может меняться в зависимости от запроса, разрешения, длительности, сложности движения и сценария редактирования. Лицензия — Apache-2.0.

Карточка модели showlab/show-o2-1.5B-HQ на Hugging Face совпадает с карточкой showlab/show-o2-1.5B, поэтому описание составлено по ней. Show-o2-1.5B — мультимодальная модель Show Lab Национального университета Сингапура и ByteDance. Она объединяет понимание и генерацию текста, изображений и видео: языковая часть предсказывает текстовые токены авторегрессионно, а отдельная часть использует flow matching для генерации изображений и видео. В основе визуальных представлений лежит пространство 3D causal VAE; архитектура использует языковую модель и пути пространственно-временного слияния признаков. Модель предназначена для мультимодальных задач, включая анализ входных данных и генерацию изображений, видео и смешанного контента. В README перечислены несколько вариантов Show-o2, в том числе версии 1.5B и 7B; в идентификаторе этой модели указан размер 1.5B. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Сведения о поддерживаемых языках и длине контекста в доступных данных отсутствуют.

Sulphur 2 — созданная сообществом модель генерации видео на основе LTX-2.3. Она предназначена для генерации видео по текстовому описанию и по изображению; автор также заявляет поддержку форматов LTX-2.3 и наличие отдельного улучшателя промптов, который может работать с текстом и изображением. Модель ориентирована на создание видео по пользовательским запросам. Для улучшения описаний предусмотрен prompt enhancer; автор рекомендует запускать его через LM Studio. В репозитории представлены варианты GGUF, включая BF16 и Q8_0, а также Safetensors. В README сказано, что официальный способ запуска модели ещё готовится, а инструкции и сведения о дообучении будут дополнены. Автор описывает Sulphur 2 как uncensored, но не приводит подробностей о фильтрации или ограничениях контента. README упоминает тестирование и слияние моделей участниками сообщества, тогда как метаданные классифицируют модель как дообучение Lightricks/LTX-2.3. Условия лицензии в предоставленных материалах не указаны.

Aiwithus/Sulphur-2-base-GGUF — набор файлов модели Sulphur-2-base от SulphurAI в формате GGUF, подготовленный для запуска с различными уровнями квантования. Модель использует архитектуру ltxv, содержит 21 млрд параметров и предназначена для задач генерации видео по текстовому описанию, что соответствует заявленному типу конвейера text-to-video. Репозиторий предоставляет варианты от BF16 размером 42 ГБ до компактных 3-битных сборок размером 10,3–11,1 ГБ. BF16 ориентирован на максимальное качество, Q8_0 и Q6_K обеспечивают качество, близкое к исходному, а Q5 и Q4 предлагают компромисс между качеством, скоростью и требованиями к памяти. Варианты Q3 предназначены для систем с наиболее жёсткими ограничениями по RAM или VRAM, но сопровождаются большей потерей качества. Сильной стороной модели является наличие широкого набора квантованных вариантов для оборудования с разными ресурсами; в README стандартным рекомендуемым вариантом назван Q4_K_M. Ограничения включают высокие требования к памяти даже у компактных сборок и возможное снижение качества при агрессивном квантовании. Сведения о поддерживаемых языках, размере контекста и лицензии в предоставленных данных отсутствуют.

TimeChat-Captioner-GRPO-7B — мультимодальная модель на 7 млрд параметров, дообученная на базе Qwen/Qwen2.5-Omni-7B. Она анализирует многосценовые видео и создаёт подробные, структурно связные описания с привязкой событий ко времени, согласуя визуальную и аудиоинформацию. Модель предназначена для автоматического составления временных субтитров и описаний видеоконтента. Для качественной разметки README рекомендует обрабатывать видео длительностью около минуты или разбивать более длинные ролики на отрезки примерно по 60 секунд. Модель опубликована в формате safetensors и рассчитана на работу через Transformers. Язык лицензии в доступных данных не указан, поэтому условия использования определить нельзя.