I.10Видео, анимация и 3D

Карточка модели Isi99999/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 Monoland/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 qingshuangyyds/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.

Chichu-Video-1.0 — компактная языковая модель Sebastianpro88 для генерации сценариев видеороликов. Она дообучена на базе Qwen2.5-0.5B-Instruct и предназначена для создания структурированных сценариев: описаний сцен для моделей text-to-video, диалогов персонажей, закадрового текста и звуковых подсказок. Модель имеет архитектуру Qwen2 dense с 494 млн параметров и работает через Transformers. Контекст составляет до 32 768 токенов. Карточка указывает английский язык; модель генерирует текст и сама не создаёт видео или аудио. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке репозитория.

GLUS-S — модель Lang Lin, Xueyang Yu, Ziqi Pang и Yu-Xiong Wang для сегментации объектов в видео по текстовым описаниям (RefVOS), в том числе в сложных сценах. Она объединяет глобальное понимание видео с анализом отдельных кадров и использует память по кадрам, контрастивное обучение объектов и выбор ключевых кадров для поддержания согласованности масок и локализации объекта. Модель обучена на наборах MeViS и Ref-YouTube-VOS. В README для GLUS-S приведены результаты 50,3 J&F на MeViS и 66,6 J&F на Ref-YouTube-VOS. Каталог указывает архитектуру семейства LLaVA, плотную модель с 6,6 млрд параметров и контекстом 2048 токенов; файлы представлены в формате PyTorch. Для практического запуска README описывает отдельную инфраструктуру проекта и предобученные веса LISA и SAM-2. Лицензия репозитория — Apache-2.0.

TheDivergentAI/ltx25-turbo-distill-lora — адаптер LoRA для базовой модели Lightricks/LTX-2.5, предназначенный для генерации видео по текстовому описанию. Это не официальный релиз Lightricks, а сторонняя дистиллированная версия, рассчитанная на применение поверх 22B dev-трансформера LTX-2.5 на пользовательском GPU. Адаптер использует distillation rank 450, дополнительно пониженный для уменьшения размера файлов, при этом сохраняет те же ключи и дельту B @ A. По заявленным параметрам генерация выполняется за 8 шагов при CFG 1. В примерах представлены различные соотношения сторон — от 1:1 до 21:9 — и кинематографичные сцены с людьми, животными, природой и предметами; также упоминаются циклы обработки аудио, однако подробные характеристики аудиомодальности не указаны. Адаптер ориентирован на более быструю генерацию видео при меньших требованиях к хранению и запуску по сравнению с полноразмерными компонентами. Его нельзя применять к уже дистиллированному checkpoint; README рекомендует использовать его именно с dev-моделью. Языки, максимальная длина контекста, точные требования к памяти и ограничения качества не указаны. Распространяется по LTX-2 Community License Agreement; ссылка на лицензию ведет в репозиторий Lightricks/LTX-2.

Карточка модели JSCreatorPro/offline-video-wan21-1.3b 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 Shriramnag/shiv-ai-wan-model 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.

VDC-Agent-7B — мультимодальная модель для создания подробных описаний видео, представленная вместе со статьёй ECCV 2026. Она дообучена на Qwen2.5-VL-7B-Instruct с использованием набора предпочтений VDC-Agent-19K, включающего около 19 тысяч пар для обучения подробному описанию видео. Модель принимает видео и формирует текстовые подписи, уделяя внимание деталям содержания. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и формат safetensors. Контекстное окно составляет 128 000 токенов. В метаданных указан английский язык. Лицензия — CC BY-SA 4.0.

Карточка модели portbreeze1223/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 VVVASUDEVAN/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 Isi99999/Wan2.1-T2V-14B 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.

Western Animation Diffusion — модель генерации изображений по текстовому описанию от Lykon. Она предназначена для создания изображений в стилистике западной анимации с помощью текстовых запросов. Модель доступна в форматах Diffusers и safetensors и использует библиотеку Diffusers; лицензия — CreativeML OpenRAIL-M.

Это преобразованная в формат Diffusers версия генератора chunk-wise Causal Forcing от thu-ml, опубликованная frankleeeee. Модель основана на Wan2.1-T2V-1.3B и предназначена для генерации видео по текстовым запросам; её можно запускать через SGLang diffusion runtime. Генератор использует блоково-каузальную дистилляцию диффузии: обрабатывает латентные кадры чанками по 3 кадра, применяет скользящее окно внимания на 21 латентный кадр и выполняет 4 шага денойзинга без CFG. Репозиторий содержит веса Diffusers в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на создание коротких видеосцен по текстовому описанию. В README приведён пример генерации ролика размером 832×480 из 81 кадра. Карточка не сообщает о поддержке других модальностей или языков помимо текстового ввода.

Это 4-битная версия весов LTX-2.3 22B Distilled, подготовленная gajesh для MLX и компьютеров Mac на Apple Silicon. Основа — совместный аудио-видео диффузионный трансформер Lightricks; README описывает запуск генерации видео по текстовому запросу. Модель рассчитана на системы с 32 ГБ оперативной памяти и более: трансформер занимает около 11 ГБ, общий размер модели — около 35 ГБ. Линейные слои трансформера квантизированы до 4 бит с размером группы 64, а VAE, текстовый энкодер, нормализации и эмбеддинги сохранены в полной точности. Для запуска используется библиотека MLX и DistilledPipeline; README приводит пример генерации ролика 576×1024 из 121 кадра.

Карточка модели apexsentrylabs-lang/Wan2.1-T2V-1.3B-Windows-Backup 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.

FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree — чекпойнт FastVideo для генерации синхронизированных видео и аудио по текстовому запросу. Это дообученная и дистиллированная версия MiniMaxAI/MiniMax-H3: четыре прохода трансформера позволяют получать результат за небольшое число шагов. Модель обучена с использованием DMD2 и VSA-H3; для работы требуется attention-бэкенд VSA-H3 проекта FastVideo. Чекпойнт предназначен для создания коротких аудиовизуальных роликов по текстовому описанию. По README, режимы FL2VA и Ref2VA не дистиллированы и этой версией не поддерживаются. Сложное движение, мелкие детали и часть аудио могут получаться хуже, чем у базовой MiniMax H3. Модель распространяется по лицензии MiniMax H3 Community License.

FastVideo-FastH3-8-Step-V2 — чекпойнт FastVideo для генерации синхронизированных видео и аудио по тексту. Он основан на MiniMax H3 и выдаёт результат за восемь проходов трансформера; версия соответствует шагу обучения 1300 и обучалась методом DMD2 вместе с VSA-H3 при разреженности 80%. Для работы требуется backend внимания VSA-H3 из FastVideo. Модель предназначена для быстрого создания аудиовизуальных роликов по текстовому описанию. Режимы FL2VA и Ref2VA не дистиллированы, поэтому карточка заявляет поддержку только генерации видео и аудио из текста. Сложное движение, мелкие детали и часть аудио могут получаться хуже, чем у базовой MiniMax H3. Модель распространяется по лицензии MiniMax H3 Community License.

ControlNet v1.1 Depth — модель управления диффузионной генерацией изображений, разработанная Lvmin Zhang и Maneesh Agrawala. Данный чекпойнт представляет собой конверсию оригинальной модели в формат diffusers и предназначен для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель принимает текстовое описание на английском языке и дополнительное условие в виде карты глубины, помогая сохранять пространственную структуру, геометрию и композицию исходного изображения при генерации или преобразовании изображения. Это делает её подходящей для управляемого text-to-image и image-to-image синтеза, реконструкции сцен и создания вариаций с заданной глубиной. Архитектурно ControlNet добавляет к предварительно обученной диффузионной модели специализированную нейросетевую ветвь для обработки условий; точный размер модели и максимальная длина контекста в README не указаны. Основное преимущество — более точный контроль над пространственным расположением объектов по сравнению с генерацией только по тексту. Для построения карты глубины из исходного изображения требуются внешние инструменты, например модуль depth estimation. Модель обучена для Stable Diffusion v1.5, поэтому совместимость с другими диффузионными моделями может быть ограниченной и не гарантируется. Лицензия — CreativeML OpenRAIL M.

Hotshot-XL — диффузионная модель генерации и изменения GIF по текстовым запросам, разработанная Natural Synthetics Inc. Она рассчитана на совместную работу со Stable Diffusion XL и позволяет использовать дообученные SDXL-модели, собственные LoRA и SDXL ControlNet для создания анимаций с заданными объектами и композицией. Модель обучена генерировать GIF длительностью около одной секунды с частотой 8 кадров в секунду и поддерживает разные соотношения сторон. В основе — Latent Diffusion Model с двумя фиксированными предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G и CLIP-ViT/L. Модель подходит для создания коротких анимированных сцен по описанию и персонализированных GIF с использованием SDXL-адаптеров. Лучше всего базовая версия работает с SDXL-моделями, дообученными на изображениях 512×512. Она может плохо передавать фотореализм, не умеет надёжно создавать читаемый текст и сложные пространственные композиции; лица и люди также могут получаться некорректно. Лицензия — CreativeML Open RAIL++-M.

OneThinker-SFT-Qwen3-8B — промежуточная модель контролируемого дообучения (SFT) для мультимодального рассуждения по изображениям и видео, представленная авторами работы OneThinker. Она основана на Qwen/Qwen3-VL-8B-Instruct и предназначена для последующего обучения с подкреплением; в карточке указана архитектура Qwen3-VL с 8 млрд параметров и формат весов safetensors. Модель объединяет ответы на вопросы об изображениях и видео, создание описаний, пространственную и временную привязку объектов, отслеживание и сегментацию. Для обучения использовались наборы OneThinker-600k и OneThinker-SFT-340k с разметкой цепочек рассуждений. Авторы сообщают о результатах на 31 бенчмарке по 10 задачам компьютерного зрения и о способности к обобщению на новые сценарии. Модель принимает изображения и видео вместе с текстовыми запросами и формирует текстовые ответы, а в задачах локализации, отслеживания и сегментации также структурированные визуальные результаты. Языки в доступных сведениях не обозначены. Лицензия — Apache-2.0. Поскольку это промежуточный SFT-чекпойнт перед RL-обучением, его качество может отличаться от итоговой версии OneThinker.

Redshift Diffusion 768, также называемая Future Diffusion, — модель генерации изображений nitrosocke, дообученная методом DreamBooth на базе Stable Diffusion 2.0. Она рассчитана на создание изображений с характерной стилистикой высококачественной 3D-графики; для её активации в запрос добавляют фразу «redshift style». Модель обучалась для разрешения 768×768 пикселей, а примеры показывают генерацию портретов, персонажей, автомобилей, животных и пейзажей. Она принимает текстовые запросы на английском и выдаёт изображения. Для обучения использовались prior-preservation loss и настройка текстового энкодера; в README приведены примеры с 20 шагами генерации. Модель распространяется по лицензии OpenRAIL++; конкретные ограничения лицензии следует учитывать при использовании.

RefControl FLUX.2 Klein 9B Reference Canny LoRA — адаптер LoRA, разработанный пользователем thedeoxen для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Это модель для image-to-image генерации и редактирования изображений, объединяющая референсное изображение с картой контуров Canny. Референс задаёт идентичность и стиль персонажа, человека или объекта, а карта Canny — форму, композицию и основные контуры. Для активации используется триггерное слово refcontrol. Модель прежде всего обучалась на людях, но также применима к стилизованным персонажам и некоторым объектам. Она предназначена для рестайлинга персонажей с сохранением внешности, поддержания согласованного дизайна в разных композициях, создания иллюстраций и раскадровок с управляемой компоновкой, а также преобразования объектов с сохранением деталей. Лучшие результаты достигаются, когда карта контуров имеет близкие к референсу пропорции и масштаб; текстовые подсказки можно использовать для уточнения фона, освещения и настроения. Адаптер рассчитан на FLUX.2 Klein 9B Base и рекомендуется использовать с ним примерно за 50 шагов при guidance_scale около 4.0. Также возможна работа с дистиллированной версией FLUX.2 Klein 9B примерно за 4 шага и при guidance_scale около 1.0, однако качество, особенно сохранение идентичности и точность контуров, может быть ниже. Рекомендуемый вес LoRA — 0.8–1.0. Для ComfyUI требуется CannyEdgePreprocessor из comfyui_controlnet_aux, если входное изображение ещё не является картой контуров. Лицензия — Apache 2.0.

SAM3-LiteText-L — вариант SAM3-LiteText, разработанный Chengxi Zeng и соавторами. Это модель сегментации изображений и видео по текстовым и другим поддерживаемым SAM3 запросам. Она сохраняет визуальный энкодер SAM3 ViT-H, а тяжёлый текстовый энкодер заменяет на MobileCLIP2-L, оптимизированный дистилляцией знаний. Текстовый энкодер содержит 123,80 млн параметров — примерно на 65% меньше, чем исходный энкодер SAM3; авторы сообщают о сопоставимом качестве сегментации при снижении статических затрат памяти. Модель предназначена для гибкой сегментации объектов по текстовому описанию и совместима с интерфейсом запросов SAM3. Доступны текстовые запросы, запросы рамками и пакетный инференс; для подробных примеров README направляет к документации SAM3. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Show-1-SR2 — модель повышения разрешения видео в составе каскадной системы генерации видео Show-1, разработанной Show Lab Национального университета Сингапура. Это диффузионная модель, дообученная на WebVid-10M: она принимает видео размером 256×160 пикселей и увеличивает его до 576×320. Модель предназначена для второго этапа генерации видео по текстовому запросу, обеспечивая более высокое визуальное качество при сохранении соответствия исходного видео запросу. Модель дообучена на основе cerspense/zeroscope_v2_576w с использованием шагов диффузии 0–900. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Video-ORA-9B — мультимодальная модель OraRL на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B методом OraRL (Annotations as Rollouts). Она предназначена для унифицированного анализа изображений и видео и выдаёт структурированные ответы для семи групп задач: временной привязки событий, визуального отслеживания объектов, сегментации изображений и видео, пространственной привязки, пространственно-временной привязки, ответов на вопросы по видео и пространственного анализа. Модель построена на архитектуре Qwen3_5ForConditionalGeneration, использует веса BF16 и принимает визуальные данные вместе с текстовыми запросами. Для запуска README приводит конфигурацию vLLM с длиной контекста до 262144 токенов; это значение относится к описанной конфигурации обслуживания. Модель рассчитана на исследовательские эксперименты, оценивание на бенчмарках и адаптацию под конкретные задачи восприятия изображений и видео. По заявлению авторов, она охватывает все семь групп задач и отвечает без декодирования цепочки рассуждений. Веса распространяются под лицензией Apache-2.0, при этом лицензии обучающих и оценочных наборов остаются отдельными. Это исследовательский чекпойнт: ответы могут иметь некорректный формат и содержать вымышленные визуальные детали; также возможны ограничения и смещения базовой модели и обучающих данных. Модель не валидирована для критически важных решений; авторы исключают из предполагаемого применения выводы об идентичности и использование для наблюдения.

ASID-Captioner-3B — мультимодальная модель для подробного описания видео, разработанная AudioVisual-Caption и дообученная на основе Qwen2.5-Omni-3B. Она анализирует видеокадры и, если доступна, звуковую дорожку, чтобы создавать связные подписи с деталями о сцене, персонажах, объектах, действиях, повествовании, речи, работе камеры и эмоциях. Модель поддерживает инструкции, нацеленные на отдельные атрибуты, например описание только речи или камеры, а также общий подробный запрос. Для обучения использован набор ASID-1M со структурированной и проверенной разметкой. Модель построена на плотной архитектуре Qwen2.5-Omni, распространяется в формате safetensors и рассчитана на работу через Transformers. В метаданных основной язык указан как английский. Репозиторий распространяется по лицензии Apache-2.0. Качество описаний зависит от полноты видео и корректной передачи аудио: в некоторых окружениях без обработки мультимодальных данных видео или звук могут учитываться неправильно.

FastVideo-FastH3-8-Step-V2-ComfyUI-GGUF — это GGUF-квантизованные версии чекпойнта FastVideo-FastH3-8-Step-V2, подготовленные VantageWithAI для использования в ComfyUI. Базовая модель — MiniMaxAI/MiniMax-H3, разработчик исходного чекпойнта — проект FastVideo. Модель предназначена для генерации синхронизированных видео и аудио по текстовому описанию. Модель использует трансформерную архитектуру и генерирует результат за восемь прямых проходов трансформера. Чекпойнт на шаге обучения 1300 был оптимизирован с использованием методов DMD2 и VSA-H3 при разреженности 80%, что ориентировано на ускорение генерации. Для работы требуется backend внимания VSA-H3; параметр video scheduler shift должен быть установлен в 10 вместо 12 у базовой модели. Поддержка FL2VA и Ref2VA в этой дистиллированной версии отсутствует, сведения о языках и размере модели в карточке не указаны. Сильными сторонами модели являются малое число шагов генерации и поддержка текстовой генерации сразу двух модальностей — видео и аудио. По сравнению с базовой MiniMax H3 возможны ухудшения в сложной динамике, детализации и отдельных элементах аудио. Модель распространяется по лицензии MiniMax H3 Community License; применимые условия следует уточнять в файле LICENSE.

digiplay/Landscape_PhotoReal_v1 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, представленная в формате Diffusers и весах safetensors. Примеры в карточке ориентированы на фотореалистичные пейзажи, фантастические виды с руинами и современные интерьеры; среди подсказок есть широкие планы и фон для видеовстреч. Модель подходит для создания пейзажных изображений и фотореалистичных интерьерных сцен по текстовым промптам. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или подробности обучения. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

AutoT2VPrompt — дообученная на наборе VidProM модель Wenhao Wang на базе Mistral-7B-v0.1. Она принимает текстовые запросы и генерирует варианты промптов для систем преобразования текста в видео: за один запуск можно получить десять вариантов и выбрать подходящий. Модель использует архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; в репозитории представлены веса Safetensors. В карточке указан английский язык. Для запуска README показывает использование Transformers и требует GPU для приведённой конфигурации. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Результат модели — текстовые промпты; она сама не генерирует видео.