I.10Видео, анимация и 3D

PromeAI FLUX.1-controlnet-lineart-promeai — модель ControlNet, разработанная PromeAI на базе black-forest-labs/FLUX.1-dev. Она предназначена для генерации изображений по текстовому описанию с управлением композицией и формами через входное изображение с линейным рисунком или lineart-условием. Модель интегрируется с библиотекой Diffusers и может использоваться через ComfyUI. Архитектурно это набор весов ControlNet для FLUX.1-dev. В README не указаны точный размер модели, поддерживаемые языки и максимальная длина контекста; по приведённому примеру модель работает с текстовыми промптами на английском языке. Для запуска рекомендуется использовать torch_dtype=torch.bfloat16, GPU и примерно 28 шагов генерации; пример рассчитан на видеопамять уровня A100 80 ГБ. Обучение проводилось на одной A100-80G на отобранном проприетарном наборе реальных изображений: сначала с разрешением 512 и batch size 3, затем с разрешением 1024 и batch size 1; checkpoint на 14 000 шагов обучался около трёх дней. Сильная сторона модели — возможность сохранять структуру и контуры исходного lineart-изображения при создании детализированной сцены по текстовому описанию. Ограничения включают возможное несоответствие результата промпту, зависимость качества от стиля формулировки запроса и усиление существующих социальных предубеждений. Модель не предназначена для предоставления фактической информации. Лицензия в README не указана.

Redshift Diffusion — дообученная модель Stable Diffusion от nitrosocke для генерации изображений в стиле высокодетализированных 3D-рендеров, напоминающих работы, созданные с рендерером Redshift. Для активации стиля в запрос рекомендуется добавлять токен «redshift style». Модель рассчитана на создание персонажей, автомобилей, пейзажей и других изображений по текстовому описанию; также в метаданных отмечена поддержка сценария image-to-image. Модель обучена методом DreamBooth на базе Diffusers с сохранением исходных знаний и дообучением текстового энкодера в течение 11 000 шагов. Она использует архитектуру Stable Diffusion и доступна в форматах Diffusers и PyTorch; карточка показывает примеры с разрешением 512×704 и 704×512. Для использования указана лицензия CreativeML Open RAIL-M. Результаты зависят от формулировки запроса и настроек генерации; примеры в карточке используют 20–40 шагов и CFG 7.

Samaritan 3D Cartoon — модель для генерации изображений по текстовому описанию, опубликованная под аккаунтом stablediffusionapi и предназначенная для использования через ModelsLab API. Карточка приводит примеры запросов с настройками промпта, негативного промпта, разрешения и числа шагов генерации. Модель ориентирована на создание изображений в стиле 3D-мультфильма. Метаданные указывают на pipeline StableDiffusionXLPipeline и форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML Open RAIL-M. В карточке нет сведений о числе параметров и поддерживаемых языках; пример API использует англоязычные промпты.

Shift — модель генерации изображений по текстовому описанию, созданная Yntec как слияние Redshift Diffusion, LiberteRedmond и Shiny3D Cartoon. Она основана на Stable Diffusion 1.5 и рассчитана на создание фотореалистичных изображений, стилизованных 3D-рендеров и мультяшных сцен. Примеры в карточке включают архитектуру, автомобили, персонажей и портретные сцены. Модель распространяется в формате Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. Качество и стиль результата зависят от текстового запроса; карточка не описывает отдельные ограничения модели или гарантии качества.

SLORA — модель генерации видео по текстовому описанию, разработанная Muhammad Taqi и представленная в формате Diffusers с весами safetensors. Автор описывает её как совместимую по синтаксису и настройкам с Wan-AI/Wan2.1-T2V-14B; модель предназначена для преобразования текстовых запросов в видеопоследовательности с плавным движением и согласованностью с запросом. Заявлена генерация в разрешениях 480p и 720p с использованием пространственно-временного VAE. В метаданных указана лицензия MIT. README не приводит независимых оценок качества или сведений о производительности.

Depth ControlNet для Stable Diffusion 3.5 Large от Stability AI позволяет создавать изображения по текстовому описанию, управляя композицией с помощью карты глубины. Модель применяется вместе с Stable Diffusion 3.5 Large: карту глубины для управления нужно подготовить заранее внешним инструментом или скриптом, поскольку сама модель эту предварительную обработку не выполняет. Репозиторий содержит веса в формате Safetensors; модель можно использовать в официальном репозитории SD 3.5 или через Diffusers. Авторы рекомендуют начинать с силы ControlNet 0,7 и отмечают хорошие результаты с сэмплером Euler и 50–60 шагами. Модель выпущена по Stability Community License; для коммерческого лицензирования Stability AI предлагает обратиться отдельно. Она не предназначена для достоверного изображения реальных людей или событий; генерация может включать вредный контент, поэтому при внедрении нужны меры безопасности.

Video-ORA-4B — мультимодальная модель OraRL для унифицированного понимания видео и изображений. Она построена на Qwen3.5-4B и дообучена методом OraRL (Annotations as Rollouts); архитектура — Qwen3_5ForConditionalGeneration, тип — dense, размер — 4 млрд параметров. Веса представлены в формате safetensors и BF16, лицензия — Apache-2.0. Модель предназначена для структурированного восприятия изображений и видео: временной привязки событий, визуального трекинга, сегментации изображений и видео, пространственной привязки, пространственно-временной локализации, ответов на вопросы по видео и пространственных рассуждений. Она принимает текстовые запросы и визуальные данные, включая видео, и выдаёт прямые ответы в форматах, заданных задачей, без декодирования цепочки рассуждений. Для запуска описаны варианты на vLLM и Transformers; README указывает параметр контекста 262144 токена для приведённой конфигурации vLLM. Модель рассчитана на исследования структурированного понимания изображений и видео, оценку на бенчмарках и адаптацию под конкретные задачи. Возможны некорректные структурированные ответы и галлюцинации визуальных деталей; качество и ограничения также зависят от базовой модели и обучающих данных. Модель не проверена для критически важных решений и высокорисковых сценариев; разработчик отдельно исключает применение для выводов об идентичности и развёртывания видеонаблюдения. Лицензия модели — Apache-2.0, а права и условия использования обучающих медиаданных определяются исходными лицензиями.

Это производная версия LingBot Video MoE 30B-A3B, подготовленная WaveCut для генерации видео по текстовому описанию. Диффузионный трансформер хранится в статически квантованном формате SDNQ UINT4; текстовый энкодер, токенизатор, планировщик и VAE оставлены в исходной точности. В карточке указано, что квантованы почти все параметры трансформера и рефайнера, включая тензоры экспертов MoE. Модель предназначена для создания видео по текстовым запросам и может использоваться с базовым трансформером или рефайнером. В опубликованных тестах на конкретной системе квантованный вариант снизил пиковое потребление видеопамяти базовой генерации примерно на 66%, но генерация шла медленнее, чем у исходной версии BF16. Это результаты одного тестового окружения, а не гарантия производительности на другом оборудовании. Квантование заметно меняет пиксели результата. В тестах отмечены ухудшение соответствия запросу и артефакты; пример с рефайнером также демонстрировал клиппинг цветов, присутствовавший и в исходной версии. Модель распространяется по лицензии Apache-2.0.

MiniMax-H3 FL2VA — MLX-Serve 4bit — это 4-битная квантованная версия чекпойнта MiniMax-H3 FL2VA, подготовленная ddalcu для запуска через mlx-serve на компьютерах Apple Silicon. Модель предназначена для генерации аудио и видео по текстовому описанию: DiT совместно обрабатывает видео и стереоаудио в одной упакованной последовательности. В комплект входят веса, два VAE и токенизатор, поэтому пакет является самодостаточным. Квантованию подвергнуты матричные веса DiT и текстового энкодера: используется 4-битное affine-квантование с размером группы 64. Таблицы эмбеддингов, отдельные fp32-компоненты, выходные головы, временной эмбеддер и оба VAE сохранены без уплотнения. Квантование уменьшает занимаемый объём, но не гарантирует ускорения, поскольку рабочая нагрузка ограничена вычислениями. Точные сведения о размере модели, поддерживаемых языках и максимальном контексте в README не указаны. В комплект включён Turbo LoRA — адаптер дистилляции на 4 шага от larryvrh, позволяющий сократить число шагов с обычных 16–30 до 4–8 и примерно вдвое ускорить сэмплирование. Это экспериментальный режим предварительного просмотра: возможны пластиковая текстура кожи, чрезмерная резкость и зернистость, а адаптер работает медленнее на каждом отдельном шаге и отключает step-caching. Основная модель распространяется по MiniMax H3 Community License Agreement; README указывает территориальные ограничения: использование, воспроизведение, изменение, распространение и демонстрация запрещены в Европейском союзе, Великобритании, Южной Корее и США. Turbo LoRA имеет лицензию Apache-2.0.

RCNZ Cartoon 3D v2 — модель Yntec для генерации изображений по текстовому описанию. Карточка демонстрирует мультяшный 3D-стиль, включая примеры персонажей и сцен с эстетикой анимационных фильмов.

Sa2VA-Qwen3-VL-4B-SAM3 — мультимодальная модель ByteDance для диалога и сегментации объектов по текстовому описанию на изображениях и видео. Она построена на Qwen3-VL-4B-Instruct и использует энкодер SAM3 с трекером PVS: модель предсказывает токен [SEG], скрытое состояние которого задаёт декодеру SAM3 условие для формирования маски объекта. Модель предназначена для сегментации по выражению на естественном языке, отслеживания описанного объекта в видео и генерации ответов в диалоге с визуальным заземлением. В README приведены результаты на наборах RefCOCO, RefCOCO+, RefCOCOg, MeViS, ReVOS и Ref-DAVIS17. Репозиторий содержит код SAM3 для заземления; для загрузки README рекомендует bfloat16, поскольку автоматический выбор смешанных типов данных может привести к ошибке. Модель использует архитектуру Sa2VA с Qwen3-VL-4B-Instruct и SAM3, распространяется в формате safetensors и имеет лицензию Apache-2.0. В метаданных указан тег image-text-to-text; поддержка видео для сегментации описана в README. Языки и длина контекста в доступных данных не приведены.

SAM3-LiteText-S1 — вариант SAM3-LiteText, разработанный Chengxi Zeng, Yuxuan Jiang, Ge Gao и соавторами для эффективной сегментации изображений и видео по текстовым запросам. Модель сохраняет визуальный энкодер SAM3 ViT-H, а тяжёлый текстовый энкодер заменяет на компактный MobileCLIP-S1, обученный методом дистилляции знаний. Текстовый энкодер содержит 63,53 млн параметров — примерно на 82% меньше, чем исходный энкодер SAM3. Модель предназначена для сегментации объектов, заданных текстом, и поддерживает интерфейс запросов SAM3, включая текстовые и рамочные подсказки. Она рассчитана на сценарии, где нужна сегментация с текстовым управлением при меньших затратах памяти на текстовый энкодер; авторы сообщают о сопоставимом с SAM3 качестве сегментации. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

VideoLISA-3.8B — модель для сегментации объектов в видео по текстовым инструкциям, представленная Zechen Bai и соавторами из Show Lab Национального университета Сингапура и Amazon. Работа описана на NeurIPS 2024 под названием «One Token to Seg Them All: Language Instructed Reasoning Segmentation in Videos». Модель основана на LLaVA-Phi-3-mini-4k-instruct и дообучена для языково-инструктируемой сегментации. Она содержит 3,7 млрд параметров, использует архитектуру LLaVA-Phi и принимает контекст до 4096 токенов. Предназначена для понимания текстовых запросов о содержимом видео и сегментации соответствующих объектов; в каталоге также отмечена поддержка генерации текста и чата. Модель принимает изображения и текстовые инструкции и выдаёт текст и маски сегментации. В карточке указана лицензия Apache-2.0. README не содержит дополнительных сведений о качестве, поддерживаемых языках или практических ограничениях; метаданные указывают английский язык.

MandarinMix — модель генерации изображений по текстовому описанию, созданная Hemlok. Это объединённая модель на базе Defacta3th, реализованная для Diffusers; карточка описывает варианты MandarinMix, MandarinMix V2 и MandarinMi-EX, причём для последнего указана дополнительная настройка с помощью собственной LoRA. Модель особенно хорошо подходит для создания фонов и эффектов, а также иллюстраций по текстовым запросам. В README рекомендованы DDIM или DPM++ SDE Karras, не менее 40 шагов, Clip Skip 2 и CFG Scale 5–8. Для доработки изображения указан диапазон denoise strength 0,4–0,6; VAE не обязателен, также рекомендуется EasyNegative. Репозиторий содержит файлы Diffusers, PyTorch и Safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M: разрешены перераспределение весов и коммерческое использование при соблюдении лицензионных ограничений, включая запрет на намеренное создание или распространение незаконного и вредоносного контента. Автор отдельно отмечает, что модель не предназначена для публикации NSFW-контента в общественных местах.

Norod78/sd2-cartoon-blip — модель генерации изображений на основе Stable Diffusion 2.0, дообученная автором Norod78 на изображениях из различных мультсериалов. Она принимает текстовый запрос и создаёт изображения в мультяшной стилистике. Обучение длилось 25 000 итераций на изображениях с подписями BLIP из набора Norod78/cartoon-blip-captions; модель использует StableDiffusionPipeline и доступна в форматах Diffusers, PyTorch и safetensors. Также в репозитории есть файлы checkpoint и YAML для использования с AUTOMATIC1111. Модель предназначена для генерации мультяшных изображений по текстовым описаниям. Она основана на stabilityai/stable-diffusion-2-base и распространяется по лицензии CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели или длине контекста.

facebook/timesformer-hr-finetuned-k600 — базовая модель TimeSformer, дообученная для классификации видео на 600 категорий набора Kinetics-600. Архитектура использует пространственно-временное внимание; модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для присвоения видеоролику одной из 600 меток Kinetics-600. Её можно применять для распознавания действий и событий в видео. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

MCG-NJU/videomae-small-finetuned-kinetics — компактная модель классификации видео на основе VideoMAE, разработанная командой MCG-NJU и дообученная на размеченном наборе Kinetics-400 после 1600 эпох предварительного самообучения. Она использует архитектуру Transformer, близкую к Vision Transformer: видео разбивается на пространственные патчи размером 16×16, а представление токена CLS используется для классификации. Модель содержит 28,3 млн параметров и присваивает видео одну из 400 меток Kinetics-400. Модель подходит для распознавания действий и других категорий, представленных в Kinetics-400, например для автоматической разметки видеоклипов и анализа видеоконтента. В описанной оценке она достигает точности top-1 79,0% и top-5 93,8% на тестовой выборке Kinetics-400. Карточка не приводит поддерживаемые языки, поскольку модель классифицирует видео, а не текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Bokeh 3.5 Medium — дообученная модель Tensor.Art на базе Stable Diffusion 3.5 Medium, предназначенная для генерации изображений по текстовым запросам. Модель продолжила обучение на тщательно отобранном высокоразрешающем наборе данных с оценкой эстетики; при обучении использовались короткие и подробные описания сцен. Она ориентирована на высокую детализацию, качество композиции и управляемость генерации. Модель подходит для создания иллюстраций, фотографий, 3D-рендеров и концепт-арта, а также для последующей настройки через LoRA. README рекомендует структурированные запросы длиной примерно 30–70 токенов и несколько форматов изображения, включая квадратные, альбомные и портретные. Для быстрой генерации за 8–10 шагов описана отдельная дистиллированная версия или LoRA; это не следует считать свойством данного чекпойнта без соответствующего компонента. Известные ограничения — возможные ошибки в анатомии людей, слабая фотореалистичность и неодинаковое эстетическое качество для отдельных концепций. Модель распространяется по Stability Community License.

MiniMax-H3-MLX-8bit — сборка диффузионного трансформера MiniMax H3, подготовленная для MLX и Apple Silicon. Репозиторий содержит только веса трансформера: текстовый энкодер Qwen3-VL-32B и видео- и аудиокодировщики загружаются из исходного релиза и используются через отдельный код конвейера. Базовая модель описана как мультимодальный генератор коротких видео со стереозвуком по тексту, изображениям, видео и аудио. Модель совместно генерирует синхронизированные видео и аудио, обрабатывая их латентные представления в одном последовательном потоке. Веса преобразованы в формат MLX и квантованы до 8 бит с размером группы 64; указанный объём параметров — 23,1 млрд. Автор README сообщает о близком к исходной bf16-сборке качестве в проведённых сравнениях. Квантование сокращает требования к размещению весов, но почти не ускоряет генерацию: плотное внимание остаётся вычислительным узким местом, а генерация может занимать значительное время. Сборка рассчитана на системы Apple Silicon с MLX и требует конвейера генерации, а также компонентов из исходного релиза. В README приведена лицензия как other; конкретные условия использования следует проверять у автора и в исходном репозитории MiniMax H3. Это производная версия: веса преобразованы и квантованы, поэтому они не являются оригинальными файлами MiniMax.

Mo Di Diffusion — дообученная на базе Stable Diffusion 1.5 модель генерации изображений в современном диснеевском анимационном стиле. Её разработал автор nitrosocke; для выраженного стиля в запрос рекомендуется включать фразу «modern disney style». Модель обучали методом DreamBooth с сохранением prior и дообучением текстового энкодера в течение 9 000 шагов на скриншотах анимационной студии. Модель предназначена для создания изображений персонажей видеоигр, животных, автомобилей и пейзажей по текстовым описаниям. Она использует конвейер Stable Diffusion и доступна в форматах Diffusers и PyTorch; пример в карточке генерирует изображение размером 512 × 512 или 512 × 768. Для запуска подходит библиотека Diffusers. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении модели.

SDXL 360 Diffusion — дообученная модель ProGamerGov на базе Stable Diffusion XL Base 1.0, предназначенная для генерации сферических панорам 360° по текстовому описанию. Веса содержат 3,5 млрд параметров; модель обучали на разнообразных равноугольных изображениях с пейзажами, интерьерами, людьми, животными и предметами, приведённых к разрешению 2048×1024. Для генерации панорамы в запрос рекомендуется включать фразу «equirectangular 360 view» или «360 panorama». Модель подходит для создания панорамных окружений, интерьеров и сцен с разными объектами; полученные изображения можно просматривать и редактировать инструментами для 360-медиа. Основное назначение — генерация изображений по тексту, а не видео. Как и другим моделям SDXL, ей могут потребоваться несколько попыток, чтобы получить желаемый результат. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

3D Cartoon Vision — модель генерации изображений по текстовому описанию, представленная пользователем Yntec. Карточка показывает примеры промптов для мультяшных и анимационных образов: персонажи с крупными глазами, принцесса в сказочном окружении, цыплёнок в стилистике Pixar и детализированные фантазийные сцены. Модель предназначена для создания стилизованных иллюстраций с трёхмерным мультяшным видом. В метаданных указаны библиотека Diffusers, формат safetensors и лицензия CreativeML OpenRAIL-M. Сведения о размере модели, базовой модели, поддерживаемых языках и длине контекста не приведены.

CIDAS/clipseg-rd16 — модель CLIPSeg с уменьшенной размерностью 16, представленная в работе «Image Segmentation Using Text and Image Prompts» Лүддеке и соавторов. Она предназначена для сегментации изображений по текстовым или визуальным подсказкам в режимах zero-shot и one-shot. Модель выделяет на изображении области, соответствующие запросу, и подходит для сценариев, где нужно задавать целевой объект без отдельного обучения на каждом классе. Модель решает задачу сегментации изображений и доступна в форматах PyTorch и Safetensors для Transformers. Лицензия — Apache-2.0. В карточке не заявлены специальные прикладные области или конкретные языки.

Mage-VL — мультимодальная модель для понимания изображений и видео, предназначенная для офлайн-анализа и потокового восприятия. Визуальный энкодер Mage-ViT обучен с нуля, а языковая часть основана на Qwen3-4B-Instruct-2507; компоненты соединены двухслойным MLP-проектором. Модель использует структуру видеокодеков: сохраняет все патчи опорных кадров и выбирает патчи предсказанных кадров по признакам движения и новых деталей. По заявлению авторов, это сокращает число визуальных токенов более чем на 75% и обеспечивает ускорение инференса до 3,5 раза относительно равномерной выборки кадров. Модель предназначена для ответов на вопросы по изображениям и видео, пространственного анализа, временной локализации событий и потоковых комментариев, которые запускаются при обнаружении значимых событий. Для потока предусмотрен отдельный когнитивный шлюз, который фильтрует рутинное содержимое. Карточка указывает архитектуру Mage-VL и формат Safetensors; размер визуального энкодера заявлен как 4B, языковая основа — Qwen3-4B. Основной README описывает checkpoint microsoft/Mage-VL, тогда как данный репозиторий называется xocialize/Mage-VL, поэтому точную связь этих репозиториев по карточке установить нельзя. Лицензия — Apache-2.0. README не сообщает поддерживаемые естественные языки или длину контекста.

MUG-V 10B — модель генерации видео по изображению, разработанная командой Shopee Multimodal Understanding and Generation. Репозиторий MUG-V-inference содержит веса и конвейер вывода для коммерческой версии, ориентированной на электронную торговлю. Генератор построен на диффузионном трансформере MUG-DiT примерно с 10 млрд параметров и обучен с использованием flow matching. Он принимает исходное изображение и создает ролик длительностью 3–5 секунд с разрешением до 720p; поддерживаются соотношения сторон 16:9, 4:3, 1:1, 3:4 и 9:16. В архитектуре используются VideoVAE для пространственно-временного сжатия и текстовые эмбеддинги для обусловливания генерации. Модель предназначена для создания коротких товарных и рекламных роликов по референсному изображению. Для инференса README указывает NVIDIA GPU с объемом видеопамяти не менее 24 ГБ и CUDA 12.1. Указана лицензия Apache-2.0. Представленные веса относятся к версии для электронной торговли; версия для общего домена в карточке обозначена как планируемая.

Roughness Painter — модель генерации изображений, опубликованная AIARTCHAN и предназначенная для ускорения создания концепт-арта и матт-пейнтинга персонажей. Она основана на Stable Diffusion и доступна для Diffusers в форматах PyTorch и SafeTensors; автор описывает её как результат слияния моделей. Модель создаёт изображения по текстовым описаниям и также подходит для преобразования изображений, например, для вариаций грубого эскиза. Модель ориентирована на быстрые наброски с выразительным силуэтом, объёмом и абстрактными деталями, которые затем можно доработать вручную. Автор рекомендует невысокие шаги и масштаб генерации, чтобы ускорить работу и облегчить ретушь; дополнительные LoRA и эмбеддинги не требуются. В README приведены настройки генерации, включая 10–20 шагов и CFG 4–9. Карточка не сообщает размер архитектуры, длину контекста или список поддерживаемых языков. Лицензия — CreativeML OpenRAIL-M; её условия и ограничения следует учитывать при использовании и распространении результатов.

Sa2VA-LLaVA-1.5-7B — мультимодальная модель диалога и сегментации изображений и видео из семейства Sa2VA, построенная на LLaVA-1.5-7B: визуальном энкодере CLIP-ViT-L-336 и языковой модели Vicuna-7B. Она использует энкодер SAM2 для привязки упоминаний объектов к пиксельным маскам: модель предсказывает токен [SEG], скрытое состояние которого подаётся декодеру масок SAM2. Модель предназначена для сегментации объектов по текстовому описанию на изображениях и видео, генерации ответов по визуальному содержимому и диалога с привязкой к объектам. В README приведены результаты на наборах RefCOCO, RefCOCO+, RefCOCOg, MeViS, ReVOS и Ref-DAVIS17. Разрешение входа для SAM2 grounding составляет 1024 пикселя. Модель принимает текст и изображения, а для видеосценариев — также видео; выдаёт текст и маски сегментации. Для загрузки требуется bfloat16; README указывает, что tokenizer используется вместо AutoProcessor. Лицензия — Apache-2.0.

ByteDance разработала Sa2VA-Qwen3-VL-4B — мультимодальную чат-модель семейства Sa2VA для понимания изображений и видео. Она отвечает на вопросы по визуальным данным, понимает визуальные подсказки и выполняет плотную сегментацию объектов с привязкой к изображению или видео. Модель объединяет языковую модель с возможностями SAM2 и предназначена для визуального поиска объектов, их сегментации и вопросов по содержимому сцен. В README семейство Sa2VA описано как конкурентоспособное с Qwen2.5-VL и InternVL3 на бенчмарках ответов на вопросы и сильное в задачах grounding и сегментации. Репозиторий использует архитектуру Sa2VAChatModelQwen и формат safetensors; метаданные указывают связь слияния с OpenGVLab/InternVL3-8B. Лицензия — Apache-2.0.

TencentARC/t2iadapter_zoedepth_sd15v1 — адаптер T2I-Adapter для Stable Diffusion 1.5, разработанный авторами работы «T2I-Adapter: Learning Adapters to Dig out More Controllable Ability for Text-to-Image Diffusion Models». Он добавляет управление генерацией по карте глубины, полученной методом ZoeDepth, и предназначен для использования вместе с базовой моделью runwayml/stable-diffusion-v1-5. Модель применяется в сценариях текстово-управляемой генерации изображений, когда нужно сохранить пространственную структуру сцены по карте глубины. Это адаптер на PyTorch для Diffusers; в карточке указаны английский язык и лицензия Apache 2.0. Для работы требуется совместимая базовая модель Stable Diffusion 1.5.

AIdeaLab VideoJP — модель генерации видео по текстовому описанию, разработанная Alfredplpl и Maty0505 в Японии и распространяемая AIdeaLab при поддержке GENIAC, NEDO и METI. Она предназначена для создания видео по запросам на японском и английском языках и рассчитана на творческие сценарии, включая подготовку материалов для иллюстраций, манги и аниме, а также исследовательские и образовательные проекты. Модель построена на архитектуре Rectified Flow Transformer на основе CogVideoX и использует библиотеку Diffusers; веса опубликованы в формате safetensors. Разработчики сообщают, что обучение преимущественно опиралось на изображения с полученными разрешениями, а модель снижает риск точного воспроизведения обучающих изображений. При этом в карточке указано ограничение: модель не умеет генерировать аниме. Лицензия — Apache-2.0; запрещено использовать модель для создания дезинформации.