I.10Видео, анимация и 3D

Карточка модели lin929/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 Lite01385/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, разработанная MiniMax. Она создаёт видео со стереозвуком по текстовым инструкциям и визуальным, видео- или аудиореференсам. В карточке представлены два чекпойнта: H3-Base-FL2VA для генерации по первому и последнему кадрам и H3-Base-Ref2VA для мультимодальных референсов. Модель объединяет текстовые и визуальные энкодеры, Visual VAE, Audio VAE и Omni Transformer, который совместно предсказывает видео- и аудиолатенты. H3-Base выдаёт видео в разрешении 768p продолжительностью 4–15 секунд; система также описывает модуль H3-Regenerate-2K для повторной генерации в разрешении до 2K. Поддерживаются разные соотношения сторон. Входные данные могут включать текст, изображения, видео и аудио. Система рассчитана на генерацию роликов по мультимодальным инструкциям и референсам. Для сложных входов рекомендована предварительная обработка через H3-Context-IR, однако этот хостируемый компонент не входит в открытый релиз. В открытой реализации доступен только полный режим внимания; sparse attention заявлен как будущая функция. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели nahxa/MiniMax-H3 на Hugging Face совпадает с карточкой Xdp99/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Представленная карточка описывает открытые чекпойнты H3-Base для генерации видео с синхронным стереозвуком по тексту и мультимодальным входам: изображениям, видео и аудио. Модель поддерживает клипы длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет повторно генерировать результат с разрешением до 2K. Архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в мультимодальную последовательность, обрабатываемую H3-Omni-Transformer. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Вариант FL2VA принимает ноль, одно или два изображения для генерации от текста, первого или последнего кадра либо от пары начального и конечного кадров. Вариант Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при ограничении до 12 файлов всего; аудио нельзя подавать без изображения или видео. Для работы со сложными свободными мультимодальными инструкциями разработчик рекомендует предварительную обработку через H3-Context-IR, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. Открытая версия поддерживает инференс с полным вниманием; разреженное внимание заявлено для будущего выпуска. Репозиторий использует Diffusers и safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

Карточка модели nyxtesla/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 puterijessica/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 QVQsdaa/MiniMax-H3 на Hugging Face совпадает с карточкой Xdp99/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Представленная карточка описывает открытые чекпойнты H3-Base для генерации видео с синхронным стереозвуком по тексту и мультимодальным входам: изображениям, видео и аудио. Модель поддерживает клипы длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет повторно генерировать результат с разрешением до 2K. Архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в мультимодальную последовательность, обрабатываемую H3-Omni-Transformer. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Вариант FL2VA принимает ноль, одно или два изображения для генерации от текста, первого или последнего кадра либо от пары начального и конечного кадров. Вариант Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при ограничении до 12 файлов всего; аудио нельзя подавать без изображения или видео. Для работы со сложными свободными мультимодальными инструкциями разработчик рекомендует предварительную обработку через H3-Context-IR, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. Открытая версия поддерживает инференс с полным вниманием; разреженное внимание заявлено для будущего выпуска. Репозиторий использует Diffusers и safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

Карточка модели saluca-labs/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 skySakir/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 vs4vijay/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 — генеративная мультимодальная система MiniMax для создания видеороликов со стереозвуком по тексту и другим мультимодальным входам. В открытом релизе представлены специализированные чекпойнты H3-Base: архитектура объединяет кодировщики текста и визуальных данных, Visual VAE, Audio VAE и H3-Omni-Transformer, который совместно предсказывает видео- и аудиопредставления. Для захвата пространственных и временных связей используется RoPE. Модель принимает текст, изображения, видео и аудио как контекст генерации. Режимы включают создание видео по тексту, по первому или последнему кадру, по паре начального и конечного кадров, а также по смешанным мультимодальным референсам. Ролики могут длиться 4–15 секунд; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K позволяет получить версию до 2K. Поддерживаются различные соотношения сторон и генерация синхронизированного стереозвука. Для обработки сложных свободных инструкций официальный сценарий предусматривает H3-Context-IR, но этот многоэтапный предварительный обработчик в открытый релиз не входит и предоставляется как размещённый сервис/API; его можно заменить собственной системой обработки контекста. Открытая версия использует полное внимание, а заявленная реализация разреженного внимания пока не включена. Репозиторий распространяется по лицензии other; конкретные условия следует проверять в лицензии проекта. Стандартные результаты H3-Base ограничены 768p, а получение 2K требует отдельного этапа регенерации.

Карточка модели Xxjbn/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Карточка модели zhanglangdawang/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.

MATLOWAI опубликовала MiniMax-H3 Fused Turbo (INT8 ConvRot) — объединённую и квантованную сборку генеративной модели MiniMax H3 для ComfyUI. Это один файл весов safetensors объёмом около 21 ГБ: в основу на базе MiniMax-H3-Pruned-Ref-Delta-Fused-r1024 слиты турбо-адаптер lightx2v FL2VA Turbo и адаптер Mystic для сглаживания движения, после чего ключевые линейные слои квантованы в INT8 с ConvRot; остальные веса сохранены в BF16/F32. Модель предназначена для создания видео по тексту, изображению и референсам, включая сценарии с первым и последним кадрами. В README заявлен рабочий режим в 4 шага и приведены результаты для роликов до 243 кадров и 10 секунд; базовая модель также описана как способная генерировать синхронизированное стерео. Файл рассчитан на загрузку через стандартный UNETLoader в ComfyUI, а управление памятью ComfyUI позволяет запускать графы и на картах с меньшей памятью, хотя медленнее. Это производная сборка с объединёнными адаптерами, поэтому нельзя отдельно менять их силу после загрузки. Лицензия указана как other; конкретные условия использования в карточке не уточнены. README сообщает, что некоторые настройки внимания влияют на качество звука и скорость, а сравнения производительности проводились на указанной в карточке конфигурации оборудования.

MiniMax H3 — мультимодальная генеративная модель общего назначения, разработанная MiniMaxAI. Репозиторий molbal/MiniMax-H3-GGUF содержит её квантованные варианты в формате GGUF и необходимые файлы компонентов, включая модели FL2VA для генерации по первому и последнему кадру и Ref2VA для работы с омни-референсами. Модель предназначена для text-to-video, image-to-video, image-text-to-video, video-to-video и мультимодальной генерации аудио-видео. Она понимает контексты, объединяющие текст, изображения, видео и аудио, и создаёт видео с синхронизированным стереозвуком. Поддерживаются сценарии без изображений, с одним или двумя изображениями, а также использование до 9 изображений, 3 видеофрагментов и 3 аудиофрагментов в режиме Ref2VA при ограничениях по длительности и общему числу файлов. Выходные ролики имеют длительность 4–15 секунд, частоту 24 FPS, звук 32 кГц в стерео и различные соотношения сторон; заявлена генерация до 2K с использованием H3-Regenerate-2K. Стабильно поддерживаются диалоги на 11 языках, включая русский, английский, китайский, японский, корейский, арабский и европейские языки. Доступны квантования Q4_0, Q8_0, Q8_CR и U16G размером примерно от 11,4 до 21,4 ГБ. Q4_0 экономичнее, Q8_0 обеспечивает высокое качество, а U16G ориентирован на комфортную работу на видеокартах с 16 ГБ VRAM. Q8_CR и U16G созданы для узлов ComfyUI-GGUF и, вероятно, несовместимы с другими средами. Модель распространяется по MiniMax H3 Community License Agreement; это пользовательское соглашение, поэтому условия коммерческого и иного использования следует проверять отдельно.

Это сообщественная W6A8-квантизованная гибридная версия MiniMax-H3, собранная из вариантов fl2va и ref2va для генерации видео в ComfyUI. Базой служит MiniMaxAI/MiniMax-H3; веса fl2va сохранены для блоков 0–24, а проекции AdaLN из ref2va перенесены в блоки 25–49. Переобучения и повторного квантования не проводилось. Файл формата safetensors занимает около 14,88 ГиБ; веса имеют 6-битное представление, активации — 8-битное. Модель предназначена для генерации видео по тексту и изображениям, с использованием ключевых кадров и референсов объектов, сцен или стиля. Гибридный вариант позволяет одновременно использовать ключевые кадры и референсы. Он рассчитан на загрузку штатным узлом Load Diffusion Model в ComfyUI и требует текстовый энкодер и видео- и аудио-VAE семейства H3. MiniMax-H3 также поддерживает генерацию стереозвука, однако в README этой сборки описаны прежде всего видеосценарии. По README, W6A8 занимает промежуточное положение между W4A8 и INT8 и снижает ошибку весов относительно 4-битного варианта. Нативное быстрое выполнение требует GPU с compute capability 8.0 или выше; на более старых GPU модель использует более медленный переносимый путь. Лицензия — Apache-2.0.

Карточка модели ibyteohdear/MiniMax-H3-LightX8-Fused-fl2v 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 damiang/minimax-h3-ref2va-runpod на Hugging Face совпадает с карточкой DeepDive404-2/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax и опубликованная в виде открытых чекпойнтов для создания видео со стереозвуком. Она принимает текстовые инструкции и, в зависимости от варианта, изображения, видеоклипы и аудиоклипы; модель совместно генерирует видео и аудио. Доступны режимы генерации по первому и последнему кадру, а также по мультимодальным референсам. Архитектура H3-Base объединяет кодировщики текста и визуальных данных, Visual VAE и Audio VAE с Omni Transformer; для пространственных и временных связей используется RoPE. Выходная длительность составляет 4–15 секунд, короткая сторона изображения по умолчанию — 768 пикселей; для получения разрешения до 2K предусмотрен отдельный этап H3-Regenerate-2K. Входные ограничения зависят от варианта: режим референсов поддерживает до 9 изображений, 3 видео и 3 аудиоклипов при соблюдении ограничений по длительности и общему числу файлов. Модель подходит для создания коротких роликов по тексту, кадрам и смешанным аудиовизуальным референсам. Открытый релиз не включает H3-Context-IR — размещённую в облаке систему предварительной обработки сложных мультимодальных инструкций; её функциональность можно воспроизводить через официальный API или собственную систему подготовки контекста. В релизе доступен только inference с full attention, а sparse attention заявлен для будущего обновления. Лицензия указана как other; конкретные условия следует сверять с карточкой модели.

Singularity-LTX-2.3_OmniCine_V1 — модель генерации видео от автора WarmBloodAban, основанная на LTX-Video 2.3 и ориентированная прежде всего на преобразование изображения в видео. Она также поддерживает генерацию видео по текстовому описанию, управление первым и последним кадрами и сценарий Reference-to-Video, при котором модель извлекает особенности персонажей и художественный стиль из референсного изображения и создаёт новые ракурсы и композиции. Модель предназначена для создания кинематографичных сцен с динамичным движением, управляемыми монтажными переходами и изменениями камеры, а также для анимации персонажей, экшен-сцен, спортивных эпизодов, киберпанка, превращений, магии и монстров. Заявлены улучшения анатомии конечностей, физической согласованности объектов и окружения, выразительности лиц и синхронизации губ во время речи. Модель рассчитана на широкий диапазон визуальных стилей, включая 2D-аниме, 3D CGI и гиперреализм. В README не указаны точный размер модели, детальная архитектура, максимальная длина контекста, перечень поддерживаемых языков и конкретные системные требования. Также заявлено, что обучение выполнено примерно на 100 000 шагов с учётом накопления градиента, поэтому характеристики и качество могут зависеть от сценария и настроек генерации. Распространение разрешено по лицензии Apache-2.0.

Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

Wan2.1 I2V-14B-720P — модель генерации видео из изображения из семейства Wan2.1, разработанного командой Wan-AI. Она принимает изображение и текстовый запрос и создаёт видео с разрешением до 720p; для выбора соотношения сторон используется формат исходного изображения. Модель построена на архитектуре diffusion transformer и использует пространственно-временной причинный 3D VAE Wan-VAE. Модель предназначена для анимации изображений, создания видеоклипов по референсному кадру и подготовки визуальных материалов для творческих и производственных сценариев. В README заявлена поддержка генерации китайского и английского текста внутри видео. Репозиторий содержит веса в формате Diffusers и safetensors; для запуска предусмотрена интеграция с Diffusers и режимы много-GPU-инференса. Указанная лицензия — Apache-2.0. Это крупная модель на 14 млрд параметров для генерации видео высокого разрешения. Для инференса требуется значительный объём вычислительных ресурсов; README описывает выгрузку модели и распределённый запуск, но не приводит точного минимального требования к памяти для этой версии. Заявления о качестве основаны на оценках разработчиков.

Карточка модели CAMOMAIL/Wan2.1-VACE-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-VACE-14B, поэтому описание составлено по ней. Wan2.1-VACE-14B — модель семейства Wan от Wan-AI для создания и редактирования видео. Она использует архитектуру diffusion transformer и предназначена для сценариев VACE, включая генерацию видео по изображению и работу с видеоматериалом. В карточке репозитория указаны поддержка режимов создания и редактирования видео, а также разрешения 480p и 720p; вход может иметь произвольное разрешение, но для оптимального результата рекомендуется держаться заданного диапазона размеров. Модель подходит для создания видеоклипов на основе изображения и для видеомонтажа с помощью VACE. Семейство Wan2.1 также поддерживает генерацию текста на китайском и английском языках внутри визуального контента, однако README не уточняет, относится ли эта возможность именно к варианту VACE-14B. Репозиторий распространяется под лицензией Apache-2.0.

Карточка модели steplei88vj/Wan2.1-VACE-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-VACE-14B, поэтому описание составлено по ней. Wan2.1-VACE-14B — модель семейства Wan от Wan-AI для создания и редактирования видео. Она использует архитектуру diffusion transformer и предназначена для сценариев VACE, включая генерацию видео по изображению и работу с видеоматериалом. В карточке репозитория указаны поддержка режимов создания и редактирования видео, а также разрешения 480p и 720p; вход может иметь произвольное разрешение, но для оптимального результата рекомендуется держаться заданного диапазона размеров. Модель подходит для создания видеоклипов на основе изображения и для видеомонтажа с помощью VACE. Семейство Wan2.1 также поддерживает генерацию текста на китайском и английском языках внутри визуального контента, однако README не уточняет, относится ли эта возможность именно к варианту VACE-14B. Репозиторий распространяется под лицензией Apache-2.0.

Wan2.1-VACE-14B-Diffusers — модель генерации и редактирования видео из открытого семейства Wan2.1, разработанного Wan-AI. Это вариант VACE на архитектуре diffusion transformer с пространственно-временным VAE; размер 14 млрд параметров следует из идентификатора модели. Репозиторий распространяет веса в формате Diffusers и safetensors. Модель предназначена для создания и редактирования видео с использованием изображений и текстовых подсказок. VACE поддерживает входные данные произвольного разрешения; для оптимального результата рекомендуются размеры в заданном диапазоне, а заявленные основные режимы работы используют разрешения 480p и 720p. Семейство Wan2.1 также описано как способное генерировать визуальный текст на китайском и английском языках. Модель рассчитана на сценарии генеративного видеопроизводства и творческого редактирования. README не приводит отдельных оценок качества для этого конкретного чекпойнта и не уточняет его требования к памяти. Лицензия — Apache-2.0.

Карточка модели fdk6566/wan2.2_14b_i2v_480p_lightning_nsfw_diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Карточка модели laoK888/wan2.2_14b_i2v_480p_lightning_nsfw_diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Runware/Wan2.2-TI2V-5B — модель генерации видео семейства Wan2.2, предназначенная для создания роликов по текстовому описанию и изображению. Карточка описывает вариант TI2V-5B с архитектурой диффузионной генерации видео и VAE с коэффициентом сжатия 16×16×4; метаданные указывают форматы Diffusers и Safetensors. Модель рассчитана на генерацию видео с разрешением до 720p и частотой 24 кадра в секунду. Она поддерживает управление визуальным стилем и создание сложного движения; запуск возможен на одной потребительской видеокарте, например RTX 4090, с подходящими настройками выгрузки модели. Материалы Wan2.2 упоминают многоязычные подсказки, а метаданные отмечают английский и китайский языки. Модель опубликована под лицензией Apache-2.0. Для генерации видео требуется значительный объём вычислительных ресурсов; фактическая скорость и доступное разрешение зависят от оборудования и настроек инференса.

Карточка модели Sumith0102/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Карточка модели Eypkrtl/Wan2.2-TI2V-5B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B-Diffusers, поэтому описание составлено по ней. Wan2.2-TI2V-5B-Diffusers — модель генерации видео семейства Wan2.2, разработанная командой Wan-AI. Она принимает текстовое описание и изображение для создания видео; карточка также указывает поддержку генерации только по тексту. Модель построена на Wan2.2-VAE с коэффициентом сжатия 16×16×4 и поддерживает разрешение до 720p при 24 кадрах в секунду. Модель предназначена для создания видеороликов по текстовым запросам и анимации изображений. В README отмечены улучшенная передача движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Веса доступны в формате Diffusers и Safetensors; заявлена возможность запуска на одной потребительской видеокарте уровня RTX 4090. Лицензия — Apache-2.0. В карточке репозитория не приведены отдельные сведения о числе параметров именно этого набора весов и длине контекста. Практические ограничения включают ограничение заявленного разрешения до 720p и частоты кадров до 24 FPS; качество и скорость генерации зависят от аппаратного обеспечения и настроек.

Карточка модели Arsh9210/AnyFlow-FAR-Wan2.1-1.3B-Diffusers на Hugging Face совпадает с карточкой nvidia/AnyFlow-FAR-Wan2.1-1.3B-Diffusers, поэтому описание составлено по ней. AnyFlow-FAR-Wan2.1-1.3B-Diffusers — причинная диффузионная модель для генерации видео, созданная авторами AnyFlow на основе Wan2.1-T2V-1.3B-Diffusers. Она формирует видео по текстовому запросу, изображению или исходному видео; в карточке Hugging Face основной задачей указана генерация видео по тексту. Модель распространяется в формате Diffusers с весами Safetensors и содержит 1,3 млрд параметров. AnyFlow использует дистилляцию карт потока с обучением на собственных траекториях и рассчитана на генерацию с произвольным числом шагов: можно выбирать бюджет вывода, получая качественную генерацию за несколько шагов и постепенное улучшение при увеличении их числа. В README заявлена работа с разрешением 480p и поддержка сценариев text-to-video, image-to-video и video-to-video. Модель предназначена для создания коротких видеороликов из текстовых описаний, изображений и видео. README не сообщает конкретные языковые ограничения; в метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и условиями проекта перед применением.