I.10Видео, анимация и 3D

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.

ATI (Any Trajectory Instruction) — модель ByteDance, созданная командой Intelligent Creation Team на основе Wan2.1. Она предназначена для генерации видео по изображению с управляемым движением: траектории задают перемещение объектов, отдельных областей и камеры. Для подготовки управления в комплекте есть интерактивный редактор, в котором можно рисовать и менять траектории, задавать панорамирование и эффекты приближения или удаления. Модель использует архитектуру image-to-video Wan2.1 I2V-14B-480P и распространяется в формате safetensors для Diffusers. ATI подойдёт для создания роликов с заданным направлением и скоростью движения, а также с контролем движения камеры. Базовая модель Wan2.1 I2V-14B-480P генерирует видео в разрешении 480p по исходному изображению и текстовому запросу. Репозиторий модели распространяется по лицензии Apache-2.0. README не описывает конкретные ограничения качества или поддерживаемую длительность видео.

LTX-2.5 — модель генерации видео и аудио с открытыми весами от Lightricks, предназначенная для локального запуска и дообучения. Этот репозиторий содержит разделённые компоненты семейства LTX-2.5 в формате safetensors; в README описаны трансформеры DiT на 22 млрд параметров, текстовый энкодер Gemma 4 12B и видео-декодер DiffVAE. Карточка указывает генерацию видео по изображению и тексту, а также работу с видео и аудио как входами и выходами. Модель рассчитана на создание синхронизированных видео и аудио, включая генерацию нескольких связанных кадровых сцен за один проход, сохранение идентичности персонажей и визуального стиля между сценами, а также управление движением и деталями через промпт. Среди сценариев — преобразование изображения в видео и создание клипов с заданными сценами, действиями и камерой. README описывает дистиллированный вариант для более быстрой генерации, усилитель промптов и необязательный предсказатель длительности. В README перечислены ограничения: модель не предназначена для предоставления фактической информации, может отражать общественные предубеждения, не всегда точно следует промпту и может создавать неподходящий или оскорбительный контент. Лицензирование регулируется LTX-2.x Community License: при годовой выручке организации до 10 млн долларов допускается коммерческое и производственное использование без оплаты, а для более крупных организаций требуется коммерческое соглашение; передача дообученных моделей может требовать отдельной лицензии.

Abiray/LTX-2.3-22B-DISTILLED-1.1-GGUF — это дистиллированная версия модели LTX-Video 2.3 (v1.1), разработанная Lightricks и представленная в репозитории Abiray в формате GGUF. Модель предназначена для генерации видео по текстовому описанию, изображениям и аудиовизуальным сценариям; в карточке указаны поддержка text-to-video, image-to-video и audio-to-video, а также нативная генерация аудио и видео. Модель построена на архитектуре DiT и содержит около 22 млрд параметров. GGUF-квантизация позволяет распределять вычисления между видеопамятью GPU и оперативной памятью CPU, что упрощает запуск на потребительском оборудовании. Доступны варианты от Q3_K_M размером 14,7 ГБ до Q8_0 размером 25,5 ГБ: более компактные версии требуют меньше памяти, но могут немного уступать в качестве, тогда как Q8_0 обеспечивает качество, близкое к неквантизированной модели. Язык модели в метаданных указан как английский. Для работы в ComfyUI требуется набор пользовательских узлов с поддержкой загрузки GGUF, например ComfyUI-GGUF. Основные ограничения — значительные требования к памяти из-за размера модели и возможное снижение визуального качества при использовании низких уровней квантизации. Модель распространяется по LTX-2 Community License Agreement от Lightricks.

Это производная дистиллированная версия LTX-2.3 от Lightricks, опубликованная в формате Diffusers и использующая веса Safetensors. Модель предназначена для генерации видео по изображению; семейство LTX-2.3 также поддерживает генерацию видео и синхронизированного аудио по тексту и мультимодальным входам. Дистилляция позволяет выполнять генерацию за 8 шагов при CFG = 1, ускоряя инференс ценой меньшей гибкости. Для работы требуется актуальная версия Diffusers с поддержкой LTX-2. В README также приведены сценарии генерации видео по первому и последнему кадрам и HDR-генерации с IC-LoRA. Размер кадра должен быть кратен 32, а число кадров — иметь вид 8k + 1. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

LTX-2.5 — семейство моделей генерации видео и аудио с открытыми весами от Lightricks. Эта карточка описывает набор компонентов в формате safetensors, включая диффузионный трансформер DiT размером 22 млрд параметров и текстовый энкодер Gemma 4 12B. Модель предназначена для локального запуска и дообучения; основные сценарии — создание видео по изображению и текстовому описанию, а также генерация связанных сцен с сохранением персонажей, окружения и визуального стиля. В README также заявлены работа со звуком и входным видео. Версия 2.5 поддерживает многокадровую генерацию сцен в одном проходе, улучшенное декодирование видео и опциональное расширение промпта и предсказание длительности ролика. Для локального запуска указаны Python не ниже 3.12, CUDA не ниже 12.7 и PyTorch примерно версии 2.7; некоторые INT8-компоненты предназначены только для ComfyUI. Модель не предназначена для предоставления фактической информации; точное соответствие промпту не гарантируется, а результаты могут отражать общественные предубеждения или содержать неприемлемый контент. По условиям README коммерческое и производственное использование бесплатно для организаций с годовой выручкой менее 10 млн долларов; для более крупных организаций требуется платное соглашение, а передача дообученных моделей может требовать отдельной лицензии.

BennyDaBall/LTX-2.5-22b-distilled-nvfp4-comfy-v2 — это квантованная версия модели LTX-2.5 от Lightricks, подготовленная сообществом BennyDaBall для работы в ComfyUI. Модель предназначена для генерации видео по текстовому описанию (text-to-video), преобразования изображения в видео (image-to-video), генерации видео между заданными первым и последним ключевыми кадрами, а также сценариев с аудио и видео. Модель основана на 22-миллиардной distilled-версии LTX-2.5 и использует формат квантования NVFP4. В репозитории указаны 7 877 тензоров, включая 1 176 квантованных слоёв; размер файла составляет около 18,7 ГБ. В версии V2 восстановлена поддержка позиционного embedding для ключевых кадров. Заявлена поддержка генерации видео с нативным аудио, однако сведения о языках, точном размере контекста и перечне поддерживаемых аудиоформатов не приведены. Модель проверена в ComfyUI 0.33 на RTX 5090: доступны сценарии text-to-video, image-to-video и first/last-frame-to-video. Среди сильных сторон — меньший размер по сравнению с указанной INT8-версией, поддержка ключевых кадров и готовность к загрузке через UNETLoader. Ограничения включают зависимость от совместимого оборудования и ComfyUI, а также возможные отличия результатов от других вариантов квантования. Модель распространяется по лицензии ltx-2.x-community-license; веса, масштабы и лицензионные метаданные базовой модели не изменялись.

Карточка модели chaitnya26/LTXV-fork на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели 999Ghost999/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели Alfa74/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели bykhan/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели caralhox/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели Cholo212/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели MayhemMark/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели Monoland/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели Resgard/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели Lightricks/LTX-Video-0.9.1 на Hugging Face совпадает с карточкой Lightricks/LTX-Video-0.9.5, поэтому описание составлено по ней. LTX-Video-0.9.5 — диффузионная модель генерации видео, разработанная Lightricks. Она создаёт видео по текстовому запросу, а также поддерживает сценарий image-to-video с текстом и исходным изображением. Модель построена на архитектуре Diffusion Transformer (DiT) и доступна для работы через Diffusers. Модель предназначена для генерации реалистичных и разнообразных видеосцен. В карточке семейства заявлена генерация видео с частотой 30 кадров в секунду и разрешением до 1216×704 быстрее реального времени; оптимальные рекомендации для разрешения и длины ролика зависят от версии и настроек. Запросы рекомендуется составлять на английском языке. Для разрешения подходят размеры, кратные 32, а число кадров — вида 8n+1; модели семейства лучше работают при разрешении ниже 720×1280 и числе кадров менее 257. Модель подходит для создания видеоматериалов по описанию сцены и анимации исходного изображения. Она может не точно следовать запросу, результат зависит от формулировки промпта, а модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Метаданные указывают лицензию «other»; README перечисляет отдельные лицензии версий семейства, но не раскрывает условия конкретно версии 0.9.5.

Карточка модели alituvalu/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 anlessparky/MiniMax-H3 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.

Карточка модели AnnaRa/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 Archfiendgaming/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 astonzhang/MiniMax-H3 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.

MiniMax H3 — мультимодальная генеративная система компании MiniMax. Открытая версия H3-Base принимает текстовые и мультимодальные контексты с изображениями, видео и аудио и генерирует видео с синхронизированным стереозвуком. В карточке Hugging Face представлены веса в формате Diffusers и Safetensors; архитектура H3-Omni-Transformer совместно предсказывает латенты видео и аудио, используя отдельные текстовый энкодер и визуальные и аудиовариационные автоэнкодеры. Модель предназначена для генерации видео по тексту, изображениям и мультимодальным референсам. Вариант FL2VA поддерживает генерацию по первому и последнему кадру, а Ref2VA — до девяти изображений, трёх видеоклипов и трёх аудиоклипов в заданных ограничениях. Длительность результата составляет 4–15 секунд; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K позволяет повысить его до 2K. Поддерживаются различные соотношения сторон. Для разбора сложных мультимодальных инструкций автор рекомендует H3-Context-IR, но этот предварительный hosted-сервис не входит в открытую версию; его можно вызывать через API или заменить собственной обработкой контекста. Открытая реализация использует полное внимание, а заявленная поддержка разреженного внимания пока не включена. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Карточка модели burningfeet/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 CosminDM/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 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.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входным данным. В репозитории представлены два специализированных чекпойнта H3-Base-FL2VA и H3-Base-Ref2VA; архитектура объединяет текстовый энкодер, визуальный и аудио VAE и Omni Transformer, который совместно предсказывает видео- и аудиолатенты. Модель принимает текст, изображения, видео и аудио, а генерирует видео и аудио. Длительность результата составляет 4–15 секунд; заявлены разрешения до 2K через дополнительный модуль H3-Regenerate-2K. H3-Base-FL2VA поддерживает генерацию по тексту, первому или последнему кадру, а также по паре начального и конечного кадров. H3-Base-Ref2VA позволяет использовать смешанные референсы: до девяти изображений, трёх видеоклипов и трёх аудиоклипов при общем лимите в 12 файлов. Репозиторий содержит веса в форматах Diffusers и Safetensors. Для сложных свободных мультимодальных запросов разработчик рекомендует H3-Context-IR, который разбирает и структурирует контекст, но этот компонент не входит в открытую поставку и доступен через размещённый сервис/API. Для открытого релиза указана лицензия other; её конкретные условия следует проверять в карточке модели.

Карточка модели hvcgvvgg7/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 Ismailsalman444/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 JNcharkey1/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.