I.10Видео, анимация и 3D

Модель city96/llava-llama-3-8b-v1_1-imat-gguf представляет собой GGUF-конверсию с imatrix базовой модели xtuner/llava-llama-3-8b-v1_1-transformers. Её подготовил пользователь city96. Основное назначение модели — использование в качестве текстового энкодера для Hunyuan Video; также возможна работа с задачами компьютерного зрения при подключении совместимого файла mmproj из GGUF-репозитория xtuner. Модель относится к семейству LLaVA на базе Llama 3 с размером 8B и поддерживает сценарий image-text-to-text при использовании соответствующего мультимодального проектора. Доступна в формате GGUF с imatrix-квантизацией. Для калибровки использован набор calibration_datav3.txt; заявлено, что варианты с imatrix превосходят проверки на wikitext и без imatrix для квантов ниже Q6_K. В README также отмечено различие vocab_size между версиями Transformers и HF; использована конфигурация Transformers, применявшаяся в официальном коде Hunyuan Video. Ограничения модели включают необходимость совместимого mmproj-файла для полноценных vision-задач и низкую скорость IQ-квантов в ComfyUI из-за использования резервной реализации на numpy. Сведения о лицензии, поддерживаемых языках, размере контекста и точной архитектуре в README не указаны.

Malware_Dream_v2 — аниме-модель генерации изображений по текстовому описанию, созданная Duskfallcrew методом DreamBooth на базе Stable Diffusion и распространяемая в формате Diffusers/PyTorch. Она предназначена для создания стилизованных аниме-изображений по текстовым запросам. Модель опубликована под лицензией CreativeML OpenRAIL-M. В карточке упоминаются обучающие наборы bad_prompt и EasyNegative. Размер модели и длина контекста не указаны в доступных данных.

Eugeoter/noob-sdxl-controlnet-tile — модель для генерации изображений по текстовому описанию с использованием библиотеки Diffusers и ControlNet. Она основана на Laxhar/sdxl_noob и предназначена для сценариев text-to-image, где ControlNet помогает управлять структурой и детализацией изображения с использованием tile-контроля. Модель относится к семейству Stable Diffusion XL и поддерживает английский язык. README не содержит сведений о точном размере модели, архитектурных деталях ControlNet, максимальной длине контекста, дополнительных модальностях, сильных сторонах или ограничениях качества. Модель распространяется по лицензии Fair AI Public License 1.0 SD; подробные условия доступны по указанной в карточке ссылке. Реализация выполнена при спонсорской поддержке Neko Kazama.

Bakanayatsu/ponyDiffusion-V6-XL-Turbo-DPO — модель преобразования текста в изображение, опубликованная в формате Diffusers. Это версия Pony Diffusion V6 XL Turbo DPO, адаптированная для использования с экосистемой Diffusers и StableDiffusionXLPipeline. Модель распространяется в формате Safetensors и предназначена для генерации изображений по текстовым описаниям.

city96/Qwen-Image-gguf — это прямое преобразование модели Qwen-Image в формат GGUF, выполненное city96. Исходная модель разработана командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и использования в пайплайне text-to-image, в частности через ComfyUI с пользовательским узлом ComfyUI-GGUF. В состав рабочего решения входят диффузионная модель Qwen-Image в формате GGUF, текстовый энкодер Qwen2.5-VL-7B и VAE Qwen-Image. Заявлены английский и китайский языки. README не сообщает размер контекста, точную архитектуру исходной диффузионной модели или перечень поддерживаемых модальностей за пределами текстовой генерации изображений. Ключевое преимущество — доступность квантованных вариантов, включая Q5_K_M, Q4_K_M, Q3_K_M, Q3_K_S и Q2_K, что может снизить требования к памяти. Для низкобитных вариантов используется динамическая схема квантования с сохранением первого и последнего слоя в высокой точности; по заявлению автора, благодаря этому даже Q2_K остаётся пригодным к использованию. К ограничениям относятся необходимость отдельно подключать совместимые текстовый энкодер и VAE, а также возможное ухудшение качества при низкой разрядности. Это квантованная версия без дообучения, поэтому на неё распространяются ограничения и условия исходной модели. Указана лицензия Apache-2.0.

RunDiffusion-XL-Beta — модель генерации изображений по текстовому описанию, выпущенная RunDiffusion.com как одна из ранних моделей, дообученных на базе Stable Diffusion XL. Авторы описывают её как чистую базу, подходящую для дальнейшего обучения. Репозиторий содержит модель в форматах Diffusers и Safetensors. Модель предназначена для создания изображений по текстовым запросам и может служить отправной точкой для обучения специализированных генераторов. Лицензия CreativeML Open RAIL-M с дополнительными условиями RunDiffusion требует указания авторства и ссылки на лицензию; производные работы должны распространяться на тех же условиях. Коммерческое использование допускается при соблюдении этих условий.

SoteMix V3 — модель генерации изображений по текстовому описанию в семействе Stable Diffusion, опубликованная автором Disty0. Она предназначена для создания иллюстраций в художественном и аниме-стиле; в карточке приведены настройки генерации и рекомендации для высоких разрешений, включая 1024×1536. Модель проверена с SD.Next и бэкендом Diffusers. По описанию автора, это объединение SoteMix V1, Lunar Radiance Light и дообученной LoRA для генерации изображений высокого разрешения. В качестве подсказки для такого режима автор рекомендует слово highres. При разрешениях 1024×1536 и 1920×1080 результаты могут быть нестабильными. Репозиторий содержит варианты Diffusers, ONNX и OpenVINO. Лицензия — CreativeML OpenRAIL-M.

Guizmus/SouthParkStyle — модель генерации изображений в стиле мультсериала «Южный парк», созданная дообучением RunwayML Stable Diffusion 1.5 с обновлённым VAE. Она предназначена для генерации изображений по текстовым запросам; стиль вызывается токеном SouthPark Style, а также доработаны токены Rick Roll и FullBody Shot. Обучение выполнено на 99 изображениях с помощью EveryDream. Модель использует архитектуру Stable Diffusion и доступна в форматах Diffusers, PyTorch и safetensors; README также указывает на CKPT-файлы. Лицензия — CreativeML OpenRAIL-M. В карточке заявлена поддержка английского языка. Модель ориентирована на стилизованные изображения персонажей и сцен, но качество и соответствие запросу могут зависеть от формулировки промпта и ограниченного обучающего набора.

zuleo разработал spop — дообученную модель Stable Diffusion 1.5 для генерации изображений в стиле мультсериала «Ши-Ра и непобедимые принцессы» от DreamWorks. Модель передаёт художественный стиль сериала, а не предназначена для воспроизведения его отдельных персонажей. Модель создаёт изображения по текстовым описаниям и поддерживает четыре направления: персонажи и люди, космос, леса и пейзажи. Для подсказок используются специальные токены dwspop style, dwspop space, dwspop forest и dwspop landscape. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; заявлена лицензия CreativeML OpenRAIL-M. Модель подходит для создания иллюстраций и сцен в узнаваемой мультяшной эстетике, а также для преобразования изображений через img2img. Результаты зависят от формулировки запроса и настроек генерации; README рекомендует подбирать sampler, число шагов и CFG scale.

These Foolish Things — модель преобразования текста в изображение от Yntec, созданная слиянием RPG Remix и BeautyFoolReality_4. Она предназначена для генерации изображений по текстовым запросам, включая фэнтезийные сцены, персонажей и стилизованные или реалистичные портреты. В карточке показаны примеры запросов для мозаичного искусства, сказочных сюжетов и кинематографичных изображений. Модель основана на Stable Diffusion 1.5 и распространяется в формате Diffusers с весами Safetensors. Автор описывает рецепт слияния весов и встраивания 840KVAE, после чего модель была преобразована в вариант без EMA для использования в Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает длину контекста или список поддерживаемых языков; качество результата зависит от формулировки запроса и настроек генерации.

Wonder — объединённая модель Yntec для генерации изображений по текстовым описаниям. Она смешивает Wonderland и DisneyPixarCartoonTypeB: автор сообщает, что сочетание призвано улучшить композицию изображений Wonderland и глаза персонажей DisneyPixarCartoonTypeB. Модель распространяется в формате Diffusers с весами Safetensors и использует Stable Diffusion Pipeline. Wonder подходит для создания мультяшных и сказочных иллюстраций, портретов персонажей и сцен в духе Disney и Pixar. В карточке приведены примеры с праздничными сценами, фэнтези-персонажами и животными; также показаны реалистичные стили, поэтому результат зависит от текстового запроса. Карточка не сообщает размер модели, контекст или отдельные ограничения качества. Лицензия — CreativeML OpenRAIL-M.

syaimu/7th_test — модель генерации изображений по текстовому описанию в формате Diffusers/PyTorch. В README приведены рекомендуемые параметры генерации: CFG Scale около 7 с допустимым отклонением ±5, sampler DPM++ 2M Karras и 25 шагов. Также указан пример negative prompt для снижения вероятности низкого качества и монохромного изображения. Модель предназначена для создания изображений по текстовым промптам. README советует не перегружать negative prompt. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты.

Animagine XL — разработанная Linaqruf модель генерации изображений по тексту, дообученная на Stable Diffusion XL 1.0 на тщательно отобранном наборе изображений в стиле аниме. Это латентная диффузионная модель для создания и изменения изображений по текстовым запросам; она поддерживает теги Danbooru и рассчитана на высокое разрешение, включая изображения 1024×1024 и разные соотношения сторон. Модель подходит для создания персонажей, иллюстраций и сцен в аниме-стилистике через Diffusers, Stable Diffusion WebUI или ComfyUI. Для получения ожидаемого стиля README рекомендует использовать теги Danbooru вместо обычных описаний на естественном языке. Модель распространяется в формате safetensors и доступна по лицензии CreativeML Open RAIL++-M. Модель наследует ограничения Stable Diffusion XL 1.0; README не уточняет их подробнее.

bigASP V2.5 — экспериментальная модель генерации изображений по тексту из семейства bigASP, созданная автором проекта как промежуточный этап перед V3. Это крупномасштабное дообучение Stable Diffusion XL Base 1.0 на 13 млн изображений с использованием 150 млн обучающих примеров; в датасет добавили, среди прочего, аниме. Для обучения применён Rectified Flow Matching вместо исходной цели обучения SDXL. Модель рассчитана на генерацию изображений, включая фотореалистичные сцены, и может запускаться через ComfyUI с примером workflow из карточки. По оценке автора, модель стала надёжнее предыдущей версии, лучше справляется со структурой изображений и освещением, а также несколько лучше передаёт лица и руки при подходящих настройках. При этом генерации остаются непредсказуемыми: модель часто создаёт слабые изображения, плохо работает с аниме и рисунками, может выдавать лишние конечности и артефакты, а повышенная контрастность и компромисс между структурой и детализацией требуют подбора настроек и промптов. Лицензия в предоставленных сведениях не описана.

BiliSakura публикует конвертированную в Diffusers версию BitDance-14B-64x с пользовательским конвейером BitDanceDiffusionPipeline. Модель предназначена для генерации изображений по текстовым запросам; параллельный коэффициент предсказания составляет 64, а текстовая часть использует Qwen3ForCausalLM и Qwen2TokenizerFast. Поддерживаются разные соотношения сторон и разрешения, включая 1024×1024, 1280×768, 768×1280 и 2048×512. Репозиторий распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Основанная модель BitDance описана как мультимодальная модель на 14 млрд параметров для создания изображений высокого разрешения; размер и длина контекста именно этой конверсии не приводятся.

Blade Runner 2049 v1 — модель генерации изображений по тексту, созданная wimvanhenden методом DreamBooth на базе Stable Diffusion v1.5. Она предназначена для создания изображений в стилистике Blade Runner 2049; в запросе рекомендуется использовать префикс bldrnrst. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не описывает дополнительные возможности, ограничения генерации или настройки обучения.

CHAI_SFT_model_8b — дообученная на наборе all_sft_formats_unbalanced_20251122_part_1 мультимодальная модель семейства Qwen3-VL, разработанная для исследований точного описания видео с человеческим контролем. Она принимает видео и текстовые запросы и формирует текстовые ответы; заявленные сценарии включают описание содержания и кинематографических особенностей видео, генерацию критики для задач понимания видео и бинарную оценку согласованности. Модель основана на Qwen/Qwen3-VL-8B-Instruct и использует архитектуру Qwen3VLForConditionalGeneration; репозиторий содержит веса safetensors и предназначен для Transformers. Лицензия — Apache-2.0. Карточка ориентирует модель на исследовательскую работу, но не приводит результатов оценки или подробностей обучающих данных, поэтому качество и границы применимости заявленных возможностей не установлены.

CharHelper — модель генерации изображений в стиле цифровой живописи, разработанная ManglerFTW для поиска идей при создании персонажей и портретов. Она основана на Stable Diffusion 2.1 и обучалась на изображениях размером 768 × 768. Версия V4 объединяет CharHelper V3 с новой обученной моделью; прежние ключевые слова CharHelper V3 продолжают работать. Модель предназначена для генерации персонажей, в том числе пришельцев и зомби, а также изображений птиц, маяков, макросъёмки и объектов в милом стиле. Стили и ключевые слова можно комбинировать. В README рекомендуются настройки CFG 7–15 и разрешение от 756 × 756 пикселей. Для использования в каталоге модели требуется добавить файл YAML; для VAE рекомендуется режим Auto, поскольку VAE от SD 1.5 может давать менее качественные результаты. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Diving Illustrious Flat Anime Paradigm Shift v20VAE SDXL — модель генерации изображений по текстовому описанию, созданная пользователем DivingSuit. Модель предназначена для сценариев text-to-image, связанных с созданием аниме- и стилизованных изображений, включая flat anime, flat coloring и реалистичные визуальные решения. Модель разработана для библиотеки Diffusers и относится к семейству Stable Diffusion XL. В качестве базовой модели указана OnomaAIResearch/Illustrious-xl-early-release-v0. В README также заявлена поддержка английского языка. Сведения о точном количестве параметров, максимальном контексте, используемой VAE-конфигурации, дополнительных обучающих данных и рекомендуемых настройках генерации не приведены. К сильным сторонам модели относятся специализация на аниме-стилистике и плоской цветовой подаче, а также совместимость с экосистемой Diffusers и SDXL. Ограничения связаны с отсутствием подробной технической документации и неизвестными характеристиками качества, производительности и применимости за пределами заявленных стилей. Модель распространяется по лицензии faipl-1.0-sd; условия следует уточнять в тексте лицензии по указанной ссылке.

Eggnog-Milkshake — созданная EarthnDusk модель Stable Diffusion для генерации изображений по текстовому описанию. В карточке она названа дочерней моделью Neneko Splat; репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors. Модель предназначена для создания изображений в аниме- и художественной стилистике. В карточке указано использование датасетов EasyNegative и DuskfallCrewArtStyle_Lora, но подробностей об обучении, размере модели и длине контекста нет. Метаданные указывают английский язык; лицензия — CreativeML OpenRAIL-M. Автор просит запрашивать разрешение и указывать авторство при использовании модели на сайтах генерации.

FLUX.2-dev-NVFP4 — квантизированная версия модели FLUX.2 [dev], разработанной Black Forest Labs. Это трансформер rectified flow с 32 млрд параметров для генерации, редактирования и комбинирования изображений по текстовым инструкциям; репозиторий содержит варианты NVFP4 и смешанный NVFP4/BF16. Модель предназначена для сценариев преобразования изображения по текстовому запросу. Для работы используется библиотека Diffusers, веса опубликованы в формате Safetensors. Карточка не сообщает длину контекста и условия лицензии: в метаданных указана лицензия other. Указан английский язык. Конкретные ограничения качества или области применения в README не описаны.

Fuse-DiT — модель генерации изображений по текстовому описанию, распространяемая в формате Diffusers и запускаемая через FuseDiTPipeline. README показывает генерацию изображения по текстовому запросу с настраиваемыми шириной и высотой, числом шагов инференса и guidance scale; приведён пример для изображения 512×512 с 25 шагами. Репозиторий предоставляет предварительно обученную модель в формате safetensors и использует библиотеку Diffusers. Модель подходит для создания изображений по промптам. Репозиторий ссылается на статью и исходный код, однако подробности архитектуры, объём параметров и поддерживаемые языки в доступных материалах не раскрыты. Лицензия — Apache-2.0.

misri/hassakuXLIllustrious_v30 — модель преобразования текста в изображение, опубликованная пользователем misri на Hugging Face. Репозиторий использует конвейер Stable Diffusion XL в формате Diffusers; в архитектуре указаны UNet, VAE и два текстовых энкодера CLIP. Внешняя карточка модели описывает Hassaku XL (Illustrious) как модель для создания изображений в ярком, характерном аниме-стиле. Модель предназначена для генерации иллюстраций по текстовым запросам, в том числе с персонажами и заданными композициями. Для подсказок рекомендован теговый стиль; приведены подходящие для SDXL разрешения, особенно портретное 832 × 1216. Карточка Hugging Face не содержит описания обучения или оценки качества. Лицензия репозитория указана как неизвестная; внешний источник сообщает для этой версии Fair AI Public License 1.0-SD, поэтому условия лицензирования следует сверять с исходной площадкой перед использованием.

calcuis/hidream-gguf — это GGUF-квантованная версия текстово-генеративной модели изображений HiDream-I1-Full, разработанной HiDream-ai и адаптированной для использования в ComfyUI. Репозиторий включает варианты full, dev, fast, e1 и e1-1, а также необходимые GGUF-файлы основной модели, текстовых энкодеров и VAE. Модель предназначена для генерации изображений по текстовым описаниям. В рабочих процессах можно использовать один или несколько текстовых энкодеров, включая Llama и T5XXL; README демонстрирует режимы с одним энкодером Llama и с комбинацией Llama и T5XXL. Примеры ориентированы на англоязычные промпты, но другие языки, размер модели, точная архитектура, максимальная длина контекста и поддерживаемые модальности в README не указаны. К сильным сторонам относятся готовый набор компонентов GGUF и несколько вариантов модели, рассчитанных на разные сценарии использования. Для работы требуется обновлённый узел gguf-node и размещение модели, энкодеров и VAE в соответствующих каталогах ComfyUI. Ограничениями являются зависимость от этой инфраструктуры и отсутствие в README подробностей о производительности, качестве, требованиях к памяти и различиях между вариантами. Модель распространяется по лицензии MIT.

HyperCLOVA X SEED 8B Omni VG — вариант мультимодальной модели HyperCLOVA X SEED 8B Omni для генерации и редактирования изображений. В репозитории указаны архитектура VLM и классы HCXVisionV2ForCausalLM; модель запускается через pipeline HCXOmniPipeline в библиотеке diffusers. Аудиокомпоненты исходной Omni-модели удалены. Модель принимает текстовый запрос для создания изображения или текстовую инструкцию вместе с исходным изображением для его редактирования. В README приведены примеры генерации и преобразования изображения, а также размеры вывода 768×768 по умолчанию и пресеты форматов кадра. Для запуска требуется GPU; в инструкции описаны настройки для A100 и V100, включая загрузку с квантованием для карты с 32 ГБ памяти. Карточка позиционирует pipeline как средство для тестирования и прототипирования, а для быстрого вывода предлагает рассмотреть vLLM или OmniServe. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах автора. В README также отмечено, что pipeline рассчитан на удобный запуск и прототипирование.

Illustrious XL — латентная диффузионная модель преобразования текста в изображение, разработанная OnamaAI. Она предназначена главным образом для генерации изображений персонажей аниме по текстовым запросам и работает через StableDiffusionXLPipeline в библиотеке Diffusers. Модель принимает текстовый промпт и создаёт изображение. Карточка указывает, что фотореалистичное рисование получается несовершенно, а читаемый текст модель изображать не может. Репозиторий распространяется в форматах Diffusers и Safetensors по лицензии MIT.

IterComp — модель генерации изображений по тексту, основанная на SDXL Base 1.0 и представленная авторами проекта IterComp. Она предназначена для композиционной генерации: создания изображений по сложным запросам, где важны сочетание нескольких объектов и их взаимное расположение. Репозиторий предоставляет веса для использования с библиотекой Diffusers и форматом safetensors. Модель принята на ICLR 2025. В README также описаны отдельные композиционно-ориентированные модели оценки изображений и варианты IterComp-RPG с рассуждающими LLM, однако карточка comin/IterComp содержит базовую модель генерации. Лицензия — Apache-2.0. Для запуска нужны Diffusers и вычислительное устройство с поддержкой CUDA; README не сообщает численный размер модели и длину контекста.

Japanese Parler-TTS Large (β版) — японская модель синтеза речи, опубликованная автором репозитория 2121-8 и созданная на основе Parler-TTS Large v1 с объединением компонентов, включая retrieva-jp/t5-base-long. Она преобразует японский текст в речь и предназначена для озвучивания текстов с возможностью управлять голосовыми и акустическими характеристиками текстовым описанием. Модель использует архитектуру Parler-TTS и библиотеку Transformers; токенизатор несовместим с исходным Parler-TTS и разработан специально для этой модели. Автор заявляет о выразительной и качественной генерации речи, однако модель находится в бета-версии и из-за недостаточного обучения может работать нестабильно. В обучающих данных мало мужских голосов, поэтому их генерация и настройка интонации могут быть неудовлетворительными. README разрешает исследовательское, образовательное и коммерческое использование с условием, что веса и файлы самой модели нельзя продавать; авторы не гарантируют точность, законность или уместность результатов.

realrebelai/LLaDa-Image_ComfyUI — неофициальная квантованная производная модели LLaDA-Image от inclusionAI, адаптированная RealRebelAI для работы в ComfyUI. Релиз использует инфраструктуру Hugging Face Diffusers и предназначен для более экономичного по памяти запуска базовой версии модели на совместимых GPU. Модель поддерживает генерацию изображений по текстовому описанию и нативное редактирование изображений через режим generation_mode="editing" с передачей исходного изображения и текстовых инструкций. Для редактирования не требуется отдельная контрольная точка; применяются те же трансформер и текстовый энкодер. В состав входят трансформер в формате native INT8 Safetensors и текстовый энкодер LLaDA2 MoE в формате GGUF с квантованием Q4_K_M. Также требуется совместимый VAE LLaDA. Рекомендуемые настройки базовой версии — около 50 шагов и CFG 5.0; размеры изображения при редактировании должны быть кратны 32. Ключевое преимущество — снижение требований к памяти благодаря квантованию, поддержке CPU offload и тайлинговому декодированию VAE, что делает модель более подходящей для систем с ограниченной VRAM. Ограничения включают необходимость установки пользовательских ComfyUI-узлов и ComfyUI-GGUF, корректного размещения компонентов и использования INT8-трансформера как Safetensors, а не через GGUF-загрузчик диффузионных моделей. Языки, точный размер модели и перечень поддерживаемых модальностей в README не указаны. Модель и её компоненты остаются subject to оригинальным лицензиям upstream-проекта LLaDA-Image; перед распространением или коммерческим использованием необходимо ознакомиться с условиями лицензии inclusionAI. Релиз не связан официально с inclusionAI.

MiniMax-H3 Prompt Rewriter 8B — LoRA-Merged GGUF — это языково-мультимодальная модель для переписывания кратких пользовательских запросов в подробные промпты для совместной генерации видео и аудио MiniMax-H3. Модель опубликована в формате GGUF пользователем indhic-ai и создана объединением LoRA-адаптера lightx2v/MiniMax-H3-Prompt-Rewriter-LoRA-8B с базовой моделью Qwen/Qwen3-VL-8B-Instruct. Модель предназначена для задач T2VA, I2VA, L2VA и FL2VA: генерации промптов по текстовому описанию, одному или нескольким референсным изображениям, а также по конечному изображению. Она формирует структурированный англоязычный промпт с описанием визуальных событий, звукового окружения и недиегетической музыки, сохраняя пользовательские диалоги, тексты песен и надписи на исходном языке. Это не модель генерации видео или аудио, а специализированный преобразователь запросов для последующей генерации. Размер модели — 8B параметров; используется архитектура Qwen3-VL-Instruct с поддержкой текста и изображений. Основной файл имеет квантование Q8_0 и размер около 8,7 ГБ, а отдельный vision tower в формате F16 занимает около 1,16 ГБ. Для текстовых T2VA-задач достаточно языковой модели, тогда как для I2VA, L2VA и FL2VA требуется файл mmproj. Модель рассчитана на запуск через llama.cpp. Ограничения включают узкую специализацию под формат промптов MiniMax-H3, необходимость корректного системного промпта и значительные требования к памяти; точное максимальное окно контекста в README не указано. Модель распространяется по лицензии Apache-2.0.