I.10Видео, анимация и 3D

Карточка модели kg1965/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.

MiniMax H3 — мультимодальная генеративная система MiniMax для создания видео со встроенным стереозвуком по текстовым и мультимодальным входным данным. Архитектура H3-Omni-Transformer объединяет представления текста, изображений, видео и аудио; текст обрабатывает H3-Encoder, визуальные данные — H3-Encoder и Visual VAE, аудио — Audio VAE. Модель совместно предсказывает видео- и аудиопредставления. Репозиторий содержит веса в формате safetensors для Diffusers. H3 предназначена для генерации роликов длительностью 4–15 секунд в разных форматах кадра. Вариант H3-Base-FL2VA принимает текст и до двух изображений для генерации по первому и/или последнему кадру; H3-Base-Ref2VA поддерживает мультимодальные референсы — до девяти изображений, трёх видеоклипов и трёх аудиоклипов с ограничениями по длительности и общему числу файлов. Базовая генерация выполняется в разрешении 768p; модуль H3-Regenerate-2K позволяет повторно генерировать результат в 2K. Система подходит для создания видео по описанию, изображениям и мультимодальным референсам, с синхронизированным аудио. Для сложных входных данных рекомендуемая обработка через H3-Context-IR повышает качество, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. В открытом выпуске доступен только режим full attention; sparse attention заявлен для будущего обновления. В метаданных лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Карточка модели liskasYR/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 marchkamal51/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 misstoyou/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 MJlohfg/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 mrlol123/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 для создания видео со стереозвуком по тексту, изображениям и мультимодальным референсам. Варианты H3-Base-FL2VA и H3-Base-Ref2VA поддерживают генерацию по первому и последнему кадру, а также по изображениям, видео и аудиоклипам в разных сочетаниях. Модель может создавать ролики длительностью 4–15 секунд; базовый вывод имеет разрешение 768p, а отдельный модуль H3-Regenerate-2K позволяет получить видео до 2K. Архитектура объединяет текстовый энкодер, Visual VAE, Audio VAE и H3-Omni-Transformer: он совместно предсказывает видео- и аудиолатенты. Репозиторий содержит компоненты для локального развёртывания через Diffusers; упомянутый в карточке сервис H3-Context-IR для разбора сложных мультимодальных инструкций размещён отдельно и доступен через API. Модель подходит для генерации видео по текстовым описаниям и референсным материалам, включая синхронный звук. В открытой версии используется полное внимание, а sparse attention заявлен для будущего выпуска. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со стереозвуком. Открытая версия включает два специализированных чекпойнта H3-Base для генерации по тексту, изображениям и мультимодальным референсам; заявлены клипы длительностью 4–15 секунд, а базовый вывод H3-Base имеет разрешение 768p. Для получения 2K-видео предусмотрен отдельный этап H3-Regenerate-2K. Модель принимает текст, изображения, видео и аудио в зависимости от выбранного режима. H3-Base объединяет представления модальностей в общую последовательность и использует H3-Omni-Transformer для совместного предсказания видео- и аудиоданных; поддерживается широкий диапазон соотношений сторон. H3-Context-IR, который разбирает и структурирует сложные мультимодальные инструкции, в открытую поставку не входит и доступен через размещённый сервис/API либо может быть заменён собственной системой предварительной обработки. Модель подходит для генерации роликов по описанию, исходным кадрам и наборам аудио-, видео- и графических референсов. В открытой версии используется полный attention; разреженный attention пока не выпущен, что может ограничивать вычислительную эффективность при длинных мультимодальных последовательностях. В карточке указана лицензия «other», поэтому перед использованием следует проверить её условия.

Карточка модели saramara/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 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.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax для создания видео со стереозвуком по тексту, изображениям и другим мультимодальным материалам. В репозитории представлены чекпойнты H3-Base для генерации: архитектура H3-Omni-Transformer совместно с текстовым энкодером, Visual VAE и Audio VAE кодирует входные модальности в общую последовательность и предсказывает аудио- и видеолатенты. Файлы модели опубликованы в форматах Diffusers и safetensors. Система поддерживает генерацию роликов длительностью 4–15 секунд, различные соотношения сторон и стандартный размер 768p; для получения 2K предусмотрен отдельный этап H3-Regenerate-2K. Вариант FL2VA принимает до двух кадров для генерации по первому и/или последнему кадру, а Ref2VA может использовать до девяти изображений, трёх видеоклипов и трёх аудиоклипов в смешанном наборе не более чем из 12 файлов. Входы могут включать текст, изображения, видео и аудио; результат — видео и синхронизированное стереоаудио. Для сложных свободных мультимодальных инструкций официальный процесс использует H3-Context-IR — размещённую отдельно систему предварительной обработки, не включённую в открытый релиз; её можно вызывать через API или заменить собственной обработкой контекста. Открытый релиз использует полное внимание, а реализация sparse attention заявлена для будущего обновления. Лицензия указана как «other»; конкретные условия следует проверять в карточке репозитория. В README заявлены автоматические ограничения на незаконный, порнографический и нарушающий права третьих лиц контент.

Карточка модели Wvkmsv/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. 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 Zain0611/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, разработанная MiniMax и представленная в виде открытых чекпойнтов H3-Base для генерации видео со звуком. Модель принимает текст и, в зависимости от варианта, изображения, видео и аудио; она совместно генерирует видео и стереозвук по заданному контексту. Архитектура объединяет модальные представления в последовательность для H3-Omni-Transformer, который предсказывает латентные представления видео и аудио. В репозитории указаны форматы Diffusers и safetensors. Сценарии включают создание роликов по тексту, анимацию по одному или двум ключевым кадрам, а также генерацию с мультимодальными референсами. Выходные ролики имеют длительность 4–15 секунд; базовая генерация выполняется в разрешении 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Поддерживаются разные соотношения сторон. В открытый выпуск не входит H3-Context-IR — размещённый в облаке модуль предварительной обработки сложных мультимодальных инструкций; для полного рабочего процесса предлагаются API или собственная система подготовки контекста. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять в карточке модели и сопутствующих документах.

Карточка модели musafa901/MiniMax-H3_20260816 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.

Это GGUF-квантизированные файлы MiniMax H3, опубликованные VantageWithAI для использования в ComfyUI. MiniMax H3 — мультимодальная генеративная система для создания видео со стереозвуком по тексту и визуальным или аудиовизуальным референсам. Модель принимает текст, изображения, видео и аудио; варианты генерации поддерживают до двух кадровых изображений либо набор референсов до 9 изображений, 3 видео и 3 аудиоклипов при ограничениях на их длительность и общее число файлов. В описанной архитектуре отдельные энкодеры и VAE кодируют входные модальности в общую последовательность, которую обрабатывает H3-Omni-Transformer; система совместно предсказывает латенты видео и аудио. Базовая генерация рассчитана на длительность 4–15 секунд и разрешение с короткой стороной 768 пикселей; для генерации в 2K предусмотрен отдельный модуль H3-Regenerate-2K. В репозитории представлены варианты GGUF с квантизацией от Q3_K_M до Q5_K_M. Для сложных мультимодальных запросов разработчик рекомендует этап подготовки контекста H3-Context-IR, который не входит в эту открытую публикацию и доступен как размещённый сервис либо может быть реализован самостоятельно. Открытая версия использует полное внимание; реализация разреженного внимания заявлена для будущего выпуска. Лицензия указана как other, а README ссылается на MiniMax H3 Community License, условия которой следует проверить перед использованием.

Это одnofайловая версия MiniMax-H3 Fused Turbo (INT8 ConvRot), подготовленная автором репозитория cgc-0521 для ComfyUI. Модель предназначена для генерации коротких видео по текстовому запросу или изображению, а также для reference-to-video с использованием референсных кадров. Веса объединяют базовую модель MiniMax-H3, turbo-дистилляцию lightx2v FL2VA Turbo и Mystic v2.0 для сглаживания движения; затем выполнена квантизация INT8 ConvRot. Файл размером около 21 ГБ содержит 50 блоков, в которых четыре основных линейных слоя хранятся в INT8, а остальные веса — в BF16/F32. Карточка описывает генерацию ролика длительностью 10 секунд в разрешении 1152×640 за 4 шага, включая синхронизированный стереозвук; для работы приведены графы ComfyUI. На производительность влияют видеокарта, управление выгрузкой моделей и использование разреженного внимания SLA: на менее мощных устройствах генерация будет медленнее, а без SLA звук может быть менее детальным. После объединения LoRA нельзя отдельно менять их силу. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории и у базовых компонентов.

Open-Sora 2.0 — модель генерации видео из текста, разработанная проектом Open-Sora. Она также поддерживает генерацию видео по текстовому запросу и исходному изображению. Модель на 11 млрд параметров рассчитана на разрешения 256 и 768 пикселей; длительность задаётся числом кадров, которое должно иметь вид 4k+1 и быть меньше 129. Для текстовой генерации доступен конвейер с предварительным созданием изображения с помощью Flux. Модель предназначена для создания видеоконтента по описанию или анимирования изображения с управлением соотношением сторон и оценкой движения. Авторы сообщают, что результаты VBench сокращают разрыв с Sora по сравнению с Open-Sora 1.2, а предпочтения людей сопоставимы с HunyuanVideo 14B и Step-Video 30B. README указывает высокую потребность в GPU: для генерации 768×768 на одном H100/H800 приведены пиковое потребление памяти 60,3 ГБ и время 1656 секунд при 50 шагах. Репозиторий использует Apache-2.0; метаданные указывают форматы PyTorch и safetensors.

RedbeardNZ выпустил сборку SeedVR2 для использования в ComfyUI. Она предназначена для повышения разрешения и восстановления качества видео и изображений с помощью моделей SeedVR2; для видео README приводит примеры увеличения разрешения до 1080p и выше. В репозитории указаны варианты SeedVR2 на 3B и 7B параметров, а метаданные связывают модель с ByteDance-Seed/SeedVR2-3B и ByteDance-Seed/SeedVR2-7B. Формат файлов — safetensors, библиотека — diffusers, лицензия — Apache-2.0. Сборка ориентирована на узел ComfyUI и допускает обработку видео разной длительности при подборе настроек. README сообщает о высокой потребности в видеопамяти: для версии 3B автор приводит ориентир не менее 18 ГБ; скорость зависит от GPU. Отдельно отмечены возможные проблемы качества у варианта 7B FP8, для которого рекомендуется FP16.

Карточка модели MonsterMMORPG/SeedVR2_SECourses на Hugging Face совпадает с карточкой RedbeardNZ/SeedVR2_comfyUI, поэтому описание составлено по ней. RedbeardNZ выпустил сборку SeedVR2 для использования в ComfyUI. Она предназначена для повышения разрешения и восстановления качества видео и изображений с помощью моделей SeedVR2; для видео README приводит примеры увеличения разрешения до 1080p и выше. В репозитории указаны варианты SeedVR2 на 3B и 7B параметров, а метаданные связывают модель с ByteDance-Seed/SeedVR2-3B и ByteDance-Seed/SeedVR2-7B. Формат файлов — safetensors, библиотека — diffusers, лицензия — Apache-2.0. Сборка ориентирована на узел ComfyUI и допускает обработку видео разной длительности при подборе настроек. README сообщает о высокой потребности в видеопамяти: для версии 3B автор приводит ориентир не менее 18 ГБ; скорость зависит от GPU. Отдельно отмечены возможные проблемы качества у варианта 7B FP8, для которого рекомендуется FP16.

Карточка модели jobs-git/SkyReels-V2-DF-14B-720P на Hugging Face совпадает с карточкой Skywork/SkyReels-V2-T2V-14B-720P, поэтому описание составлено по ней. SkyReels-V2-T2V-14B-720P — модель генерации видео по текстовому описанию, разработанная командой Skywork. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательной генерацией кадров. В основе модели лежит плотная архитектура text-to-video с авторегрессионным Diffusion Forcing; репозиторий содержит веса в формате safetensors. В названии указаны размер 14B и разрешение 720P. Модель рассчитана на генерацию видео по текстовым промптам, создание сюжетных роликов и сцен с движением камеры. Авторы описывают обучение с несколькими этапами предобучения, подкреплением и supervised fine-tuning для улучшения визуального качества и динамики движения. README также описывает задачи image-to-video и генерацию с несколькими согласованными объектами для серии SkyReels-V2, но этот репозиторий классифицирован как text-to-video. В README приведены код и инструкции для инференса на одной или нескольких GPU, включая ускорение через xDiT USP. Для использования требуются вычислительные ресурсы с GPU. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

SkyReels-V2-DF-14B-720P — модель генерации видео из текста от команды Skywork, входящая в серию SkyReels-V2. Она предназначена для создания кинематографичных видеороликов по текстовым запросам и генерации длинных видео с авторегрессионным продолжением. В README модель описана как вариант с разрешением 720p на основе архитектуры AutoRegressive Diffusion-Forcing; в метаданных указаны плотная архитектура семейства text-to-video и формат весов safetensors. Модель ориентирована на сценарии создания историй и видеоконтента, где важны следование запросу, качество изображения, динамика движения и продолжительность ролика. README заявляет поддержку генерации бесконечной длины, однако приведённые примеры демонстрируют ролики длительностью до 30 секунд. Репозиторий указывает лицензию other, поэтому условия использования следует сверить с лицензией и сопроводительными материалами разработчика.

SkyReels-V2-I2V-1.3B-540P-Diffusers — модель генерации видео из изображения из семейства SkyReels-V2, разработанного командой Skywork. Этот вариант предназначен для image-to-video-синтеза: он принимает исходное изображение и создаёт на его основе видеоряд. Для запуска требуется передать изображение; для I2V в README рекомендованы guidance scale 5.0 и shift 3.0. Модель использует архитектуру AutoRegressive Diffusion-Forcing, предназначенную для генерации длинных видео с сохранением движения и визуальной согласованности. Репозиторий предоставляет веса в формате Diffusers и SafeTensors. В README описаны сценарии сторителлинга и кинематографичной генерации, однако отдельные характеристики этого варианта — разрешение, число параметров и длина контекста — в использованных данных не подтверждены. Модель разработана Skywork. Метаданные указывают лицензию «other», но конкретные условия лицензии в предоставленных данных не раскрыты; перед использованием следует проверить лицензионный файл репозитория.

Карточка модели B4l1/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Карточка модели chgm599-ch/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Карточка модели ogbeatzofficial1/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Stable Virtual Camera — диффузионная модель Stability AI с архитектурой Transformer и 1,3 млрд параметров для синтеза новых ракурсов сцены. На вход подаются один или несколько снимков и целевые положения камер; модель генерирует последовательность согласованных видов, которую можно направлять по произвольной траектории камеры. Модель предназначена для синтеза новых видов, творческих и дизайнерских инструментов, образовательных приложений и исследований реконструкции сцен. Она поддерживает значительные изменения ракурса и создаёт плавные во времени последовательности; заявлена генерация видео длительностью до 30 секунд с замыканием траектории в бесшовный цикл. В версии 1.1 исправлена проблема отделения объектов переднего плана от фона, отмечавшаяся в версии 1.0. Модель не предназначена для создания фактически достоверных изображений людей или событий. В карточке указаны исследовательское и некоммерческое применение, а также соблюдение Acceptable Use Policy; лицензия в метаданных обозначена как other.

Bernini-Diffusers-v2 — разработанная командой авторов Bernini модель для генерации и редактирования видео. Она объединяет семантический планировщик на базе Qwen2.5-VL с диффузионным рендерером DiT и компонентами Wan2.2; релиз упакован как самодостаточный каталог для Diffusers. Модель предназначена для генерации видео по тексту и изображению, а также для редактирования видео по сложным инструкциям. Семантическое планирование помогает следовать многошаговым запросам и работать со сценариями редактирования с опорными изображениями. В карточке описаны улучшения следования инструкциям, редактирования с опорными данными и задачи OpenS2V; числовой размер и длина контекста не приведены. Веса доступны в формате safetensors. Лицензия — Apache-2.0. Для повышения качества авторы рекомендуют использовать расширение промпта через OpenAI-совместимый endpoint.