I.10Видео, анимация и 3D

Карточка модели ByteDance/Video-As-Prompt-CogVideoX-5B на Hugging Face совпадает с карточкой ByteDance/Video-As-Prompt-Wan2.1-14B, поэтому описание составлено по ней. Video-As-Prompt (VAP) — модель ByteDance для генерации видео, которая использует референсное видео как семантическую подсказку и анимирует заданное изображение, перенося на него семантику референса. Эта версия основана на Wan2.1 I2V 14B и рассчитана на генерацию видео по изображению с управлением через референсное видео. Модель предназначена для создания видео с нужными действиями и другими семантическими характеристиками, заданными примером: например, можно сохранить исходное изображение, но получить разные варианты движения по разным референсным видео. Авторы отмечают сильные результаты на действиях людей и новых понятиях; при этом из-за ограниченного числа шагов обучения устойчивость ниже на некоторых семантических условиях. Репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0.

Video-As-Prompt (VAP) — модель ByteDance для генерации видео, которая использует референсное видео как семантическую подсказку и анимирует заданное изображение, перенося на него семантику референса. Эта версия основана на Wan2.1 I2V 14B и рассчитана на генерацию видео по изображению с управлением через референсное видео. Модель предназначена для создания видео с нужными действиями и другими семантическими характеристиками, заданными примером: например, можно сохранить исходное изображение, но получить разные варианты движения по разным референсным видео. Авторы отмечают сильные результаты на действиях людей и новых понятиях; при этом из-за ограниченного числа шагов обучения устойчивость ниже на некоторых семантических условиях. Репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0.

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

Wan2.1 I2V-14B-480P — модель генерации видео из изображения, разработанная командой Wan-AI. Это 14-миллиардная модель семейства Wan2.1 в формате Diffusers, построенная на архитектуре diffusion transformer и использующая пространственно-временной вариационный автокодировщик Wan-VAE. Модель предназначена для создания видеороликов разрешением 480p на основе входного изображения и текстового описания движения или сцены; при генерации сохраняется соотношение сторон исходного изображения. Модель входит в открытую линейку видеогенерации Wan2.1. Семейство поддерживает работу с китайским и английским текстом, однако карточка этого варианта описывает именно генерацию видео из изображения. Для запуска доступны сценарии Diffusers и мног GPU-инференс. Лицензия репозитория — Apache 2.0. Вариант 480p ориентирован на сочетание скорости и качества при генерации видео. Запуск 14B-модели требует значительных вычислительных ресурсов; README описывает использование выгрузки модели с GPU и мног GPU-инференса. Результат зависит от исходного изображения и текстового запроса.

Карточка модели bhavik2116/Wan2.1-VACE-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-VACE-14B, поэтому описание составлено по ней. Wan2.1-VACE-14B — модель семейства Wan от Wan-AI для создания и редактирования видео. Она использует архитектуру diffusion transformer и предназначена для сценариев VACE, включая генерацию видео по изображению и работу с видеоматериалом. В карточке репозитория указаны поддержка режимов создания и редактирования видео, а также разрешения 480p и 720p; вход может иметь произвольное разрешение, но для оптимального результата рекомендуется держаться заданного диапазона размеров. Модель подходит для создания видеоклипов на основе изображения и для видеомонтажа с помощью VACE. Семейство Wan2.1 также поддерживает генерацию текста на китайском и английском языках внутри визуального контента, однако README не уточняет, относится ли эта возможность именно к варианту VACE-14B. Репозиторий распространяется под лицензией Apache-2.0.

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

Карточка модели Caronte78/Wan2.2-I2V-A14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B, поэтому описание составлено по ней. Wan2.2-I2V-A14B — модель генерации видео из изображения, разработанная командой Wan-AI. Она принимает исходное изображение и создаёт на его основе видео; модель предназначена для сценариев, где нужно анимировать статичный кадр или задать визуальную основу для видеосцены. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE): специализированные эксперты участвуют в разных этапах процесса денойзинга. Поддерживаются разрешения 480p и 720p. В README отмечены более стабильный синтез видео, уменьшение нереалистичных движений камеры и улучшенная работа со сценами в разных стилях. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache 2.0. Для работы требуется значительная вычислительная мощность; README описывает многокарточный запуск и режимы с выгрузкой модели, но не приводит точный размер этой версии. Модель предназначена для генерации видео из изображений; заявленные возможности текстовой генерации относятся к другим моделям семейства Wan2.2.

Карточка модели Ikjohuo87/Wan2.2-I2V-A14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B, поэтому описание составлено по ней. Wan2.2-I2V-A14B — модель генерации видео из изображения, разработанная командой Wan-AI. Она принимает исходное изображение и создаёт на его основе видео; модель предназначена для сценариев, где нужно анимировать статичный кадр или задать визуальную основу для видеосцены. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE): специализированные эксперты участвуют в разных этапах процесса денойзинга. Поддерживаются разрешения 480p и 720p. В README отмечены более стабильный синтез видео, уменьшение нереалистичных движений камеры и улучшенная работа со сценами в разных стилях. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache 2.0. Для работы требуется значительная вычислительная мощность; README описывает многокарточный запуск и режимы с выгрузкой модели, но не приводит точный размер этой версии. Модель предназначена для генерации видео из изображений; заявленные возможности текстовой генерации относятся к другим моделям семейства Wan2.2.

Wan2.2-S2V-14B — модель генерации кинематографического видео по аудио, разработанная командой Wan-AI на основе семейства Wan. Она предназначена для аудиоуправляемой анимации персонажей, включая передачу речи и пения, сложные движения тела, взаимодействия персонажей и работу камеры. В карточке также упомянуты генерация длинных видео и точное редактирование синхронизации губ. Модель относится к семейству S2V и предоставлена в репозитории для Diffusers в форматах PyTorch и Safetensors. Для генерации заявлена поддержка разрешений 480p и 720p. Лицензия — Apache 2.0. В карточке описаны преимущества в выразительности и качестве кинематографической анимации, но приведённое сравнение с другими системами является заявлением авторов.

Карточка модели xnachtwolfx/Wan2.2-S2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-S2V-14B, поэтому описание составлено по ней. Wan2.2-S2V-14B — модель генерации кинематографического видео по аудио, разработанная командой Wan-AI на основе семейства Wan. Она предназначена для аудиоуправляемой анимации персонажей, включая передачу речи и пения, сложные движения тела, взаимодействия персонажей и работу камеры. В карточке также упомянуты генерация длинных видео и точное редактирование синхронизации губ. Модель относится к семейству S2V и предоставлена в репозитории для Diffusers в форматах PyTorch и Safetensors. Для генерации заявлена поддержка разрешений 480p и 720p. Лицензия — Apache 2.0. В карточке описаны преимущества в выразительности и качестве кинематографической анимации, но приведённое сравнение с другими системами является заявлением авторов.

Карточка модели AriaVale2/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Карточка модели kunkun01/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

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

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

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

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

Карточка модели Yuro1991/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

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

Allegro-TI2V — модель генерации видео по текстовому запросу и изображению, разработанная Rhymes AI. Она создаёт продолжение сцены по первому кадру либо промежуточный видеоряд по первому и последнему кадрам, учитывая текстовое описание. Модель построена на VideoDiT с 2,8 млрд параметров и VideoVAE с 175 млн параметров; для работы предусмотрена библиотека Diffusers и форматы safetensors. Модель предназначена для создания динамичных сцен, в том числе с людьми и животными. Она генерирует видео длительностью 6 секунд с частотой 15 кадров в секунду и разрешением 720×1280; результат можно интерполировать до 30 кадров в секунду с EMA-VFI. Контекст составляет 79,2 тыс. токенов, что в карточке соотнесено с 88 кадрами. В режиме BF16 с выгрузкой части вычислений на CPU требуется 9,3 ГБ видеопамяти. Лицензия — Apache 2.0.

AnyFlow-FAR-Wan2.1-14B-Diffusers — 14-миллиардная причинная диффузионная модель для генерации видео, разработанная авторами AnyFlow. Она основана на Wan2.1-T2V-14B-Diffusers и представлена в формате Diffusers с весами Safetensors. Модель поддерживает генерацию видео по текстовому описанию, по изображению и преобразование исходного видео; заявлено разрешение 480p. AnyFlow использует дистилляцию flow map с обучением на собственной политике и допускает выбор произвольного числа шагов инференса одной моделью. Это позволяет получать видео при малом бюджете шагов и постепенно улучшать результат при увеличении их числа. Репозиторий указывает лицензию «other», но конкретные условия в предоставленных данных не раскрыты.

Bernini-R-1.3B-int4 — это 4-битная версия модели-видеогенератора Bernini Renderer от ByteDance, подготовленная сообществом mlx-community для запуска на Apple Silicon через MLX. Модель основана на Wan2.1-T2V-1.3B и предназначена для генерации и редактирования видео по тексту, изображению или исходному видео. Архитектура включает один экспертный блок Transformer на 1,3 млрд параметров; веса трансформера квантизированы до int4 с группами по 64, а общие компоненты VAE и UMT5 оставлены без квантизации. Модель поддерживает генерацию видео по текстовому запросу, создание видео с объектом по нескольким референсным изображениям, а также редактирование исходного видео по текстовой инструкции. Малый вариант рассчитан на экономичный запуск и, по описанию, близок к версии 14B на простых задачах вроде переноса стиля, удаления субтитров и водяных знаков и локального редактирования. Доступен только Renderer: семантический планировщик на Qwen2.5-VL-7B не выпущен, поэтому здесь используется только текстовое кондиционирование UMT5. Лицензия — Apache-2.0.

Bernini-R — GGUF — это набор GGUF-квантизованных версий модели Bernini-R, разработанной ByteDance и опубликованной пользователем neuregex. В основе лежит Wan2.2-T2V-A14B с source-id RoPE и multi-condition APG guidance. Модель предназначена для генерации видео по тексту и редактирования изображений и видео в ComfyUI; поддерживаются сценарии text-to-video, text-to-image, image-to-image и video-to-video при использовании специализированных узлов ComfyUI-BerniniR и ComfyUI-GGUF. Архитектура использует двухэкспертную схему Wan 2.2: эксперт high-noise задаёт композицию, а эксперт low-noise уточняет детали. Для каждого эксперта доступны варианты Q4_K_M, Q5_K_M и Q8_0 размером примерно от 9,66 до 15,4 ГБ. Рекомендуется Q5_K_M как компромисс между качеством и требованиями к памяти, Q8_0 ориентирован на максимальное качество, а Q4_K_M — на минимальный объём VRAM. Оба эксперта могут совместно работать в 24 ГБ VRAM; GGUF-версии не содержат FP8-тензоров. Для работы требуются ComfyUI, узлы ComfyUI-BerniniR и ComfyUI-GGUF, Wan VAE и текстовый энкодер UMT5. Для редактирования изображения и видео необходимо загрузить обоих экспертов и использовать BerniniR · Apply Patches и BerniniR · Guider. В README не указаны языки, размер контекста и точные ограничения по разрешению или длительности видео. Распространение разрешено по лицензии Apache-2.0, как и у базовой модели.

DaSiWa MiniMax H3 Hybrid — это набор немодифицированных чекпойнтов SafeTensors на 4 и 8 шагов, размещённых brurpo как зеркала для загрузки в BRP Canvas. Гибридная модель предназначена для генерации коротких видео в рабочих процессах ComfyUI: по текстовому запросу, с опорой на изображение, а также по первому и последнему кадрам. Метаданные относят её к семейству MiniMax H3 и указывают связь дообучения с MiniMaxAI/MiniMax-H3. Для генерации используются отдельные настройки видео и аудио; README приводит рекомендации по сэмплерам, планировщику, числу шагов и параметрам сдвига. Варианты на 4 и 8 шагов рассчитаны на ускоренную генерацию. Модель не является официальной поставкой MiniMax или DaSiWa. Лицензия указана как other; перед использованием следует изучить лицензию MiniMax, включённую в исходную поставку.

EasyAnimateV4-XL-2-InP — модель Alibaba PAI для генерации видео по текстовым запросам, изображениям и видео. Она построена на архитектуре Diffusion Transformer с компонентами PixArt-alpha, модулем движения, U-ViT-подобными skip-соединениями и Slice VAE; текст кодирует T5. По карточке модели версия поддерживает разрешения от 512 до 1280 пикселей, генерацию до 144 кадров при 24 кадрах в секунду и двуязычные запросы на китайском и английском языках. Модель предназначена для создания коротких видеоклипов и преобразования визуальных входов в видео. Авторы отмечают, что V4 не показала существенного улучшения относительно V3 и что обучение полной 3D attention-модели обходится дорого. В метаданных указана лицензия other; конкретные условия следует сверять с лицензией репозитория.

FastWan2.1-T2V-1.3B-Diffusers — модель FastVideo Team для генерации видео по текстовому описанию. Она дообучена на основе Wan-AI/Wan2.1-T2V-1.3B-Diffusers с применением стратегии Sparse-distill, объединяющей DMD-дистилляцию и разреженное внимание. Модель поддерживает трёхшаговый вывод и обучена на видео размером 61×448×832. На H100 заявлена скорость до 16 кадров в секунду; доступны варианты запуска на разных GPU, включая RTX 4090, а также на Mac. Можно запрашивать другие разрешения, но качество при этом может снижаться. Для работы с репозиторием используются Diffusers и формат safetensors. Лицензия — Apache-2.0.

Карточка модели BestWishYsh/Helios-Base на Hugging Face совпадает с карточкой BestWishYsh/Helios-Distilled, поэтому описание составлено по ней. Helios-Distilled — дистиллированная версия модели генерации видео Helios, опубликованная авторами проекта Helios. Она предназначена для создания длинных согласованных видео по текстовым описаниям. Модель использует диффузионную архитектуру HeliosPyramidPipeline и генерирует видео авторегрессионно чанками по 33 кадра; в репозитории она представлена в формате Diffusers и Safetensors. В качестве основы указана Wan-AI/Wan2.1-T2V-14B-Diffusers с 14 млрд параметров. Авторы заявляют о генерации видео длительностью до минут с высокой временной согласованностью и скорости 19,5 кадра в секунду на одной H100; это заявленные показатели и фактическая скорость зависит от оборудования и конфигурации. Модель рассчитана на текстовый ввод и видео на выходе. Лицензия — Apache-2.0.

Карточка модели BestWishYsh/Helios-Mid на Hugging Face совпадает с карточкой BestWishYsh/Helios-Distilled, поэтому описание составлено по ней. Helios-Distilled — дистиллированная версия модели генерации видео Helios, опубликованная авторами проекта Helios. Она предназначена для создания длинных согласованных видео по текстовым описаниям. Модель использует диффузионную архитектуру HeliosPyramidPipeline и генерирует видео авторегрессионно чанками по 33 кадра; в репозитории она представлена в формате Diffusers и Safetensors. В качестве основы указана Wan-AI/Wan2.1-T2V-14B-Diffusers с 14 млрд параметров. Авторы заявляют о генерации видео длительностью до минут с высокой временной согласованностью и скорости 19,5 кадра в секунду на одной H100; это заявленные показатели и фактическая скорость зависит от оборудования и конфигурации. Модель рассчитана на текстовый ввод и видео на выходе. Лицензия — Apache-2.0.

HunyuanVideo-1.5-Diffusers-480p_i2v — модель сообщества hunyuanvideo-community для генерации видео по изображению, представленная в формате Diffusers с весами Safetensors. README описывает использование масок внимания для последовательностей переменной длины и рекомендует эффективную обработку дополнения последовательностей для лучшей производительности. Модель предназначена для сценария image-to-video: создания видео на основе входного изображения. В карточке не приведены сведения о размере, поддерживаемых языках, длительности контекста, лицензии на конкретных условиях или количественных характеристиках качества; лицензия обозначена как other. Для запуска используется пайплайн HunyuanVideo15ImageToVideoPipeline.

Comfy-Org/HunyuanVideo_repackaged — перепакованный набор файлов HunyuanVideo для ComfyUI, основанный на моделях Tencent HunyuanVideo и HunyuanVideo-I2V. Репозиторий предназначен для использования этих весов в рабочих процессах ComfyUI; метаданные указывают формат safetensors и связь с исходными моделями через объединение. Модельное семейство HunyuanVideo предназначено для генерации видео по текстовому описанию и изображению. Условия лицензии обозначены как other; конкретные условия следует сверять с лицензией исходных моделей Tencent.

LongCat-Video — модель генерации видео, разработанная Meituan. Она объединяет генерацию видео по текстовому описанию, анимацию исходного изображения и продолжение существующего видео в одной архитектуре с 13,6 млрд параметров. Модель предназначена для создания длинных роликов; благодаря предварительному обучению на продолжении видео она, по заявлению разработчиков, способна генерировать видео длительностью в несколько минут без заметного дрейфа цвета и ухудшения качества. Для ускорения генерации применяются поэтапное уточнение по времени и пространству и Block Sparse Attention. В README заявлена генерация видео 720p с частотой 30 кадров в секунду за несколько минут, а также результаты, сопоставимые с ведущими открытыми и коммерческими моделями. Карточка описывает модель как плотную архитектуру и сообщает о многоцелевом обучении с подкреплением по нескольким наградам. Поддерживаются английский и китайский языки. Модель распространяется под лицензией MIT. Разработчики отмечают, что модель не была специально разработана или всесторонне оценена для всех возможных применений. Заявления о производительности и качестве основаны на внутренних и публичных оценках; README не приводит подробностей о требованиях к оборудованию.