I.10Видео, анимация и 3D

LTX-2.3-fp8 — аудиовизуальная foundation-модель, разработанная компанией Lightricks. Это диффузионная модель на архитектуре DiT, предназначенная для совместной генерации синхронизированных видео и аудио в рамках одной модели. Доступна в вариантах полного 22B-чекпойнта и дистиллированного чекпойнта, рассчитанного на генерацию за 8 шагов с CFG=1; обе версии используют формат FP8. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео по тексту или изображениям. Заявлены улучшенное качество аудио и визуального контента и более точное следование промптам по сравнению с LTX-2. Основной заявленный язык — английский; в метаданных также перечислены немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. К ограничениям относятся возможное несовершенное соответствие промпту, зависимость результата от стиля формулировки запроса, риск усиления общественных предубеждений и генерации неприемлемого или оскорбительного контента. Модель не предназначена для предоставления фактической информации, а качество аудио без речи может быть ниже. Для работы локально указана поддержка PyTorch примерно версии 2.7, CUDA выше 12.7 и Python от 3.12; ширина и высота должны делиться на 32, а число кадров — соответствовать формату 8n+1. Использование модели, её производных и связанных компонентов регулируется ltx-2-community-license-agreement.

tsolful/LTX_2.5_INT4_W4A8_ConvRot — квантованная версия модели LTX-2.5 от Lightricks, предназначенная для генерации и преобразования видео и аудио. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео по тексту или изображениям. Она может использоваться в ComfyUI и других совместимых инструментах для создания мультимедийного контента. Модель имеет размер 15,4 ГБ и использует квантование AsymW4A8 INT4 с форматами W4A8 и ConvRot. По данным карточки, она обеспечивает около 80% качества версии INT8. Базовой моделью является Lightricks/LTX-2.5; более подробные сведения об архитектуре, длине контекста, разрешении и поддерживаемых форматах входных и выходных данных не указаны. В метаданных заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. К сильным сторонам относятся существенно уменьшенный размер по сравнению с более точными вариантами и сохранение значительной части качества INT8, что может упростить локальное развёртывание. Ограничения связаны с потерями качества из-за INT4-квантования, а также с отсутствием в карточке точных требований к аппаратному обеспечению и характеристик производительности. Модель распространяется по LTX-2 Community License Agreement; условия лицензии доступны по ссылке, указанной в карточке модели.

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

LTX-Video 0.9.7 Distilled — диффузионная модель генерации видео от Lightricks на основе DiT. Она создаёт видео по текстовому описанию, а также поддерживает сценарий image-to-video с текстом и исходным изображением. В README версия distilled указана как более быстрая и менее требовательная к видеопамяти, чем 13B dev, с небольшим снижением качества; для семейства заявлена генерация видео с разрешением до 1216×704 и частотой 30 кадров в секунду. Модель рассчитана на быстрые итерации при создании видеоконтента. Лучше использовать английские подробные запросы, разрешения, кратные 32, и число кадров вида 8n+1; рекомендуются размеры ниже 720×1280 и менее 257 кадров. Карточка не сообщает точный размер именно этого чекпойнта. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и усиливать социальные предубеждения. Лицензия указана как other; README ссылается на условия лицензии версии 13B 0.9.7-distilled, но её текст в предоставленных данных отсутствует.

Memorizon — модель генерации видео по изображению, разработанная Tingting Liao, Xuezhi Liang, Hao Li и Guangyi Liu из Institute of Foundation Models (IFM), MBZUAI. Она создаёт видео на основе одного исходного изображения и управляющих сигналов: последовательности клавиш для перемещения и поворота камеры либо траектории камеры в виде матрицы поз. Подписи к изображениям формируются автоматически; также можно задать собственный текстовый промпт. Модель основана на Wan2.2-TI2V-5B и представлена как дистиллированный чекпойнт с четырьмя шагами генерации, использующий Self-Forcing и DMD с дистилляцией CFG. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Карточка описывает управление движением и камерой, но не приводит сведений о языковом охвате или длине контекста.

Карточка модели Mini-Bleyz/MiniMax-Fork 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 видеороликов со стереозвуком по тексту, изображениям и мультимодальным материалам. В открытой поставке H3-Base представлены специализированные чекпойнты для генерации по первому и последнему кадру и по набору мультимодальных референсов. Архитектура объединяет кодировщики и VAE для текста, изображений и аудио с H3-Omni-Transformer, который совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в форматах Diffusers и Safetensors. Модель предназначена для генерации роликов длительностью 4–15 секунд с синхронным стереозвуком; доступны различные соотношения сторон, стандартный короткий край изображения — 768 пикселей. Для генерации 2K предусмотрен отдельный этап H3-Regenerate-2K. Вариант FL2VA принимает до двух изображений, а Ref2VA — изображения, видеоклипы и аудиоклипы, включая смешанные референсы. Система поддерживает понимание мультимодального контекста, однако H3-Context-IR, который обрабатывает сложные инструкции и референсы, в открытый выпуск не включён; для него доступен API или можно реализовать собственную предварительную обработку. В открытом выпуске используется полное внимание, а разреженное внимание заявлено для будущего обновления. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax для создания видео со стереозвуком по тексту, изображениям и мультимодальным референсам. Модель принимает текст, изображения, видеоклипы и аудио; в зависимости от варианта поддерживает генерацию по первому и последнему кадру или по смешанным референсам. Генерирует ролики длительностью 4–15 секунд с различными соотношениями сторон и базовым разрешением 768p; для получения 2K предусмотрен отдельный этап H3-Regenerate-2K. Архитектура H3-Base объединяет кодирование модальностей в общую последовательность, которую обрабатывает H3-Omni-Transformer. Модель совместно предсказывает видео- и аудиолатенты; для текста, изображения и аудио используются отдельные кодировщики и VAE. В открытой версии доступен только режим полного внимания. Система H3-Context-IR для предварительной обработки сложных мультимодальных инструкций и оркестрации размещена отдельно и не входит в открытый выпуск, поэтому для сложных входов может потребоваться собственная обработка контекста или официальный API. Репозиторий использует форматы Diffusers и Safetensors; лицензия обозначена как other, конкретные условия следует проверять у разработчика.

Карточка модели maplewoohoooyeah/MiniMax-H3 на Hugging Face совпадает с карточкой Obong128/MiniMax-H3, поэтому описание составлено по ней. 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.

Карточка модели Terminus404/MiniMax-H3 на Hugging Face совпадает с карточкой yemsrach3723/MiniMax-H3-new, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Репозиторий содержит веса в формате Diffusers и SafeTensors для генерации видео по тексту и мультимодальным входам; архитектура включает H3-Omni-Transformer, текстовый энкодер, Visual VAE и Audio VAE. Модель совместно генерирует видео и стереозвук, поддерживает ролики длительностью 4–15 секунд и широкий набор соотношений сторон; базовый вывод выполняется в разрешении 768p, а модуль H3-Regenerate-2K позволяет получить результат до 2K. В зависимости от варианта можно генерировать видео по тексту, одному или двум кадрам, а также использовать изображения, видео и аудио как референсы. Модель подходит для создания коротких видеороликов по описанию, анимирования заданных кадров и генерации видео со звуковым сопровождением. Для сложных свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот hosted-компонент не входит в открытый релиз; начальная версия локального инференса использует полное внимание, а реализация sparse attention заявлена для будущего обновления. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах репозитория MiniMax. README описывает модельную систему MiniMax H3, тогда как данный репозиторий содержит её открытые компоненты для локального развертывания.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Репозиторий содержит веса в формате Diffusers и SafeTensors для генерации видео по тексту и мультимодальным входам; архитектура включает H3-Omni-Transformer, текстовый энкодер, Visual VAE и Audio VAE. Модель совместно генерирует видео и стереозвук, поддерживает ролики длительностью 4–15 секунд и широкий набор соотношений сторон; базовый вывод выполняется в разрешении 768p, а модуль H3-Regenerate-2K позволяет получить результат до 2K. В зависимости от варианта можно генерировать видео по тексту, одному или двум кадрам, а также использовать изображения, видео и аудио как референсы. Модель подходит для создания коротких видеороликов по описанию, анимирования заданных кадров и генерации видео со звуковым сопровождением. Для сложных свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот hosted-компонент не входит в открытый релиз; начальная версия локального инференса использует полное внимание, а реализация sparse attention заявлена для будущего обновления. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах репозитория MiniMax. README описывает модельную систему MiniMax H3, тогда как данный репозиторий содержит её открытые компоненты для локального развертывания.

Abiray/MiniMax-H3-Singularity-GGUF — это набор квантованных версий WarmBloodAban/Minimax-h3_Singularity, общественной доработки модели MiniMax H3. Базовая модель разработана MiniMax, а данный вариант подготовлен сообществом Abiray в формате GGUF и не связан официально с MiniMax. Модель основана на совместном аудио-видео diffusion transformer и предназначена для генерации и обработки видеоконтента, включая сценарии text-to-video, image-to-video и audio-video в ComfyUI. Квантование K-quant с вариантами от Q3_K_M до Q8_0 снижает требования к видеопамяти для локального запуска на потребительских GPU. Доработка Singularity ориентирована на повышенную визуальную точность: более чёткое HDR-изображение, восстановление лиц на расстоянии, улучшенную детализацию кожи, более выразительное движение и качественные визуальные эффекты. Размеры файлов составляют примерно от 8,9 до 21,6 ГБ; рекомендуемые варианты — Q4_K_M для GPU с 12 ГБ VRAM, Q5_K_M для 16 ГБ и Q6_K или Q8_0 для 24 ГБ. Для работы также требуются отдельные текстовый энкодер, video VAE и audio VAE, а дополнительная LoRA может ускорить генерацию до четырёх шагов. Более сильное квантование обычно обеспечивает лучшее качество, но требует больше памяти, тогда как компактные варианты быстрее и экономичнее, однако могут заметнее терять качество. В README не указаны поддерживаемые языки и размер контекстного окна. Модель распространяется по MiniMax H3 Community License Agreement: лицензия действует по всему миру, кроме Европейского союза, Великобритании, Республики Корея и США, где требуется отдельное разрешение MiniMax. Коммерческое использование разрешено организациям с годовой выручкой менее 20 миллионов долларов при обязательной атрибуции.

Карточка модели Skywork/SkyReels-V2-DF-14B-540P 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.

Карточка модели ramram1103/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.

Карточка модели Skywork/SkyReels-V2-I2V-14B-540P 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.

Карточка модели Skywork/SkyReels-V2-I2V-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.

Карточка модели Skywork/SkyReels-V2-T2V-14B-540P 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.

Карточка модели bingoman21/SkyReels-V3-A2V-19B на Hugging Face совпадает с карточкой Skywork/SkyReels-V3-A2V-19B, поэтому описание составлено по ней. SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

Карточка модели talhadon123/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 alibaba-pai/Wan2.1-Fun-14B-InP на Hugging Face совпадает с карточкой alibaba-pai/Wan2.1-Fun-1.3B-InP, поэтому описание составлено по ней. Wan2.1-Fun-1.3B-InP — модель генерации видео из текста и изображений, разработанная командой Alibaba PAI на базе семейства Wan2.1-Fun. Версия 1.3B обучена на данных с несколькими разрешениями и поддерживает прогнозирование видео по начальному и конечному кадрам. Модель предназначена для создания видеороликов по текстовому описанию с возможностью задавать изображение как визуальную опору; в карточке также заявлена поддержка многоязычной генерации. Для запуска проект предлагает библиотеку VideoX-Fun и интеграцию с ComfyUI. Генерация может требовать значительных вычислительных ресурсов; README описывает режимы выгрузки частей модели в CPU, а также режим с float8-квантизацией, который снижает требования к видеопамяти ценой некоторой потери качества. Модель распространяется по лицензии Apache 2.0.

Карточка модели wan-world/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.

Карточка модели BIGJUTT/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Wan2.1 VACE 1.3B — открытая модель генерации и редактирования видео от Wan-AI, построенная на архитектуре diffusion transformer семейства VACE. Эта версия относится к линейке VACE объёмом 1,3 млрд параметров; в репозитории веса представлены в формате safetensors, лицензия — Apache-2.0. Модель предназначена для создания и преобразования видео, в том числе по визуальным входным данным. Карточка указывает поддержку image-to-video, а README описывает VACE как универсальную систему для создания и редактирования видео с вариантами 1.3B и 14B и разрешениями 480p и 720p. В материалах семейства Wan2.1 также заявлены генерация текста на изображениях на китайском и английском языках и работа с видео и изображениями. README отмечает, что для Wan2.1-T2V-1.3B возможно выполнение на потребительском GPU с 8,19 ГБ видеопамяти и приводит пример генерации пятisekундного 480p ролика примерно за четыре минуты на RTX 4090; эти показатели относятся к T2V-1.3B и не гарантируют аналогичную производительность VACE. Карточка не описывает ограничения качества или безопасности конкретно этой версии.

Карточка модели thantai88/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-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.

bullerwins/Wan2.2-I2V-A14B-GGUF — вариант модели Wan2.2-I2V-A14B в формате GGUF, разработанной командой Wan-AI и связанной с проектом Wan-Video. Модель предназначена для генерации видео из одного изображения, включая создание движения, развитие сцен и работу со стилизованными визуальными материалами. Заявлена поддержка разрешений 480p и 720p, а также английского и китайского языков. Модель использует архитектуру Mixture-of-Experts (MoE), в которой разные экспертные компоненты применяются на различных этапах диффузионного устранения шума. Такой подход увеличивает общую емкость модели и направлен на более стабильную генерацию, уменьшение нереалистичных движений камеры и улучшение работы со сложным движением и разнообразной эстетикой. Для запуска требуются две части модели: high-noise для первых этапов и low-noise для детализации. Для использования предусмотрена интеграция с ComfyUI через расширение ComfyUI-GGUF; файлы моделей необходимо разместить в каталоге ComfyUI/models/unet. Ограничениями являются необходимость загрузки и настройки обеих частей модели, а также требования к вычислительным ресурсам, которые в README не уточняются. Модель распространяется по лицензии Apache-2.0.

magespace/Wan2.2-I2V-A14B-Lightning-Diffusers — версия Wan2.2 Image-to-Video, оптимизированная Lightx2v для быстрой генерации видео из изображения. Она принимает исходное изображение и текстовое описание движения или сцены, а также поддерживает генерацию видео только по тексту. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE); заявлены варианты генерации в разрешении 480p и 720p. Модель предназначена для создания коротких видеороликов с заданной сценой и движением, включая кинематографическую стилизацию. В карточке базовой Wan2.2 указана генерация роликов длительностью около пяти секунд для A14B; отдельные возможности Lightning-варианта могут отличаться. Для запуска используется библиотека Diffusers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. Генерация видео требует значительных вычислительных ресурсов; README базовой модели указывает для одного из режимов T2V потребность как минимум в 80 ГБ видеопамяти, а также описывает способы снизить нагрузку. Это указание не подтверждает точные требования данной сборки Lightning. Длина контекста и поддерживаемые языки в предоставленных данных не описаны.

Wan2.2-S2V-14B-Diffusers — это версия модели Wan-AI/Wan2.2-S2V-14B, упакованная в структуру каталогов FastVideo. Она анимирует изображение человека, синхронизируя движения с голосовой записью, и предназначена для создания видео говорящего персонажа по изображению, аудио и текстовому запросу. Для генерации используются веса видеомодели Wan2.2-S2V-14B; текстовый энкодер, VAE, токенизатор и scheduler взяты из Diffusers-релиза Wan2.1, а аудиоэнкодер wav2vec2 — из официального репозитория S2V. Это конверсия формата и структуры файлов для совместимости с FastVideo: README сообщает, что веса модели не менялись, а тензоры видеомодели побайтно совпадают с официальным релизом. В README проверена загрузка 1260 тензоров с корректными именами и формами, но сквозная генерация видео на GPU ещё не проверена. Репозиторий распространяется по лицензии Apache-2.0.