I.10Видео, анимация и 3D

Карточка модели kepom/Wan2.2-T2V-A14B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-T2V-A14B-Diffusers, поэтому описание составлено по ней. Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию от команды Wan-AI. Она предназначена для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель использует диффузионную архитектуру Mixture-of-Experts: специализированные эксперты участвуют в разных этапах денойзинга. Обучение на расширенном наборе изображений и видео направлено на улучшение генерации сложного движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Репозиторий предоставляет веса в форматах Diffusers и safetensors и интеграцию с Diffusers. Для запуска на одном GPU README указывает требование не менее 80 ГБ видеопамяти; доступны параметры выгрузки модели и переноса T5 на CPU для снижения потребления памяти, а также много-GPU-инференс. Для расширения промптов можно подключить Dashscope API. Лицензия модели — Apache-2.0.

Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию от команды Wan-AI. Она предназначена для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель использует диффузионную архитектуру Mixture-of-Experts: специализированные эксперты участвуют в разных этапах денойзинга. Обучение на расширенном наборе изображений и видео направлено на улучшение генерации сложного движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Репозиторий предоставляет веса в форматах Diffusers и safetensors и интеграцию с Diffusers. Для запуска на одном GPU README указывает требование не менее 80 ГБ видеопамяти; доступны параметры выгрузки модели и переноса T5 на CPU для снижения потребления памяти, а также много-GPU-инференс. Для расширения промптов можно подключить Dashscope API. Лицензия модели — Apache-2.0.

Kiijoku/Wan2.2-TI2V-5B-Turbo-GGUF — это квантизированная версия модели Wan2.2-TI2V-5B-Turbo, преобразованная в формат GGUF на основе чекпойнта quanhaol/Wan2.2-TI2V-5B-Turbo и исходных файлов WanVideo. Модель предназначена прежде всего для генерации видео по изображению (I2V), а также позиционируется как универсальная модель для задач text-to-video и image-to-video. В README указано, что она может работать на видеокартах с 4 ГБ памяти, что делает её подходящей для локального запуска на ограниченном оборудовании. Модель имеет размер 5B параметров и поддерживает совместное использование с большинством LoRA, созданных для обычной версии Wan2.2 TI2V-5B. Для работы требуются отдельные UMT5-XXL encoder и VAE; конкретные языки и максимальная длина контекста не указаны. Рекомендуется использовать четыре шага генерации, CFG 1, совместимые сэмплеры Euler, SA_Solver или Uni_PC и разрешения 1280×704 либо 704×1280, однако эти параметры являются рекомендациями из README, а не строгими ограничениями модели. Лицензия — Apache 2.0.

Wan2.2-VACE-Fun-A14B — модель генерации видео из текста и управляемых визуальных условий, представленная проектом Alibaba PAI в составе Wan-Fun. Это дообученная версия Wan-AI/Wan2.2-T2V-A14B; веса опубликованы в формате safetensors и распространяются по лицензии Apache-2.0. Модель предназначена для создания видео по текстовому запросу с возможностью задавать контрольное видео и изображение-образец. В семейство Wan2.2-Fun также входят варианты для управления через Canny, глубину, позу, линии MLSD, траекторию и параметры камеры; README описывает возможности семейства, поэтому наличие каждого режима именно в этом чекпойнте не подтверждено. В документации семейства упомянуты обучение на нескольких разрешениях и поддержка многоязычных запросов. Для запуска предлагаются инструменты videox_fun и интеграция с ComfyUI. Генерация требует значительных вычислительных ресурсов и места на диске; README описывает режимы выгрузки частей модели на CPU и режим с float8-квантизацией, который может несколько снизить качество. Точный размер модели и длина контекста в предоставленных данных не указаны.

Bernini-R-FP32-ComfyUI — конвертированный чекпойнт видеорендерера Bernini-R от ByteDance для работы в ComfyUI. Модель принимает текст и изображение и генерирует видео; карточка также указывает совместимость с ComfyUI и формат safetensors. Веса T5-энкодера, которые были включены в исходный чекпойнт, удалены. Репозиторий содержит файл FP32 и распространяется по лицензии Apache-2.0. Данных о размере модели, контексте, поддерживаемых языках и качестве результатов в карточке нет.

FastMochi — ускоренная модель генерации видео из текстовых запросов, разработанная Hao AI Lab и основанная на Mochi. Дистилляция позволяет создавать видео за 8 шагов диффузии, что, по данным карточки, примерно в 8 раз быстрее исходной Mochi при 64 шагах. Модель предназначена для генерации видео по текстовому описанию и распространяется в формате Diffusers с весами Safetensors. Карточка поддерживает английский язык. Лицензия — Apache-2.0; для запуска README предлагает использовать репозиторий FastVideo или совместимый скрипт из официального репозитория Mochi.

FastWan2.2-TI2V-5B-MLX — модель генерации видео по изображению для компьютеров Apple с Apple Silicon, подготовленная для Videoboom. Это MLX-порт FastVideo/FastWan2.2-TI2V-5B-FullAttn-Diffusers с дистилляцией DMD: генерация выполняется за три шага денойзинга. В составе — диффузионный трансформер DiT в формате bf16, текстовый энкодер UMT5 и VAE; файлы весов поставляются вместе. Модель принимает изображение и текстовое описание и создаёт видеоклип; заявленный размер — около 832×480 пикселей, длительность — до 121 кадра. Она рассчитана на ускоренную генерацию видео на Apple Silicon. Лицензия — Apache-2.0, унаследованная от базовой модели.

Карточка модели 1c1/fg_hg 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.

FollowYourPose_v1 — модель генерации видео по текстовому описанию и последовательности поз, разработанная Yue Ma, Yingqing He, Xintao Wang, Ying Shan, Xiu Li и Qifeng Chen. Она основана на Stable Diffusion и адаптирована для создания управляемых позами видео с персонажами; модель распространяется в формате Diffusers/PyTorch по лицензии MIT. Модель предназначена для генерации видео, в которых движение и позы персонажа согласуются с входной последовательностью поз, а содержание — с текстовым запросом. Среди возможных сценариев авторы указывают замену персонажа, смену фона, перенос стиля и генерацию видео с несколькими персонажами. Архитектура дополнена временными слоями self-attention и межкадровым attention для согласованности содержания между кадрами. В README не приведены размер модели, длина контекста или поддерживаемые естественные языки. Модель обучалась в два этапа: на данных поз-контролируемой генерации изображений, собранных из LAION, и на видеоданных HDVLIA. Она предназначена для синтеза, а не для достоверного отображения реальных людей и событий; результаты также могут содержать стереотипы или оскорбительный контент.

HunyuanVideo-1.5-Diffusers-720p_i2v_distilled — дистиллированная версия HunyuanVideo 1.5 для генерации видео по исходному изображению. Репозиторий содержит веса в формате Diffusers и Safetensors и предназначен для работы через HunyuanVideo15ImageToVideoPipeline. В README упоминается поддержка последовательностей переменной длины с масками внимания; для высокой производительности рекомендуется backend внимания, эффективно работающий с дополнением последовательностей. Модель подходит для создания видео на основе изображения и текстового описания в совместимых сценариях image-to-video. Карточка не раскрывает сведения о языках, размере модели, длине контекста или лицензии, пригодной для стандартной классификации: указана лицензия other. Для запуска требуется совместимая программная среда Diffusers; README рекомендует установить пакет kernels для доступа к предварительно собранным ядрам внимания.

Карточка модели dprrwt/Lightricks_LTX-2 на Hugging Face совпадает с карточкой Aga16/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Карточка модели hohago7090/LTX-2 на Hugging Face совпадает с карточкой Aga16/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Карточка модели Nidhal998/LTX-2 на Hugging Face совпадает с карточкой Aga16/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Карточка модели NNYAA-344184/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

LTX-2-19B-Distilled — дистиллированная версия модели LTX-2 от Lightricks для быстрой генерации видео с уменьшенным числом шагов диффузии. Репозиторий содержит чекпойнт для запуска через Diffusers и поддерживает создание видео как по текстовому запросу, так и по исходному изображению. Модель подходит для быстрого создания видеороликов из описаний и анимации предоставленных изображений. Базовая LTX-2 — аудиовизуальная диффузионная модель; однако карточка этого репозитория явно заявляет только генерацию видео по тексту и изображению. Чекпойнт распространяется по лицензии, обозначенной как other; конкретные условия следует сверить с файлами репозитория.

Карточка модели Cosmicvibez/LTX-2.3 на Hugging Face совпадает с карточкой jsoncx/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель семейства DiT, разработанная Lightricks для совместной генерации видео и синхронизированного с ним аудио. Карточка описывает обновление LTX-2 с улучшенным качеством изображения и звука и более точным следованием запросам. Репозиторий содержит версии модели dev на 22 млрд параметров, дистиллированную версию на 8 шагов и LoRA для неё; метаданные указывают формат safetensors и библиотеку Diffusers. Модель предназначена для создания видео по изображению и текстовому описанию, а также для локального запуска и дообучения. В карточке указан английский язык. Для размеров кадра требуется кратность 32, а число кадров должно иметь вид 8n+1. Модель может неточно следовать запросу, зависит от стиля промпта и может выдавать предвзятый или нежелательный контент; звук без речи может быть низкого качества. Она не предназначена для получения фактических ответов. Лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензией репозитория.

LTX-2.3 — разработанная Lightricks диффузионная аудиовизуальная foundation-модель на основе DiT. Она создаёт видео и синхронизированное с ним аудио в одной модели; карточка описывает варианты image-to-video, а в тегах также перечислены сценарии text-to-video, преобразования видео и генерации аудио. Выпущены полный обучаемый чекпойнт и дистиллированные варианты на 8 шагов. Репозиторий содержит веса safetensors; для работы авторы описывают собственный код на PyTorch и интеграцию с ComfyUI. Модель предназначена для локальной генерации аудиовизуальных клипов по изображениям и текстовым запросам, а также для творческих рабочих процессов с видео и звуком. В карточке указан английский язык. Качество следования запросу зависит от формулировки промпта; модель может не точно воспроизводить его, усиливать общественные предубеждения и создавать неподходящий или оскорбительный контент. Аудио без речи может быть низкого качества, а модель не предназначена для выдачи фактической информации. Лицензия в метаданных указана как other.

stronman/LTX-2.3-fp8 — FP8-версия аудиовизуальной foundation-модели LTX-2.3, разработанной Lightricks. Это диффузионная DiT-модель с открытыми весами, предназначенная для совместной генерации синхронизированных видео и аудио. Она поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio и комбинированную генерацию аудио-видео, включая преобразование аудио. Доступны полный обучаемый вариант ltx-2.3-22b-dev-fp8 и дистиллированный вариант ltx-2.3-22b-distilled-fp8, рассчитанный на генерацию за 8 шагов при CFG=1. Модель ориентирована на локальный запуск и практическое применение, отличается улучшенным качеством аудио и видео и более точным следованием запросам по сравнению с LTX-2. Заявлен английский язык. Для работы требуются размеры кадра, кратные 32, а число кадров — по формуле 8n+1. Модель не предназначена для предоставления фактической информации и может не полностью соответствовать запросам, усиливать социальные предубеждения или генерировать неприемлемый контент. Качество аудио без речи может быть ниже. Использование полного, дистиллированного вариантов, апскейлеров и производных регулируется ltx-2-community-license-agreement.

BennyDaBall/LTX-2.5-22b-distilled-nvfp4-comfy — это квантизированная версия 22-миллиардной distilled-модели LTX-2.5, разработанной Lightricks, подготовленная BennyDaBall для загрузки в ComfyUI. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео, включая создание роликов с синхронизированным аудио. Она интегрируется со стандартными шаблонами ComfyUI для LTX-2.5 и не требует пользовательских узлов. Модель основана на архитектуре DiT и использует формат квантизации NVFP4 с группой 16 и масштабами ModelOpt. В репозитории исправлена совместимость официального NVFP4-экспорта с ComfyUI: в 1 176 квантизированных слоёв добавлены маркеры формата, без изменения весов. Размер файла составляет 18,7 ГБ, что меньше варианта comfy-int8-convrot размером 21,5 ГБ. Для работы требуется ComfyUI версии 0.32.0 или новее и GPU архитектуры Blackwell, например RTX 50-й серии. Текстовый энкодер, VAE и latent upscaler загружаются из официального репозитория LTX-2.5. Сильные стороны модели — уменьшенное потребление видеопамяти по сравнению с int8-вариантом, поддержка text-to-video и image-to-video, сохранение композиции, детализации и характера движения, а также генерация видео с аудио. По данным README, ролик длительностью 10 секунд в разрешении 1280×736 с синхронизированным аудио создаётся примерно за 50 секунд на RTX 5090, включая первую загрузку модели. Ограничения включают зависимость от Blackwell GPU и FP4-ядер, возможный шум квантизации и отсутствие гарантии побитового совпадения с другими вариантами квантизации. Весы распространяются по лицензии LTX-2.x Community License. Условия лицензии следует уточнять в файле LICENSE.txt репозитория; README также указывает, что ответственность за созданный контент несёт пользователь.

LTX-2.5-Diffusers — репозиторий весов модели LTX-2.5 от Lightricks для запуска и тонкой настройки на собственной инфраструктуре. Основное назначение — генерация синхронизированных видео и аудио высокого качества по тексту, а также работа с изображениями и видео как входными условиями. Модель загружается через библиотеку Diffusers; репозиторий содержит дистиллированный DiT-трансформер по умолчанию, полный вариант Full/SFT и свёрточный видео-VAE. Для декодирования видео доступен также отдельный diffusion-декодер. Карточка описывает workflows для генерации видео и аудио, включая двухэтапную генерацию с повышением разрешения, обработку условий и запуск декодирования с ограничением памяти через tiling. Для работы требуется актуальная версия Diffusers из основной ветки; отдельные сценарии требуют установки kernels. Лицензия LTX-2.x Community License допускает коммерческое и производственное использование без оплаты для организаций с годовой выручкой менее 10 млн долларов; для организаций с большей выручкой предусмотрено отдельное платное соглашение, а передача дообученных моделей может требовать платной лицензии.

LTX-2.5-GGUF — это набор GGUF-квантизированных весов 22-миллиардной дистиллированной Transformer-модели LTX-2.5, разработанной Lightricks и конвертированной для распространения пользователем molbal. Модель предназначена для генерации видео по текстовому описанию, преобразования изображения в видео, а также создания переходов между первым и последним кадрами. Репозиторий ориентирован на использование в ComfyUI через расширение ComfyUI-GGUF и содержит готовые рабочие процессы для этих сценариев, включая синхронизированное аудио и движение при анимации исходного кадра. Доступны варианты Q4_0 размером около 11,65 ГБ, оптимизированный для видеокарт с 16–24 ГБ VRAM, а также Q8_CR размером около 20,04 ГБ и Q8_0 размером около 21,22 ГБ. Вариант Q8_0 заявлен как близкий по качеству к FP16/BF16 и рассчитан на видеокарты с 24 ГБ VRAM и более. Для работы требуются дополнительные компоненты: текстовый энкодер Gemma 4 12B с projection, video VAE и audio VAE. В метаданных указаны английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; поддерживаемые контекстные ограничения не указаны. Сильными сторонами являются поддержка нескольких режимов генерации видео, наличие готовых ComfyUI-workflow и выбор между экономией памяти и более высоким качеством за счёт разных уровней квантования. Ограничения включают необходимость значительных вычислительных ресурсов, установки ComfyUI и дополнительных моделей, а также возможное снижение качества у более компактного варианта Q4_0. Модель распространяется по лицензии LTX-2 Community License Agreement; точные условия приведены в указанном в README файле лицензии.

LTX-Video 0.9.7-dev — диффузионная модель генерации видео, разработанная Lightricks. Она создаёт видео по текстовому описанию, а также поддерживает сценарий с изображением и текстом. В README эта версия отнесена к варианту 13B с наивысшим качеством, требующему больше видеопамяти; семейство LTX-Video основано на архитектуре DiT. Модель рассчитана на создание реалистичных и разнообразных роликов. В карточке указаны скорость генерации выше скорости просмотра, разрешение 1216×704 и частота 30 кадров в секунду для семейства. Рекомендуются английские подробные запросы; лучше использовать разрешения ниже 720×1280 и видео короче 257 кадров. Для совместимости разрешение должно делиться на 32, а число кадров иметь вид 8n+1; при необходимости модель дополняет и обрезает входные размеры. Модель может не точно следовать запросу, а результат зависит от формулировки промпта. Она не предназначена для выдачи фактической информации и может усиливать социальные предубеждения. Лицензия указана как other; README перечисляет отдельные условия лицензирования версии 13B 0.9.7-dev, поэтому перед использованием следует ознакомиться с ними.

MeiGen-MultiTalk — открытая модель MeiGen-AI для генерации видео с говорящими людьми по изображению и аудио. Она предназначена для создания диалогов с одним или несколькими персонажами, синхронизируя движения губ с речью и связывая аудио с нужным человеком в кадре. В README описаны управление персонажами с помощью текстовых подсказок, поддержка мультяшных персонажей и пения, разрешения 480p и 720p, произвольные соотношения сторон и длительность видео до 15 секунд. Модель использует аудио-ориентированный подход к генерации видео, метод Label Rotary Position Embedding для связывания аудио и видеолатентов, а также адаптивную локализацию человека по референсному изображению. В репозитории находятся веса в формате Safetensors; заявлена лицензия Apache-2.0. Для установки и запуска разработчики отсылают к своему GitHub-репозиторию.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со стереозвуком по тексту и мультимодальным входным данным. В опубликованном наборе есть два специализированных чекпойнта; архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в последовательность для H3-Omni-Transformer, который совместно предсказывает видео- и аудиоданные. Репозиторий использует Diffusers и формат Safetensors; генерация длится 4–15 секунд, базовый выход имеет разрешение 768p, а вариант H3-Regenerate-2K позволяет получить до 2K. Модель предназначена для генерации роликов по тексту, изображениям и мультимодальным референсам, включая видео и аудио. Поддерживаются режимы с первым и последним кадром, а также смешанные референсные входы; возможны разные соотношения сторон. Полный сценарий обработки свободных мультимодальных инструкций зависит от H3-Context-IR — размещённого отдельно сервиса предварительной обработки, не входящего в открытый релиз. В открытом релизе используется полное внимание, а sparse attention пока не предоставляется. Лицензия указана как other, поэтому конкретные условия следует сверять с лицензией репозитория.

MiniMax H3 MXFP8 — это FP8-квантизированная версия диффузионной модели MiniMax H3 от MiniMaxAI, подготовленная пользователем rzgar. Модель основана на чекпойнте fl2va (first-last-frame to video+audio) и предназначена для генерации видео с синхронизированным аудио по тексту, изображению, первым и последним кадрам, видео или аудио, а также для мультимодальных сценариев преобразования и продолжения контента. В карточке указана поддержка text-to-video, image-to-video, image-text-to-video, video-to-video, генерации audio-video и связанных reference-to-audio-video сценариев. Доступны варианты MXFP8, FP8 E4M3FN и FP8 с attention в FP16; размеры файлов составляют примерно 21–47,6 ГБ, а для варианта FP16attn — 28,7 ГБ. Для FP8 E4M3FN указаны sampler dpmpp_2m и scheduler sgm_uniform; рекомендуемым компромиссом между качеством и скоростью названы 8 шагов, при этом конкретная MXFP8-версия отмечена как пригодная для улучшения аудио на 5 и 8 шагах. Модель использует видео- и аудиоканалы, но сведения о точной архитектуре, числе параметров, поддерживаемых языках и максимальной длине контекста в README отсутствуют. Сильными сторонами являются мультимодальная генерация видео и аудио, синхронизация аудио с видео, наличие нескольких вариантов точности и возможность ускоренной генерации за небольшое число шагов. Ограничения включают большие требования к дисковому пространству и вычислительным ресурсам, зависимость качества и скорости от варианта квантизации и числа шагов, а также отсутствие подробных количественных оценок и информации о языковых возможностях. Указана лицензия Apache-2.0.

MiniMax-H3 Fused Turbo (INT8 ConvRot) — файл весов для ComfyUI, собранный автором репозитория на основе производных версий MiniMax-H3. Он предназначен для генерации видео по текстовому описанию и изображению, а также для reference-to-video с использованием референсов. Веса объединяют базовую модель с turbo-адаптером lightx2v FL2VA и адаптером Mystic для более плавного движения; затем основные линейные слои квантованы в INT8 с ConvRot. Модель запускается через стандартный UNETLoader ComfyUI и рассчитана на генерацию за 4 шага. Модель создаёт видео со звуковой дорожкой; в README приведён пример ролика длительностью 10 секунд с разрешением 1152×640. Для запуска нужны ComfyUI, совместимый рабочий процесс и достаточные ресурсы GPU или системной памяти; управление памятью ComfyUI позволяет запускать модель и на картах меньше 96 ГБ, но медленнее. Автор отмечает, что развернутые LoRA-настройки уже встроены в веса и их силу нельзя менять отдельно. Лицензия указана как other, поэтому условия использования следует уточнять на странице репозитория.

MiniMax-H3-Pruned-Ref-Delta-Fused-r1024 — слитый чекпойнт на основе MiniMax H3, собранный сообществом с использованием разностных весов между вариантами ref2va и fl2va. Он предназначен для генерации коротких видео с опорой на изображения, видео и текст; базовая модель MiniMax H3 также поддерживает стереозвук. Чекпойнт распространяется в формате safetensors и рассчитан на загрузку через diffusers с поддержкой специальной обрезанной архитектуры трансформера MiniMaxH3PrunedTransformer3DModel. Разностные веса извлечены методом randomized SVD с рангом 1024, дополнены точными изменениями RMSNorm, смещений и таблицы временных координат, а затем слиты в чекпойнт. В README приведены измерения сходства латентных представлений с вариантом ref2va, а также результаты генерации по ключевым кадрам; для коротких клипов описан ускоренный режим с turbo LoRA. Лицензия указана как other, а README относит базовую модель и лицензию к MiniMaxAI, поэтому условия использования следует сверять с лицензией базовой модели.

MiniMax-H3-fl2va-ref2va-hybrid-w4a8 — гибридный чекпойнт на основе MiniMax-H3, созданный автором berryber09. Он объединяет в одной модели условие по первому кадру и управление через референсные изображения: первый кадр задаёт временную опору, а референс помогает сохранить личность персонажа, сцену или стиль и ввести их в нужный момент ролика. Модель предназначена для генерации видео по изображению в ComfyUI. Чекпойнт собран сшивкой блоков двух вариантов MiniMax-H3: входные и выходные головы, а также блоки 0–19 взяты из fl2va, блоки 20–49 — из ref2va. Веса имеют смешанную 4-битную квантизацию w4a8_mixed, размер файла около 12,5 ГБ; автор сообщает о загрузке на видеокарту с 16 ГБ памяти. Модель маршрутизируется в ComfyUI как ref2va и поддерживает одновременное использование первого кадра и референсных изображений. Качество базовой генерации немного ниже, чем у варианта с большим числом блоков fl2va, зато гибрид сильнее ориентирован на соответствие референсам. Ограничения включают компромисс между качеством и точностью следования референсу, а также необходимость подходящей конфигурации ComfyUI. Лицензия унаследована от MiniMax-H3 и обозначена в метаданных как other.

Minimax-h3_Singularity — модель генерации видео, созданная разработчиком AIGC-Singularity путём объединения контрольных точек и последующего дообучения MiniMax-H3. Она предназначена для рабочих процессов ComfyUI: создания видео по изображению, тексту, референсам и исходному видео. В метаданных основной задачей указана генерация видео по изображению; также заявлена поддержка text-to-video, reference-to-video и video-to-video. Разработчик сообщает об улучшениях чёткости HDR-изображения и снижении размытия в движении, восстановлении лиц на дальних планах, более естественном освещении и динамике, а также о повышенной выразительности лиц, управляемости камеры и качестве боевых сцен и фэнтезийных эффектов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для ускоренной генерации автор рекомендует отдельную LoRA для четырёхшагового вывода. README не приводит размер модели, длину контекста или конкретные требования к оборудованию. Заявления о качестве и сохранении возможностей MiniMax-H3 принадлежат разработчику и не подкреплены в карточке результатами независимой оценки.