I.10Видео, анимация и 3D

MiniMax-H3 Turbo LoRAs for ComfyUI — это набор адаптеров LoRA для базовой модели Comfy-Org/MiniMax-H3, опубликованный пользователем drbaph и преобразованный для работы в ComfyUI. Набор предназначен для ускоренной генерации видео и синхронизированного аудио, включая сценарии text-to-video, reference-to-video, T2VA, FL2VA и Ref2VA. Адаптеры сокращают необходимое число шагов сэмплирования и ориентированы на few-step и turbo-инференс. В состав входят варианты HyperFlow на 8 шагов, экспериментальные TaoMate на 3 шага и VDN-H3 на 8 шагов, а также LightX2V-адаптеры на 4 или 8 шагов для FL2V и Ref2V. Доступны полные и pruned/curve-form версии, BF16-файлы и компактные варианты с уменьшенным динамическим рангом; отдельные варианты рассчитаны на генерацию в разрешении 768p. Для разных адаптеров требуются совместимые полные или pruned-версии базовой MiniMax-H3, а некоторые используют специальные расписания sigma. Набор рассчитан на ускорение инференса, однако выбор неправильной версии базы или расписания может привести к некорректной работе. Лицензия Apache-2.0.

Карточка модели Skywork/SkyReels-V2-DF-1.3B-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.

SkyReels-V2-I2V-14B-540P-GGUF — это GGUF-конверсия модели Skywork/SkyReels-V2-I2V-14B-540P, разработанной командой Skywork. Модель предназначена для генерации видео по исходному изображению (image-to-video) и ориентирована на сценарии создания и анимации видеоконтента. В карточке указаны соответствующие категории video и video-generation. Модель имеет размер 14B и поставляется в нескольких вариантах квантования GGUF, включая Q8_0 и более компактные варианты; исходные кванты созданы из базового файла FP32. Формат позволяет использовать модель через пользовательский узел ComfyUI-GGUF, при этом файлы модели размещаются в каталоге ComfyUI/models/unet. Для работы также требуется VAE Wan2_1_VAE_bf16.safetensors, доступный в отдельном репозитории. Языки, максимальная длина контекста, точная архитектура и требования к оборудованию в README не указаны. Преимущество модели — наличие квантованных вариантов, которые могут снизить требования к ресурсам по сравнению с полноточной версией, а также интеграция с ComfyUI через GGUF. Ограничения связаны с необходимостью отдельной установки ComfyUI, пользовательского узла и VAE; качество и требования зависят от выбранного типа квантования. Модель распространяется по лицензии Skywork License, обозначенной в карточке как license: other.

Карточка модели jobs-git/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.

SkyReels-V2-T2V-14B-720P-Diffusers — модель генерации видео по текстовому описанию из серии SkyReels-V2, разработанной командой Skywork. Она предназначена для создания кинематографичных роликов высокого разрешения и поддерживает авторегрессионную генерацию длинных видео на основе архитектуры AutoRegressive Diffusion-Forcing. Модель распространяется в формате Diffusers с весами Safetensors; обозначение репозитория указывает на размер 14B и разрешение 720p. Модель подходит для создания видеосцен по текстовым промптам, сторителлинга и генерации продолжительных роликов с согласованной динамикой. В серии также описаны сценарии преобразования изображения в видео и управления камерой, однако эта карточка относится именно к текстовой генерации видео. В README заявлены высокое качество визуальной генерации, работа с движением и длинной длительностью; численные показатели производительности для этого чекпойнта не приведены. Модель выпущена под лицензией с меткой «other» на Hugging Face; конкретные условия использования следует сверить с лицензией проекта. Генерация выполняется через Diffusers и может требовать значительных вычислительных ресурсов из-за размера модели.

Это модульный конвейер генерации видео на основе Wan2.2 VACE, опубликованный akshan-main для Diffusers. Он состоит из пяти настраиваемых блоков: кодирования текста, подготовки управляющего видео, маски и эталонных изображений, денойзинга, обрезки латентов и декодирования. В компоненты входят UMT5EncoderModel, WanVACETransformer3DModel и AutoencoderKLWan; для управления генерацией используется ClassifierFreeGuidance. Доступна настройка boundary_ratio, разделяющего этапы денойзинга с высоким и низким уровнем шума. Конвейер предназначен для управляемой генерации видео по текстовому запросу, с дополнительным видео, маской областей и эталонными изображениями. По умолчанию он рассчитан на 81 кадр и 50 шагов инференса; максимальная длина последовательности текста по умолчанию — 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Пример запуска в карточке не приведён. Лицензия в предоставленных данных не указана.

r4tn4 выпустил адаптер Wan2.1 для генерации реалистичных видео по изображению. Карточка связывает модель с Wan2.1-I2V-Twerk-Lora; в репозитории представлены файлы в форматах GGUF и safetensors. Хотя авторская метка pipeline указывает text-to-image, назначение базовой модели Wan2.1 I2V — генерация видео из изображения, поэтому для пользовательского поиска подходит задача text-to-video. Модель распространяется по лицензии Apache-2.0. README сообщает, что исходная версия размещена на Civitai.

Карточка модели XanFloof/Wan2.1-Fun-1.3B-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 alibaba-pai/Wan2.1-Fun-14B-Control 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 alibaba-pai/Wan2.1-Fun-V1.1-14B-Control на Hugging Face совпадает с карточкой alibaba-pai/Wan2.1-Fun-V1.1-1.3B-InP, поэтому описание составлено по ней. Wan2.1-Fun-V1.1-1.3B-InP — модель семейства Wan2.1-Fun, представленная в карточке Alibaba PAI и распространяемая по лицензии Apache 2.0. Это вариант для генерации видео по тексту и изображениям; в README он описан как модель с обучением на нескольких разрешениях и поддержкой задания начального и конечного кадров. В репозитории указаны веса в формате safetensors и библиотека videox_fun. Модель подходит для создания коротких видеосцен по текстовому описанию, а также анимации изображения с управлением начальным и конечным кадрами. README проекта также описывает сценарии image-to-video, однако конкретные возможности зависят от выбранной модели и файла запуска. Вариант 1,3B требует значительных вычислительных ресурсов: документация предлагает режимы переноса модели в CPU, а квантование float8 может снизить качество генерации.

Карточка модели alibaba-pai/Wan2.1-Fun-V1.1-14B-Control-Camera на Hugging Face совпадает с карточкой alibaba-pai/Wan2.1-Fun-V1.1-1.3B-InP, поэтому описание составлено по ней. Wan2.1-Fun-V1.1-1.3B-InP — модель семейства Wan2.1-Fun, представленная в карточке Alibaba PAI и распространяемая по лицензии Apache 2.0. Это вариант для генерации видео по тексту и изображениям; в README он описан как модель с обучением на нескольких разрешениях и поддержкой задания начального и конечного кадров. В репозитории указаны веса в формате safetensors и библиотека videox_fun. Модель подходит для создания коротких видеосцен по текстовому описанию, а также анимации изображения с управлением начальным и конечным кадрами. README проекта также описывает сценарии image-to-video, однако конкретные возможности зависят от выбранной модели и файла запуска. Вариант 1,3B требует значительных вычислительных ресурсов: документация предлагает режимы переноса модели в CPU, а квантование float8 может снизить качество генерации.

Wan2.1-Fun-V1.1-14B-InP — модель семейства Wan2.1-Fun, опубликованная Alibaba PAI. Это версия для генерации видео по текстовому описанию и изображениям; карточка указывает поддержку задачи text-to-video, а README описывает веса InP как модель генерации видео по тексту и изображению. Модель обучалась на нескольких разрешениях и поддерживает предсказание видео по начальной и конечной опорным изображениям. Модель предназначена для создания видеоклипов по промпту, а также анимации изображений с заданием начального и конечного кадров. Репозиторий использует формат safetensors и библиотеку VideoX-Fun. В README для версии 14B указан размер хранения около 47 ГБ; метаданные каталога приводят 2,3 млрд параметров. Поддерживаемые в карточке языки — английский и китайский. Проект распространяется по лицензии Apache 2.0. Для запуска нужны значительные вычислительные и дисковые ресурсы; README описывает режимы переноса модели на CPU и квантование float8 для снижения потребления видеопамяти, отмечая возможное снижение качества при квантовании. Скорость и качество зависят от оборудования и выбранных настроек генерации.

Карточка модели Sweeney666999/Wan2.1-I2V-14B-480P-l40 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 Edoudom98/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.

Карточка модели wan-community/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.

Карточка модели wan-community/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели Kashapps/Wan2.1-VACE-1.3B 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.

Карточка модели MayhemMark/Wan2.1-VACE-1.3B 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.

SceneWorks подготовила снимок Wan2.2-TI2V-5B в формате MLX для запуска на компьютерах Apple Silicon. Это модель семейства TI2V с плотной архитектурой: DiT-трансформер для генерации видео, текстовый энкодер UMT5-XXL и VAE Wan z48. Модель создаёт видео по текстовому описанию; базовая Wan2.2-TI2V-5B также поддерживает генерацию по исходному изображению. В README не указаны размер видео, длина контекста и языки текстового энкодера. Репозиторий содержит веса bf16 в формате safetensors и предназначен для использования в приложении SceneWorks. Квантизация Q4 или Q8 выполняется движком при загрузке, а не в сохранённых весах. Модель основана на Wan-AI/Wan2.2-TI2V-5B; лицензия Apache-2.0.

Карточка модели qqceqqq/Wan2.2-VACE-Fun-A14B на Hugging Face совпадает с карточкой alibaba-pai/Wan2.2-VACE-Fun-A14B, поэтому описание составлено по ней. 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.

Карточка модели smskk/116k на Hugging Face совпадает с карточкой AgentAnon/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

Карточка модели tareq5055/afsartovideo на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

AlayaLab AlayaWorld-stage1 — общая двунаправленная предобученная контрольная точка Stage1 для версий AlayaWorld DA3 и v1.1 ViGeo. Это плотный видеотрансформер, распространяемый в формате safetensors; размер файла весов составляет 26,2 млрд байт. Модель создаёт видео по первому кадру-изображению и текстовому запросу, без траектории камеры и без компонентов DA3 или ViGeo в этом режиме. Stage1 является начальной точкой для последующих этапов авторегрессионного обучения и обучения пространственной памяти в соответствующих версиях AlayaWorld. Пример конфигурации генерирует видео из 481 кадра с разрешением 960×544 и частотой 24 кадра в секунду, используя 30 шагов сэмплирования. Для запуска отдельно требуются VAE и текстовый энкодер; в README указаны LTX-2.3 и Gemma. Репозиторий ссылается на код и инструкции по настройке AlayaWorld. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Bernini-R-1.3B-bf16 — порт рендерера Bernini от ByteDance в формате MLX, подготовленный mlx-community для запуска на Apple Silicon. Это генератор и редактор видео на основе архитектуры Wan2.1-T2V-1.3B: модель содержит один эксперт и использует Segment-Aware 3D RoPE для работы с несколькими эталонными изображениями и задачами редактирования. Вариант bf16 занимает 2,6 ГБ для трансформера; общие компоненты Wan2.1 — VAE и текстовый энкодер UMT5 — требуют ещё около 11,1 ГБ. Модель поддерживает генерацию видео по текстовому запросу, создание видео с заданным объектом по референсным изображениям и редактирование исходного видео по запросу. Также заявлены преобразование текста в изображение, перенос стиля, удаление субтитров и водяных знаков и локальное редактирование; на простых задачах малый вариант, по описанию проекта, близок к версии 14B. Порт использует только текстовое обусловливание UMT5: семантический планировщик Qwen2.5-VL-7B, описанный в статье, не входит в выпуск. Модель основана на Wan2.1-T2V-1.3B и преобразована из исходной версии ByteDance в bf16. Лицензия — Apache-2.0. Запуск рассчитан на Apple Silicon через MLX и mlx-video; опубликованная проверка проведена на CPU-потоке, поэтому качество и производительность на конкретном устройстве могут отличаться.

Карточка модели Nour-Fayed/daVinci-MagiHuman на Hugging Face совпадает с карточкой GAIR/daVinci-MagiHuman, поэтому описание составлено по ней. daVinci-MagiHuman — генеративная модель SII-GAIR и Sand.ai для создания коротких видео с синхронным звуком, включая ролики с выразительной человеческой мимикой, речью и движениями. Она использует 15-миллиардный 40-слойный Transformer с единой последовательностью токенов текста, видео и аудио; модель совместно обрабатывает текстовый запрос, референсное изображение и зашумлённые аудио- и видеоданные. Архитектура включает специализированные проекции в первых и последних слоях и общие параметры в промежуточных слоях. Модель предназначена для генерации видео по изображению и тексту, с упором на человеческую речь, движения и синхронизацию аудио с видео. В README указаны поддержка английского, китайского (мандаринского и кантонского), японского, корейского, немецкого и французского языков, а также скорость генерации пятиминутного по длительности? Нет: пятисекундного ролика от 2 секунд в 256p до 38 секунд в 1080p на одном H100. Для ускорения используется дистилляция DMD-2 до 8 шагов, отдельный этап повышения разрешения и ускоренный декодер. Модель распространяется под лицензией Apache-2.0. Результаты качества и скорости приведены в README и зависят от описанных авторами условий оценки и оборудования. Для запуска требуются веса полного стека и подходящая среда инференса; указанная скорость предполагает H100 и не переносится автоматически на другое оборудование.

DreamStyle3D — модель для генерации стилизованных 3D-объектов по изображению содержимого и изображению стиля. Она основана на дообученной модели microsoft/TRELLIS-image-large и распространяется в формате safetensors. Модель предназначена для создания 3D-ассетов, сохраняющих содержание исходного изображения и переносящих на объект визуальный стиль второго изображения. В README указана эффективность фреймворка, но конкретные показатели производительности не приведены. Условия лицензии и поддерживаемые языки в доступных данных не описаны.

HunyuanVideo-1.5-Diffusers-720p_t2v — модель генерации видео из текстового описания в формате Diffusers. Репозиторий опубликован сообществом hunyuanvideo-community; карточка указывает конвейер text-to-video и файлы Safetensors. Модель предназначена для создания видео по текстовым запросам. README сообщает, что Hunyuan1.5 использует маски внимания для последовательностей переменной длины и рекомендует backend внимания с эффективной обработкой дополнения последовательностей. Репозиторий распространяется по лицензии, обозначенной на Hugging Face как other; конкретные условия следует сверять с лицензией в репозитории.

Kiwi-Edit 5B — модель для редактирования видео по текстовым инструкциям с передачей визуальных ориентиров. В карточке она описана как единая архитектура, сочетающая обучаемые запросы и латентные визуальные признаки для семантического управления по референсам; заявлено обучение на масштабируемом конвейере данных и наборе RefVIE. Модель предназначена для управляемого редактирования видео, где важны следование инструкции и сходство с визуальным референсом. Репозиторий подготовлен для Diffusers и содержит веса в формате Safetensors. Метаданные классифицируют модель как image-to-video; размер 5B следует из названия репозитория, но отдельно в метаданных не подтверждён. Карточка заявляет улучшенное следование инструкциям и точность передачи референсов, однако не приводит количественных результатов, сведений о поддерживаемых языках или длине видео. Лицензия в предоставленных данных не указана.

LingBot_ComfyUI — подготовленная realrebelai сборка LingBot Video Dense 1.3B для работы в ComfyUI через набор узлов ComfyUI_Rebels_LingBot. Это дообученная модель генерации видео из изображения и текста (TI2V); исходные веса не изменялись, а файлы Diffusers были объединены и переименованы для размещения в папках ComfyUI. В состав входят диффузионная модель DiT на 1,3 млрд параметров в bf16, текстовый энкодер Qwen3-VL и VAE. Метаданные указывают библиотеку Diffusers и формат safetensors. Модель рассчитана на генерацию коротких видеоклипов по текстовому запросу и изображению-условию, в том числе на видеокарте RTX 3070 с 8 ГБ памяти при загрузке текстового энкодера на CPU. Рекомендованы разрешение 832×480 и длительность до 81 кадра; изображения требуются одновременно для визуального кодирования и задания первого кадра в workflow узлов. Лицензия указана как other, конкретные условия в карточке не приведены.

Карточка модели Ademola265/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.