I.8Изображения и компьютерное зрение

Карточка модели MsMagic/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Карточка модели Zapm14/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers на Hugging Face совпадает с карточкой FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers, поэтому описание составлено по ней. FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers — объединённая модель генерации видео, созданная слиянием Wan-AI/Wan2.2-I2V-A14B-Diffusers и Wan2.2-Lightning v1. Она принимает исходное изображение и текстовое описание, чтобы создать видеоролик; в примере запуска указаны разрешение 480×832, 81 кадр, частота 16 кадров/с и четыре шага генерации. Модель предназначена для сценариев image-to-video и доступна в формате Diffusers с весами Safetensors. Модель основана на диффузионной MoE-модели Wan2.2-I2V-A14B, для которой в метаданных указана генерация видео 480p или 720p по изображению и тексту. Репозиторий распространяется по лицензии MIT. Пример использования FastDM дополнительно показывает режим FP8 и параметр guidance scale 1.0.

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.

YOLO Khmer Text & Math Line Detection v4.0 — модель обнаружения строк текста на страницах камбоджийских учебников по математике и физике. По README, её разработчик обучил модель на материалах национальной школьной программы Камбоджи для 5–12 классов; архитектура относится к семейству YOLO, а репозиторий содержит ONNX-версию. Модель выделяет целые строки, объединяющие кхмерский текст и математические выражения, включая дроби, корни, интегралы, векторы, пределы, матрицы и системы уравнений. Модель предназначена для подготовки страниц учебников к последующему распознаванию текста и формул, а также для поиска строк в приложениях для сервера, настольных компьютеров, веба и мобильных устройств. Для страниц высокого разрешения рекомендуется размер изображения 1280 пикселей; README приводит для версии v4.0 показатели 91,22% mAP@50, 90,99% точности и 86,58% полноты. Модель выдаёт рамки обнаруженных строк, а не распознанный текст или LaTeX. В метаданных указана лицензия Apache-2.0. Результаты описывают обнаружение строк в учебниках по математике и физике Камбоджи; качество на других типах документов и языках не подтверждено.

Карточка модели Gencarmo/Z-Image-Turbo на Hugging Face совпадает с карточкой Tongyi-MAI/Z-Image-Turbo, поэтому описание составлено по ней. Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

Карточка модели Jinstudio/Z-Image-Turbo на Hugging Face совпадает с карточкой Tongyi-MAI/Z-Image-Turbo, поэтому описание составлено по ней. Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

Это модель EVA02-CLIP от команды timm, опубликованная в формате OpenCLIP. Она сопоставляет изображения и текст: принимает изображение и текстовые описания категорий, кодирует их и позволяет оценить соответствие изображения каждому описанию для классификации без обучения на конкретном наборе меток. Визуальная часть основана на Vision Transformer с патчами 16×16; модель рассчитана на изображения 224×224. В названии и карточке указано обучение на объединённом наборе данных объёмом 2 млрд примеров. Модель предназначена для нулевой классификации изображений и сопоставления изображения с текстовыми запросами. Она выдаёт оценки сходства, поэтому пригодна для задач поиска и отбора по свободно заданным категориям. Весовые файлы доступны в форматах PyTorch и Safetensors и используются через OpenCLIP. Лицензия — MIT. Карточка не сообщает целевой естественный язык; качество зависит от формулировок текстовых меток и соответствия изображений обучающим данным.

FG-CLIP 2 — двуязычная модель визуально-текстового выравнивания для детального понимания изображений и текста. В карточке указаны авторы Chunyu Xie, Bin Wang и коллеги; модель доступна в репозитории qihoo360 и предназначена для английского и китайского языков. Модель сопоставляет изображения с текстовыми описаниями и поддерживает классификацию изображений без дополнительного обучения, а также поиск по изображению и тексту. Авторы сообщают о проверке на 29 наборах данных и восьми задачах, где FG-CLIP 2 превзошла ряд сильных базовых моделей, включая SigLIP 2 и MetaCLIP 2. Архитектура FG-CLIP 2 представлена классом Fgclip2Model; для загрузки в README приведён интерфейс Transformers с обработкой изображений и токенизатором. Модель принимает изображения и текстовые запросы и формирует выравненные представления для сопоставления и классификации. Репозиторий содержит веса в формате Safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

gokaygokay/Florence-2-Flux — дообученная на датасете kadirnar/fluxdev_controlnet_16k модель на базе Florence-2-base от Microsoft. Она предназначена для задач зрения, в которых нужно преобразовать изображение в текстовый ответ; семейство Florence-2 поддерживает описание изображений, распознавание текста и локализацию объектов по текстовым промптам. Репозиторий использует архитектуру Florence2ForConditionalGeneration и формат safetensors, а запуск предполагает библиотеку Transformers. Модель может быть полезна для анализа и текстового описания изображений. Карточка не раскрывает, какие именно возможности Florence-2 были дообучены и насколько хорошо они работают в этой версии. Лицензия — Apache-2.0.

xcreates/FLUX.2-klein-4B — публикация модели FLUX.2-klein-4B от xCreate для генерации и редактирования изображений. Карточка сообщает о тестировании через приложение xCreate на компьютерах Apple с разной производительностью; для одного изображения указаны время генерации от примерно 9,7 до 56 секунд и потребление памяти около 28 ГБ. Метаданные указывают поддержку text-to-image и image-to-image, а также форматы Diffusers и Safetensors и лицензию Apache-2.0. Для работы с изображениями модель принимает текстовые запросы и изображения и выдаёт изображения. В карточке нет сведений об архитектуре, числе параметров, контексте или конкретных языковых возможностях; тег en указывает английский язык. README уточняет, что xCreate не является создателем модели и предупреждает о возможных неточностях сгенерированного содержимого.

Карточка модели thornmaze/FLUX2-klein-9B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-9B, поэтому описание составлено по ней. FLUX.2 [klein] 9B — модель генерации и редактирования изображений от Black Forest Labs. Это трансформер rectified flow с 9 млрд параметров и текстовым энкодером Qwen3 на 8 млрд параметров; модель дистиллирована до четырёх шагов инференса для быстрой генерации. Она принимает текстовые описания и изображения-референсы, объединяя генерацию по тексту, редактирование одного изображения и работу с несколькими референсами в одной архитектуре. Модель предназначена для быстрого создания изображений, творческого поиска вариантов и интеграции генерации и редактирования в приложения с низкой задержкой. В карточке заявлены высокая скорость и следование промпту, однако фактический результат зависит от формулировки запроса. Модель не предназначена для получения фактической информации, может неверно отображать текст внутри изображения и не всегда точно выполняет запрос. Для локального запуска требуется около 29 ГБ видеопамяти. Лицензия указана как other; README описывает использование как некоммерческое и перечисляет ограничения допустимого применения.

Gemini 3.1 Flash Image Preview, также известная как Nano Banana 2, — модель Google для генерации и редактирования изображений. В карточке она описана как модель, обеспечивающая визуальное качество уровня Pro при скорости Flash. Её можно использовать для создания изображений по запросу и изменения существующих изображений. Метаданные Hugging Face относят модель к задаче image-text-to-text. Данных о базовой модели, лицензии, поддерживаемых языках, размере и контексте в предоставленных материалах нет.

GLIGEN — диффузионная модель генерации изображений с привязкой объектов к заданным областям. Её разработали исследователи и инженеры University of Wisconsin–Madison, Columbia University и Microsoft. Эта версия предназначена для запуска через StableDiffusionGLIGENTextImagePipeline в библиотеке Diffusers. Модель принимает текстовое описание, ограничивающие рамки и, при необходимости, исходные изображения. Она генерирует сцену по запросу и размещает описанные объекты в областях, заданных рамками; использует замороженный текстовый энкодер CLIP ViT-L/14. Модель рассчитана прежде всего на английский язык и творческие сценарии: создание иллюстраций, дизайн и образовательные инструменты. К ограничениям относятся нечитаемый текст на изображениях, несовершенный фотореализм и трудности со сложными пространственными отношениями; лица и люди также могут получаться некорректно. Модель может воспроизводить смещения обучающих данных и запоминать дублированные изображения. Для использования предусмотрена лицензия CreativeML OpenRAIL-M; авторы рекомендуют подключать Safety Checker из Diffusers и не использовать модель для фактического изображения людей или событий.

Карточка модели banmaoycrane/HunyuanVideo-1.5 на Hugging Face совпадает с карточкой tencent/HunyuanVideo-1.5, поэтому описание составлено по ней. HunyuanVideo-1.5 — модель генерации видео от Tencent с 8,3 млрд параметров. Она использует архитектуру Diffusion Transformer (DiT), 3D causal VAE и механизм Selective and Sliding Tile Attention (SSTA), который снижает вычислительные затраты при работе с длинными видеопоследовательностями. Модель поддерживает генерацию видео по текстовому описанию и по изображению, а также разные длительности и разрешения; сеть суперразрешения повышает результат до 1080p. Модель предназначена для создания роликов с согласованным движением, следованием инструкциям и визуально проработанными сценами. README описывает двуязычное понимание английского и китайского, а также поэтапное обучение и оптимизацию вывода. Для запуска доступны веса в формате safetensors и интеграция с Diffusers; заявленная скорость измерялась на восьми GPU H800, поэтому она не гарантирует аналогичную производительность на потребительском оборудовании. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория перед применением или распространением модели.

Карточка модели neuralnetworker/Krea-2-Turbo на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

Карточка модели szwagros/Krea-2-Turbo-fp8 на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

LLaDA-Image-Turbo — модель генерации и редактирования изображений, разработанная командой Inclusion AI. Это дистиллированная версия семейства LLaDA-Image с 6 млрд параметров, рассчитанная на быстрый вывод: для генерации и редактирования рекомендуется 4 шага сэмплирования. Модель работает через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Модель создаёт изображения по текстовому описанию, а также редактирует референсное изображение по инструкции, стараясь сохранять его исходное содержание. Поддерживаются генерация с условием VQ-токенов и отображение текста на английском и китайском языках; заявлены фотореалистичные сцены, детализированное освещение и создание постеров с текстом. Для редактирования требуется входное изображение. Размеры изображения при текстовой и VQ-генерации должны быть кратны 16, а при редактировании — кратны 32. Веса распространяются по лицензии Apache-2.0. Обучающий код в карточке пока не представлен.

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

kli017/majicMIX-realistic-v7 — модель генерации изображений по текстовому описанию, опубликованная пользователем kli017 на Hugging Face. Она предназначена для создания реалистичных изображений по промптам и работает через Diffusers StableDiffusionPipeline. Модель построена на архитектуре Stable Diffusion с компонентами CLIPTextModel, UNet2DConditionModel, AutoencoderKL и PNDMScheduler. Репозиторий содержит версии в форматах Safetensors и CKPT; размер файла весов Safetensors составляет около 2,13 ГБ. Модель принимает текстовые описания и генерирует изображения, например сцены, персонажей и предметные композиции. В карточке модели не указаны лицензия, поддерживаемые языки промптов, точное число параметров и длина контекста. Также отсутствуют сведения о специализированных доменах и официальных ограничениях.

Distilled MetaCLIP 2 ViT-S/16 (mT5 Tokenizer) — мультиязычная модель сопоставления изображений и текста от Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-mT5-worldwide из оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения. Модель принимает изображения и текстовые метки или описания, сопоставляет их и позволяет выбирать наиболее подходящие варианты. В карточке указана архитектура ViT-S/16 и токенизатор mT5; репозиторий распространяет веса в формате safetensors и предназначен для работы через Transformers. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

MMaDA-8B-MixCoT — мультимодальная диффузионная модель семейства LLaDA, представленная разработчиками Gen-Verse. Она использует единую архитектуру для рассуждений по тексту, понимания мультимодальных данных и генерации изображений по текстовому описанию. Модель дообучена на смешанном формате длинных цепочек рассуждений и прошла постобучение с алгоритмом UniGRPO на основе градиента политики. По сравнению с MMaDA-8B-Base, версия MixCoT демонстрирует более точное следование инструкциям и более стабильную генерацию цепочек рассуждений. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Карточка не приводит размер модели и длину контекста.

Nucleus-Image — базовая модель генерации изображений по текстовому описанию, представленная командой NucleusAI. Это диффузионный трансформер с разреженной архитектурой MoE: 32 слоя, 17 млрд параметров суммарно и около 2 млрд активных параметров на проход. В большинстве блоков используются 64 маршрутизируемых эксперта и один общий эксперт; модель применяет маршрутизацию Expert-Choice и совместное внимание к представлениям изображения и текста. Модель предназначена для создания изображений по запросу, включая портреты, фантастические и природные сцены, иллюстрации, предметную съёмку, архитектуру, еду и изображения с текстом. Поддерживает разные соотношения сторон и обучалась с постепенным повышением разрешения до 1024 пикселей. Для работы используется библиотека diffusers; доступны веса в формате safetensors. README описывает её как базовую модель без дополнительной настройки предпочтений. Лицензия — Apache-2.0. Заявленные в карточке результаты получены на предобученной модели при генерации 1024×1024 за 50 шагов с CFG 8.0. Эти показатели приведены разработчиками и не гарантируют качество на каждом запросе. Модель требует вычислительных ресурсов для диффузионной генерации; активная доля параметров снижает нагрузку относительно плотной модели, но не делает её малоресурсной.

resnet50x16_clip.openai — модель CLIP, разработанная OpenAI и опубликованная на Hugging Face организацией timm. Она сопоставляет изображения с текстовыми описаниями и предназначена, в частности, для классификации изображений по текстовым меткам без дообучения на конкретных классах. Архитектура включает модифицированный ResNet-50x16 для изображений и Transformer для текста; изображения обрабатываются в разрешении 384×384, длина текстового контекста — 77 токенов. Модель принимает изображения и текстовые метки классов, а для классификации оценивает соответствие между ними. Веса доступны по лицензии MIT. В карточке OpenAI CLIP отмечено, что модель создана как исследовательский результат и её возможности следует оценивать с учётом контекста применения; классификация зависит от формулировок текстовых меток и может наследовать ограничения обучающих данных.

Stable Diffusion Image Variations v2 — модель генерации вариаций изображений, разработанная Lambda и основанная на Stable Diffusion. Она принимает изображение, кодирует его с помощью визуального энкодера ViT-L/14 в пространстве CLIP и генерирует новое изображение, сохраняющее сходство с исходным. Модель дообучена на наборе LAION Improved Aesthetics 6plus; её веса опубликованы в формате Diffusers/PyTorch. Модель предназначена для создания визуальных вариантов по изображению-образцу, например для исследования альтернативного стиля или композиции. В README отмечено, что версия v2 обучалась дольше и даёт более качественные результаты и большую CLIP-оценку сходства, чем предыдущая версия. Для корректного предобработки входное изображение следует уменьшать без сглаживания; при стандартном преобразовании PIL в Diffusers сглаживание может повлиять на результат. К ограничениям относятся несовершенный фотореализм, трудности с лицами, текстом и сложными пространственными композициями, а также склонность запоминать изображения из обучающих данных. Модель лучше работает с англоязычными описаниями, хотя её основной вход — изображение. Указанная лицензия — CreativeML OpenRAIL-M. README рекомендует использовать Safety Checker из Diffusers; данные обучения содержат материалы для взрослых, поэтому для продуктового применения могут потребоваться дополнительные меры безопасности.

Карточка модели radames/stable-diffusion-v1-5-img2img на Hugging Face совпадает с карточкой botp/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому запросу, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером CLIP ViT-L/14. Чекпойнт основан на Stable Diffusion v1.2 и дообучен на 595 тысячах шагов при разрешении 512×512 на данных LAION-Aesthetics v2 5+; в 10% случаев текстовое условие отключалось для улучшения classifier-free guidance. Модель доступна в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, концепт-арта и изображений для творческих и образовательных инструментов по англоязычным промптам. Она хуже работает с другими языками, может ошибаться в композиционно сложных сценах, не обеспечивает надёжный фотореализм и обычно не создаёт читаемый текст. Разработчики указывают, что обучающие данные содержат материалы для взрослых, а модель может воспроизводить предвзятости и запоминать дубли изображений; для использования рекомендуется применять Safety Checker. Лицензия — CreativeML OpenRAIL-M.

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

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

Карточка модели 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.

FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers — объединённая модель генерации видео, созданная слиянием Wan-AI/Wan2.2-I2V-A14B-Diffusers и Wan2.2-Lightning v1. Она принимает исходное изображение и текстовое описание, чтобы создать видеоролик; в примере запуска указаны разрешение 480×832, 81 кадр, частота 16 кадров/с и четыре шага генерации. Модель предназначена для сценариев image-to-video и доступна в формате Diffusers с весами Safetensors. Модель основана на диффузионной MoE-модели Wan2.2-I2V-A14B, для которой в метаданных указана генерация видео 480p или 720p по изображению и тексту. Репозиторий распространяется по лицензии MIT. Пример использования FastDM дополнительно показывает режим FP8 и параметр guidance scale 1.0.

hum-ma/Wan2.2-TI2V-5B-Turbo-GGUF — это GGUF-версия Turbo-модели Wan2.2-TI2V-5B-Turbo, преобразованная из FP16-файла в формате SafeTensors и дополнительно квантизированная. Модель предназначена прежде всего для image-to-video: генерации видео на основе исходного изображения, а также может использоваться в совместимых сценариях Wan2.2 TI2V. Репозиторий распространяется по лицензии Apache-2.0. Модель относится к семейству Wan2.2 TI2V и имеет размер 5B параметров; точные архитектурные характеристики, поддерживаемые языки и максимальная длина контекста в README не указаны. Для работы требуются совместимые UMT5-энкодер и VAE. Turbo-режим рассчитан на быстрый вывод: обычно достаточно четырёх шагов генерации, поддерживаются LoRA, созданные для обычной версии 5B. В качестве рекомендуемых разрешений указаны 1280×704 и 704×1280. Ключевое преимущество — сниженные требования к видеопамяти: автор сообщает о работоспособности модели на GPU с 4 ГБ VRAM, особенно в задачах image-to-video. Возможны особенности качества, включая перенасыщенность; для её уменьшения рекомендуется масштабирование latent с коэффициентом 0,8. Результат зависит от квантизации, используемых sampler и scheduler, а также от дополнительных LoRA. Полные ограничения по качеству, производительности и совместимости в README не описаны.