I.8Изображения и компьютерное зрение

AnyFlow-FAR-Wan2.1-1.3B-Diffusers — причинная диффузионная модель для генерации видео, созданная авторами AnyFlow на основе Wan2.1-T2V-1.3B-Diffusers. Она формирует видео по текстовому запросу, изображению или исходному видео; в карточке Hugging Face основной задачей указана генерация видео по тексту. Модель распространяется в формате Diffusers с весами Safetensors и содержит 1,3 млрд параметров. AnyFlow использует дистилляцию карт потока с обучением на собственных траекториях и рассчитана на генерацию с произвольным числом шагов: можно выбирать бюджет вывода, получая качественную генерацию за несколько шагов и постепенное улучшение при увеличении их числа. В README заявлена работа с разрешением 480p и поддержка сценариев text-to-video, image-to-video и video-to-video. Модель предназначена для создания коротких видеороликов из текстовых описаний, изображений и видео. README не сообщает конкретные языковые ограничения; в метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и условиями проекта перед применением.

ERNIE-Image-GGUF — GGUF-квантованная версия модели ERNIE-Image, разработанной командой ERNIE-Image компании Baidu и опубликованной в формате для экосистемы GGML. Квантование выполнено Unsloth с использованием методологии Unsloth Dynamic 2.0: важные слои сохранены в более высокой точности для поддержания качества. Для интеграции также используются инструменты ComfyUI-GGUF. Модель предназначена для генерации изображений по текстовому описанию. Она ориентирована на сложное следование инструкциям, точную передачу нескольких объектов и их взаимосвязей, генерацию структурированных композиций, коммерческих плакатов, комиксов, раскадровок, многостраничных макетов, инфографики и изображений с большим объёмом текста. Поддерживаются реалистичная фотография, дизайн-ориентированные изображения и различные стилизованные визуальные направления. Базовая ERNIE-Image построена на однопоточной архитектуре Diffusion Transformer (DiT) с 8 млрд параметров и может работать на потребительских GPU с 24 ГБ видеопамяти. В состав исходной модели также входит облегчённый Prompt Enhancer, расширяющий короткие запросы в более подробные структурированные описания. Сильные стороны модели — компактный размер, высокая точность следования сложным запросам, качество рендеринга плотного и длинного текста, а также способность формировать изображения с заданной структурой и компоновкой. README не указывает поддерживаемые языки, максимальный контекст или точные требования к памяти именно для этой GGUF-квантизации; производительность и итоговое качество могут зависеть от уровня квантизации и используемого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

FARE CLIP ViT-L/14 — модель сопоставления изображений и текста на основе CLIP, опубликованная chs20. Она получена несупервизируемым состязательным дообучением исходной OpenAI CLIP на ImageNet с ограничением возмущения по норме бесконечности радиусом 4/255. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: пользователь передаёт изображение и варианты классов в текстовом виде, а модель оценивает соответствие между ними. Модель использует архитектуру ViT-L/14 и распространяется в формате PyTorch; для загрузки и обработки изображений README указывает библиотеку open_clip. Состязательное дообучение ориентировано на устойчивость к небольшим состязательным изменениям входных изображений. Лицензия — MIT. Карточка не приводит отдельных измерений качества, сведений о поддерживаемых языках текста или ограничениях применения.

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.

FLUX.2 [klein] 9B — модель генерации и редактирования изображений от Black Forest Labs. Это 9-миллиардная rectified flow transformer-модель с текстовым энкодером Qwen3 на 8 млрд параметров; модель дистиллирована для работы за четыре шага инференса. Она принимает текстовые описания и изображения-референсы, поддерживает генерацию по тексту, редактирование по одному или нескольким референсам и выдаёт изображения. В карточке заявлены быстрое выполнение, хорошее следование запросу и разнообразие результатов; модель предназначена для приложений с интерактивной генерацией и творческого поиска идей. Модель доступна через Diffusers, ComfyUI и API BFL. Для локального запуска указано требование около 29 ГБ видеопамяти, с поддержкой NVIDIA RTX 4090 и выше. Язык карточки и тегов — английский. Лицензия обозначена как other, а README указывает на некоммерческое использование. Модель не предназначена для получения фактических ответов. Следование запросу зависит от формулировки промпта, результат может не соответствовать описанию, а встроенный в изображение текст может быть искажён. Также возможны смещения из обучающих данных.

Карточка модели rootlocalghost/FLUX.2-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.

HunyuanImage-3.0 — мультимодальная модель генерации изображений от Tencent. Она использует авторегрессионную архитектуру Mixture of Experts (MoE) и предназначена прежде всего для создания изображений по текстовым запросам; семейство также поддерживает генерацию изображений на основе входного изображения. В карточке указаны 3,1 млрд параметров, контекст 22 800 токенов и формат весов safetensors, тогда как README заявляет для полной модели 80 млрд параметров, из которых активируются 13 млрд на токен. Эти сведения о размере расходятся между источниками. Модель рассчитана на следование текстовым запросам и создание детализированных, в том числе фотореалистичных изображений. README описывает её как объединяющую понимание и генерацию изображений, но базовая версия сама не переписывает и не улучшает запросы автоматически. Для инференса README указывает Python 3.12+ и CUDA 12.8. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в лицензионных материалах репозитория.

scenario-labs/juggernaut_reborn — модель преобразования текста в изображение, подготовленная на основе Juggernaut. Модель предназначена для генерации изображений по текстовым описаниям. Модель распространяется для использования через библиотеку Diffusers и совместима с StableDiffusionPipeline; веса представлены в формате safetensors. Данные о размере модели, поддерживаемых естественных языках, длине контекста и лицензии в предоставленных источниках отсутствуют.

Kolors — модель генерации изображений по текстовому описанию на основе латентной диффузии, разработанная командой Kuaishou Kolors. Модель обучена на миллиардах пар «текст — изображение» и предназначена для создания фотореалистичных изображений по запросам на китайском и английском языках. В карточке отмечены качество изображений, точность передачи сложной семантики и генерация текста на китайском и английском языках. Модель ориентирована на создание изображений с китайской тематикой и поддерживает соответствующие запросы. Репозиторий распространяется по лицензии Apache-2.0 и использует формат Diffusers с весами safetensors.

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.

Это конверсия чекпойнта Krea 2 Turbo от Krea в формат Diffusers. Модель предназначена для быстрого создания изображений по текстовым описаниям. Это латентная диффузионная модель с однопоточным мультимодальным трансформером DiT на 12,9 млрд параметров; текстовое условие формируется кодировщиком Qwen3-VL-4B-Instruct, а для декодирования латентов используется автоэнкодер Qwen-Image. Turbo — дистиллированная версия для генерации за 8 шагов без classifier-free guidance. Рекомендуются естественно-языковые, в том числе подробные, запросы; поддерживается генерация изображений с текстом по словам, заключённым в кавычки. Указаны разрешения от 1024×1024 до 2048×2048. Модель рассчитана на английские описания согласно карточке базовой модели. Репозиторий содержит веса в форматах Diffusers и safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в исходной лицензии Krea.

Карточка модели Langitzt/Kreo2 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.

LTX-2.3-22b-IC-LoRA-Pixel-Spatial-Upscaler — адаптер IC-LoRA, разработанный Lightricks на базе видеомодели LTX-2.3-22B. Модель предназначена для video-to-video апскейлинга: она принимает низкоразрешённое референсное видео и генерирует версию с увеличенным пространственным разрешением и синтезированными мелкими деталями. Доступны варианты с увеличением в 2× и 4×. Это генеративный апскейлер для творческого производственного процесса. Рекомендуемый сценарий — сначала создать черновое видео примерно в разрешении 280p, зафиксировав композицию и движение объектов, а затем обработать его выбранным апскейлером для получения результата более высокого разрешения. Степень сходства с исходником регулируется силой LoRA, guidance и числом шагов: меньшая сила лучше сохраняет референс, а большая позволяет модели добавлять больше новых деталей. Модель не является слепым денойзером или инструментом удаления артефактов сжатия и не гарантирует попиксельное сохранение исходного видео. Она может творчески изменять и додумывать детали, поэтому лучше подходит для генеративного апскейлинга, а не для точного восстановления. Для работы требуется базовая модель LTX-2.3-22B и совместимый IC-LoRA workflow, например в ComfyUI. Лицензия — LTX-2-community-license; полные условия определяются её текстом.

Это производная дистиллированная версия LTX-2.3 от Lightricks, опубликованная в формате Diffusers и использующая веса Safetensors. Модель предназначена для генерации видео по изображению; семейство LTX-2.3 также поддерживает генерацию видео и синхронизированного аудио по тексту и мультимодальным входам. Дистилляция позволяет выполнять генерацию за 8 шагов при CFG = 1, ускоряя инференс ценой меньшей гибкости. Для работы требуется актуальная версия Diffusers с поддержкой LTX-2. В README также приведены сценарии генерации видео по первому и последнему кадрам и HDR-генерации с IC-LoRA. Размер кадра должен быть кратен 32, а число кадров — иметь вид 8k + 1. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

LTX-2.5 — модель Lightricks с открытыми весами для генерации видео и синхронизированного аудио по тексту, изображениям и видео. Модель предназначена для локального запуска и дообучения; семейство использует диффузионный трансформер DiT размером 22 млрд параметров и текстовый энкодер Gemma 4 12B. В репозитории представлены отдельные файлы компонентов в формате safetensors, включая полную и дистиллированную версии трансформера. Модель поддерживает генерацию связанных сцен с сохранением персонажей, окружения, освещения, голоса и стиля между кадрами, а также улучшенное следование сложным промптам. Предусмотрены генерация видео по изображению и управление длительностью клипа. Основной сценарий — создание видеороликов с аудио для локальных рабочих процессов; применение в робототехнике и физическом ИИ пока развивается. Текстовый энкодер заявлен для нескольких языков, включая английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Для компаний с годовой выручкой менее 10 млн долларов README описывает бесплатное коммерческое и производственное использование по лицензии LTX-2.x Community License; передача дообученных моделей может требовать платной лицензии. Для организаций с выручкой свыше 10 млн долларов указано отдельное платное коммерческое соглашение. Модель не предназначена для выдачи фактической информации; качество соответствия промпту зависит от формулировки, а генерация может быть неточной и содержать неприемлемый или оскорбительный контент.

Mage-Flow-Base — базовая модель семейства Mage-Flow для генерации изображений по текстовому описанию. В README разработчиком названа Microsoft; репозиторий модели — arifqai/Mage-Flow-Base. Модель построена на архитектуре NR-MMDiT — мультимодальном диффузионном трансформере примерно на 4 млрд параметров, обученном методом rectified flow в латентном пространстве токенизатора Mage-VAE и предназначенном для работы с изображениями в исходном разрешении. Модель рассчитана на генерацию изображений по текстовым запросам: один чекпойнт поддерживает разрешения от 512 до 2048 пикселей и произвольные пропорции сторон, включая вытянутые форматы. В README также описана генерация сцен, портретов, натюрмортов и изображений с английскими и китайскими надписями. Для редактирования изображений предусмотрена отдельная модель семейства Mage-Flow-Edit, поэтому эту базовую модель следует использовать прежде всего для генерации. К сильным сторонам семейства разработчик относит компактность, качество генерации, эффективность при высоком разрешении и возможность дообучения при ограниченных вычислительных ресурсах. В карточке указаны формат Diffusers с весами safetensors и лицензия MIT. Заявленные показатели производительности относятся к отдельным Turbo-вариантам семейства; README не приводит их как характеристики Base-чекпойнта.

Карточка модели juithealien/manga109-segmentation-bubble на Hugging Face совпадает с карточкой huyvux3005/manga109-segmentation-bubble, поэтому описание составлено по ней. MangaLens — модель компьютерного зрения, созданная автором репозитория huyvux3005 и дообученная на базе YOLO11n для поиска и сегментации речевых пузырей в изображениях манги и комиксов. Она использует архитектуру YOLO11n Nano и библиотеку Ultralytics, принимает RGB-изображения и выдаёт рамки объектов и маски экземпляров для одного класса — речевого пузыря. Модель предназначена для подготовки страниц манги к извлечению и переводу текста, анализа расположения диалогов, разметки наборов данных и создания функций доступности, например озвучивания текста. В README приведены результаты оценки на 44-й эпохе: mAP@50 99,10% для рамок и 99,13% для масок; заявленная скорость составляет около 15–25 мс на изображение на T4, 8–12 мс на V100 и 200–400 мс на CPU. Эти показатели приведены автором и не описывают независимую проверку. Обучение проводилось на MS92/MangaSegmentation и Manga109. Основная специализация — речевые пузыри в манге, поэтому качество на других типах изображений и графических элементов может быть ниже. Репозиторий указывает лицензию Apache-2.0.

Distilled MetaCLIP 2 ViT-L/14 (worldwide) — мультимодальная модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Чекпойнт соответствует ViT-L-14-worldwide из оригинальной реализации; для работы используется библиотека Transformers. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь задаёт изображение и варианты описаний, а модель оценивает их соответствие. Вариант worldwide рассчитан на многоязычные данные. Веса опубликованы в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это конверсия мультиязычной модели MetaCLIP 2 ViT-S/16, подготовленная zeromodels в формате Keras 3 на основе facebook/metaclip-2-worldwide-s16. Она использует архитектуру CLIP с двумя энкодерами для сопоставления изображений и текстовых описаний и классификации изображений без дополнительного обучения. Модель рассчитана на zero-shot классификацию: пользователь задаёт текстовые варианты классов, и модель оценивает их соответствие изображению. Текстовые запросы могут быть на разных языках благодаря мультиязычному распределению обучения и словарю XLM-RoBERTa. Реализация работает с TensorFlow, Torch и JAX. Модель принимает изображения и текстовые описания и выдаёт оценки соответствия. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

Карточка модели Mini-Bleyz/MiniMax-Fork на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Карточка модели alituvalu/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

MiniMax H3 — мультимодальная генеративная система компании MiniMax. Открытая версия H3-Base принимает текстовые и мультимодальные контексты с изображениями, видео и аудио и генерирует видео с синхронизированным стереозвуком. В карточке Hugging Face представлены веса в формате Diffusers и Safetensors; архитектура H3-Omni-Transformer совместно предсказывает латенты видео и аудио, используя отдельные текстовый энкодер и визуальные и аудиовариационные автоэнкодеры. Модель предназначена для генерации видео по тексту, изображениям и мультимодальным референсам. Вариант FL2VA поддерживает генерацию по первому и последнему кадру, а Ref2VA — до девяти изображений, трёх видеоклипов и трёх аудиоклипов в заданных ограничениях. Длительность результата составляет 4–15 секунд; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K позволяет повысить его до 2K. Поддерживаются различные соотношения сторон. Для разбора сложных мультимодальных инструкций автор рекомендует H3-Context-IR, но этот предварительный hosted-сервис не входит в открытую версию; его можно вызывать через API или заменить собственной обработкой контекста. Открытая реализация использует полное внимание, а заявленная поддержка разреженного внимания пока не включена. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Карточка модели kingsoul0018/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Карточка модели laoK888/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Карточка модели marchkamal51/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Карточка модели Xxjbn/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Mitsua Japanese CLIP ViT-B-16 — двуязычная модель сопоставления изображений и текста, разработанная ELAN MITSUA Project / Abstract Engine. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов и для вычисления соответствия между изображениями и японскими или английскими запросами. Модель основана на контрастивном подходе CLIP с визуальным энкодером ViT-B и обучена с нуля, без использования знаний предварительно обученных моделей. В карточке указаны японский и английский языки; веса опубликованы в формате safetensors. Авторы описывают обучающие данные как состоящие из материалов с явным согласием, открытых лицензий и общественного достояния, без AI-сгенерированных данных. Модель распространяется по лицензии CC BY-SA 4.0: требуется указать авторство, отметить изменения и распространять адаптированные материалы на тех же условиях. Качество может снижаться для изображений и понятий, слабо представленных в обучающих данных; описание не приводит количественных оценок качества.

Mooshie публикует многометочную модель классификации изображений на базе MobileNetV4 Conv AA Large, дообученную на датасете Danbooru WD Tagger V4. Она присваивает изображению теги из 12 476 категорий, включая общие описательные теги, персонажей и рейтинговые метки. Модель рассчитана на изображения размером 448 × 448 пикселей; число параметров — 47,3 млн. Доступны веса Safetensors и формат ONNX для инференса. Модель предназначена для автоматической разметки аниме-иллюстраций и поиска изображений по тегам. В README приведены метрики на тестовой выборке: micro F1 0,641 при пороге 0,40 и macro F1 0,511 при индивидуальных порогах для тегов. Для разных категорий тегов указаны отдельные рекомендуемые пороги, а пороги отдельных тегов доступны в selected_tags.csv. Лицензия — GPL-3.0.

Molmo2-4B — открытая мультимодальная модель семейства Molmo2, разработанная Allen Institute for AI (Ai2). Она предназначена для диалога о визуальных данных: модель анализирует изображения, несколько изображений и видео, отвечает на вопросы и связывает текстовые описания с объектами и событиями в кадре. В числе заявленных сильных сторон — короткие видео, подсчёт объектов и создание подписей; на длинных видео модель показывает конкурентные результаты среди моделей сопоставимого размера. Модель объединяет языковую основу Qwen3-4B-Instruct-2507 с визуальной частью на базе SigLIP 2; архитектура — плотная Molmo2ForConditionalGeneration. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Обучение использовало общедоступные сторонние наборы данных и тщательно отобранные пары изображение–текст и видео–текст. Лицензия — Apache-2.0.

OmniGen-V1-fp8_e4m3fn — версия OmniGen-V1 в формате FP8, опубликованная silveroxides. OmniGen — унифицированная модель генерации изображений на основе текстовой архитектуры Phi-3; она принимает текстовые инструкции и изображения и формирует изображения. Модель предназначена для генерации по текстовому описанию, редактирования изображений, генерации с опорой на заданный объект или личность, а также создания изображений с учётом входного изображения. Модель объединяет несколько сценариев работы с изображениями без дополнительных модулей вроде ControlNet и предварительной обработки, такой как обнаружение лиц или поз. В карточке указано 3,7 млрд параметров и контекст 4096 токенов. OmniGen описана как модель с возможностями генерации широкого спектра изображений, но разработчики отмечают, что она нуждается в дальнейшей оптимизации из-за ограниченности ресурсов. Лицензия — MIT.