I.8Изображения и компьютерное зрение

OPPOer/Qwen-Image-10B — дообученная модель генерации изображений по текстовому описанию, опубликованная OPPOer и основанная на Qwen/Qwen-Image. Она предназначена для создания изображений по запросам на английском и китайском языках; в метаданных также указан датасет OPPOer/X2Edit-Dataset, связанный с редактированием изображений. Модель распространяется в формате Diffusers с весами Safetensors по лицензии Apache-2.0.

RefControl FLUX.2 Klein 9B Reference Canny LoRA — адаптер LoRA, разработанный пользователем thedeoxen для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Это модель для image-to-image генерации и редактирования изображений, объединяющая референсное изображение с картой контуров Canny. Референс задаёт идентичность и стиль персонажа, человека или объекта, а карта Canny — форму, композицию и основные контуры. Для активации используется триггерное слово refcontrol. Модель прежде всего обучалась на людях, но также применима к стилизованным персонажам и некоторым объектам. Она предназначена для рестайлинга персонажей с сохранением внешности, поддержания согласованного дизайна в разных композициях, создания иллюстраций и раскадровок с управляемой компоновкой, а также преобразования объектов с сохранением деталей. Лучшие результаты достигаются, когда карта контуров имеет близкие к референсу пропорции и масштаб; текстовые подсказки можно использовать для уточнения фона, освещения и настроения. Адаптер рассчитан на FLUX.2 Klein 9B Base и рекомендуется использовать с ним примерно за 50 шагов при guidance_scale около 4.0. Также возможна работа с дистиллированной версией FLUX.2 Klein 9B примерно за 4 шага и при guidance_scale около 1.0, однако качество, особенно сохранение идентичности и точность контуров, может быть ниже. Рекомендуемый вес LoRA — 0.8–1.0. Для ComfyUI требуется CannyEdgePreprocessor из comfyui_controlnet_aux, если входное изображение ещё не является картой контуров. Лицензия — Apache 2.0.

Это базовая модель SigLIP 2 Base с патчами 16×16 и входным разрешением 224 пикселя, опубликованная в репозитории eugenehp как промежуточная копия исходного чекпойнта Google для запуска в RLX. Она сопоставляет изображение с текстовыми метками и подходит для классификации изображений по произвольным описаниям без отдельного обучения на заданных классах. В README приведён пример выбора между метками «кошка» и «собака» для фотографии. Модель принимает изображения и текстовые метки, а результатом служат оценки соответствия изображения каждому текстовому описанию. В репозитории доступны веса Safetensors и вариант GGUF в формате F16; указанная библиотека — RLX. Репозиторий распространяется по лицензии Apache-2.0. README называет его staging-копией и рекомендует обращаться к исходному чекпойнту, когда нужен именно upstream-вариант; также эти файлы не предназначены как основной runtime-пакет RLX.

SkyReels-V2-I2V-14B-720P-Diffusers — модель генерации видео из изображения из семейства SkyReels-V2, разработанного командой Skywork. Это вариант Image-to-Video, предназначенный для создания видео по входному изображению; в README для такого режима также предусмотрена передача параметров генерации. Модель распространяется в формате Diffusers с весами Safetensors и использует архитектуру AutoRegressive Diffusion-Forcing, описанную авторами SkyReels-V2. Обозначение 14B указывает вариант серии, а 720P — целевое разрешение.

Карточка модели B4l1/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Карточка модели chgm599-ch/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

TinyCLIP ViT-39M/16 Text-19M — компактная модель семейства CLIP, опубликованная авторами метода TinyCLIP для сопоставления изображений и текста. Она получена дистилляцией крупной предварительно обученной модели с применением сопоставления межмодальных сходств и наследования весов; вариант обучен на YFCC-15M. Визуальная часть использует ViT-39M/16, текстовая — Text-19M. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: можно сравнивать изображение с набором текстовых меток и выбирать наиболее подходящую. В карточке для этого варианта указана точность ImageNet top-1 63,5% и пропускная способность 1 469 пар в секунду; авторы позиционируют TinyCLIP как компромисс между скоростью и точностью для компактных CLIP-моделей. Модель принимает изображения и текстовые описания, а для классификации вычисляет их межмодальное соответствие. Язык текстовой части и длина контекста в предоставленных данных не описаны. Репозиторий использует PyTorch и safetensors. Лицензия — MIT.

TrOCR base STR — модель оптического распознавания текста от Microsoft, дообученная на наборах IC13, IC15, IIIT5K и SVT. Она предназначена для распознавания текста на изображениях отдельных строк, например на фотографиях вывесок и коротких надписей. Модель построена по архитектуре vision encoder-decoder: Transformer-кодировщик изображений преобразует изображение в последовательность патчей 16×16, а авторегрессионный Transformer-декодер генерирует текст. Кодировщик инициализирован весами BEiT, декодер — RoBERTa. Репозиторий содержит веса PyTorch. Модель рассчитана на распознавание строк текста; качество для документов, многострочных изображений и других доменов может отличаться от качества на использованных наборах. Лицензия в предоставленных материалах не указана.

ViT-L-14-CLIPA-336-datacomp1B — контрастивная модель изображения и текста на основе CLIPA-v2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Карточка связывает её с набором данных DataComp-1B и указывает сценарий zero-shot image classification; модель загружается через библиотеку OpenCLIP. Модель принимает изображения и текстовые метки или описания, сопоставляет их в общем пространстве и позволяет выбирать наиболее подходящее текстовое описание для изображения. В названии указаны архитектура ViT-L-14 и разрешение 336 пикселей. Веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений по пользовательским категориям и поиска изображений по текстовым запросам. Карточка не сообщает поддерживаемые естественные языки, размер параметров или длину контекста. Лицензия — Apache-2.0.

Карточка модели wan-community/Wan2.1-I2V-14B-480P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Z-Image-Turbo — модель генерации изображений из текста, разработанная проектом Z-Image. Это дистиллированный вариант Z-Image с архитектурой Scalable Single-Stream DiT и 6 млрд параметров. Для генерации требуется 8 шагов вычисления; README заявляет субсекундную задержку на ускорителях H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Модель предназначена для создания фотореалистичных изображений, точного следования текстовым инструкциям и рендеринга надписей на английском и китайском языках. Для этой карточки указаны библиотека Diffusers, форматы Diffusers и safetensors и лицензия Apache-2.0. Описанные возможности редактирования относятся к отдельной модели Z-Image-Edit, а не к Z-Image-Turbo.

Это снимок модели для генерации видео по изображению и текстовому запросу. В репозитории находятся конфигурация модели, данные токенизатора и процессора, настройки планировщика, модули компонентов, индексы весов и веса; в метаданных указана архитектура MiniMaxH3ModularPipeline и форматы Diffusers и Safetensors. Модель предназначена для сценариев image-to-text-to-video, когда исходное изображение дополняют текстовым описанием желаемого видео. Лицензия в метаданных обозначена как other, без дополнительных условий в доступных сведениях.

Runware/BFL-FLUX.2-klein-9B — размещённая Runware копия модели FLUX.2 [klein] 9B, разработанной Black Forest Labs. Это модель генерации и редактирования изображений: она создаёт изображения по текстовому описанию и поддерживает редактирование с одним или несколькими референсными изображениями. Модель построена на rectified flow transformer с 9 млрд параметров и использует текстовый энкодер Qwen3 на 8 млрд параметров. Она дистиллирована до четырёх шагов инференса для быстрой генерации и предназначена, в частности, для интерактивных приложений и предварительного просмотра результатов. Репозиторий Runware содержит веса BF16 в формате Diffusers; метаданные указывают pipeline image-to-image, а карточка также описывает генерацию по тексту. Карточка разработчика указывает лицензию flux-non-commercial-license, то есть модель доступна для некоммерческого использования. Скорость и качество зависят от оборудования и настроек; заявленные разработчиком показатели не гарантируют одинаковой производительности во всех средах.

BitDance-14B-16x — открытая мультимодальная авторегрессионная модель для генерации изображений, представленная авторами работы BitDance. Она содержит 14 млрд параметров и дообучена на базе Qwen/Qwen3-14B. Для визуальных токенов модель использует двоичный токенизатор, диффузионную голову для выборки и предсказание нескольких патчей за шаг — до 64; для текста сохраняется стандартный подход языкового моделирования. Модель предназначена для создания изображений по текстовому описанию, включая высокодетализированные фотореалистичные изображения. В метаданных указаны английский и китайский языки, контекст 40 960 токенов и формат safetensors. Лицензия — Apache-2.0. README не приводит подробных результатов оценки или ограничений качества.

Boogu/Boogu-Image-0.0-Edit-exp-pt — экспериментальный чекпойнт семейства Boogu-Image, разработанного авторами проекта Boogu. Он предназначен для редактирования изображений по текстовым инструкциям: добавления, замены и удаления объектов, изменения их свойств, фона и стиля, а также правки текста внутри изображения. Репозиторий использует библиотеку Diffusers и формат SafeTensors; заявлена лицензия Apache-2.0. README описывает семейство Boogu-Image-0.1 и его варианты, тогда как идентификатор этой модели указывает на версию 0.0 и экспериментальный вариант Edit с prompt tuning. Для семейства заявлена поддержка китайского и английского языков, включая рендеринг текста на изображениях. Модель может испытывать трудности с точным сохранением исходной композиции и деталей, длинным или мелким текстом, сложными позами и мелкими лицами; знание предметного контекста уступает сильным закрытым системам.

Chroma1-HD — базовая модель для генерации изображений по текстовому описанию, разработанная Lodestones. Это модель с 8,9 млрд параметров на основе FLUX.1-schnell с изменённым слоем кодирования временного шага и маскированием токенов заполнения T5. Она обучена на отобранном наборе из 5 млн примеров, собранных из пула в 20 млн изображений и включающем художественные, фотографические и нишевые стили. Модель предназначена для генерации изображений, а также как основа для дообучения под конкретные стили, концепции и персонажей. Её можно применять через diffusers и ComfyUI; для ComfyUI требуются текстовый кодировщик T5 XXL и VAE FLUX. В README также описан вариант с квантованным инференсом через gemlite. Модель выпущена по лицензии Apache 2.0. Она не настроена с помощью специального фильтра безопасности и может воспроизводить предубеждения обучающих данных, а также создавать вредоносный, откровенный или оскорбительный контент. Подробный технический отчёт, согласно карточке, ещё готовится.

CLIPbooru — модель на основе CLIP с классификационной головой, предназначенная для присвоения изображениям тегов Danbooru. Карточка связывает её с набором данных v2ray/anime-collection; модель подходит для автоматической разметки изображений в стиле аниме тегами из этой системы. В метаданных указаны архитектура CLIPForImageClassification, формат safetensors и лицензия MIT. Размер модели, длина контекста и поддерживаемые языки в доступных сведениях не описаны.

CLIP-FlanT5-XXL — модель для оценки соответствия изображения текстовому описанию, реализующая метрику VQAScore. Репозиторий bigshanedogg содержит неофициальную упаковку исходной модели Zhiqiu Lin и соавторов в формат Transformers с поддержкой загрузки через trust_remote_code. Модель насчитывает 5,8 млрд параметров и объединяет визуальную башню CLIP ViT-L/14-336 с энкодером-декодером FlanT5-XXL: признаки изображения передаются в энкодер T5, а декодер оценивает ответ на вопрос о соответствии изображения подписи. Основной сценарий — получить оценку image-text alignment без эталонного изображения: VQAScore вычисляется по вероятности ответа «Yes» на вопрос о том, показывает ли изображение заданную подпись. Реализация предназначена для оценки и бенчмаркинга генерации изображений, включая CVTG-2K. Несмотря на тег image-text-to-text, README указывает, что в Transformers 5.x генерация отключена: модель рассчитана на оценивание через forward и logits, а не на свободную генерацию текста. Весовая основа и упаковка распространяются по Apache-2.0; компоненты FlanT5-XXL также имеют Apache-2.0, а CLIP ViT-L/14-336 — MIT. Для загрузки с удалённым кодом требуется trust_remote_code; README указывает совместимость с Transformers 5.x и 4.57.

Модель dima806/deepfake_vs_real_image_detection — дообученный Vision Transformer для классификации изображений на реальные и созданные искусственным интеллектом. Она основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и доступна в форматах PyTorch и Safetensors. Модель предназначена для проверки подлинности изображений и выявления AI-генерации. В карточке приведён отчёт об оценке на наборе из 76 161 изображений: точность составила 99,27%. Эти результаты относятся к данным, на которых проводилась оценка, и не гарантируют такую же точность на новых изображениях. Разработчик предупреждает, что обучающий набор был собран примерно за три года до публикации карточки и с тех пор качество генерации изображений заметно выросло, поэтому возможен сдвиг данных; для актуального применения рекомендуется переобучение на свежих размеченных примерах. Лицензия — Apache-2.0.

EasyAnimateV3-XL-2-InP-768x768 — модель Alibaba PAI для генерации видео по текстовому описанию или входному изображению. Версия обучена для кадров размером 768 × 768; в карточке семейства указана генерация до 144 кадров при 24 кадрах в секунду. Модель построена на базе PixArt-alpha с модифицированными Diffusion Transformer и VAE. В архитектуре используются текстовый энкодер T5, модуль движения для временных признаков, skip-связи по мотивам U-ViT и Slice VAE для обработки длинных видео. Это позволяет использовать единый конвейер для генерации видео по тексту и изображению. Модель предназначена для создания видеоклипов по промпту или исходному кадру, включая сценарии высококачественной и длительной генерации. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия — Apache-2.0. Метаданные Hugging Face классифицируют репозиторий как text-to-image, тогда как README описывает генерацию видео; поэтому назначение для видео следует понимать по карточке проекта, а каталоговый pipeline-тег отражает метаданные репозитория.

lvladikov/Krea2-Turbo-Distill-4step-LoRA — LoRA-адаптер для модели Krea 2 Turbo, предназначенный для генерации изображений по текстовому описанию. Разработчик адаптера — lvladikov; базовая модель создана командой Krea. Адаптер совместим с Diffusers и ComfyUI и не требует пользовательских узлов, изменённого sampler или дополнительного кода. Модель сокращает минимальное практическое число шагов денойзинга Krea 2 Turbo с 8 до 4, используя сигмы и конфигурацию базовой модели. По заявленным результатам, это обеспечивает примерно в 1,6 раза более быструю генерацию при сохранении качества мелких текстур: на части тестов оно сопоставимо с 8-шаговой версией или превосходит её. Обучение проводилось на 78 000 образцах, включая текстовые промпты и реальные фотоснимки, с учётом соответствия изображений исходным описаниям. Поддерживаются 12 разрешений и различные соотношения сторон в диапазоне от 512×512 до 1440×1440. Адаптер предназначен для ускоренной text-to-image генерации, включая фотореалистичные изображения и художественные сцены. Рекомендуется использовать 4 шага инференса и guidance scale 0; сила адаптера масштабируется, причём значение 0,75 указано как подходящая альтернативная настройка. При полной силе на стилизованных изображениях, высококонтрастных сценах и очень больших разрешениях текстура может выглядеть чрезмерно выраженной. Для работы требуется базовая модель Krea 2 Turbo и соответствующее окружение Diffusers или ComfyUI. Распространяется по Krea 2 Community License, обозначенной как лицензия other; условия следует уточнять в приложенном LICENSE.pdf.

Это версия весов LTX-2.3 в формате Diffusers, созданная на основе Lightricks/LTX-2.3. Базовая модель Lightricks использует архитектуру DiT и совместно генерирует видео и синхронизированное с ним аудио; для этой версии в метаданных указана задача image-to-video. Модель предназначена для создания видео по изображению и текстовому описанию, а также поддерживает сценарии генерации видео и аудио по тексту, преобразования видео и управления движением камеры через IC-LoRA. Для работы требуется актуальная сборка библиотеки diffusers с поддержкой LTX-2. Размеры кадров должны делиться на 32, а число кадров соответствовать формуле 8k + 1. Лицензия указана как other; конкретные условия следует проверять в карточке базовой модели.

LTX-2.5 — модель генерации видео и аудио с открытыми весами от Lightricks, предназначенная для локального запуска и дообучения. В представленном репозитории размещён комплект компонентов в формате safetensors: диффузионный трансформер DiT на 22 млрд параметров, текстовый энкодер Gemma 4 12B и видеодекодер DiffVAE; доступны полная и дистиллированная версии, а также вариант int8 для ComfyUI. Метаданные классифицируют эту копию как image-to-video. Модель создаёт синхронизированные видео и аудио по тексту, изображениям и видео; поддерживает многокадровые сцены с сохранением персонажей, окружения и стиля, а также улучшенное следование сложным промптам. Заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Для запуска описаны ComfyUI и пакет ltx-pipelines; в README указаны требования Python 3.12 или новее и CUDA 12.7 или новее. Для организаций с годовой выручкой ниже 10 млн долларов README разрешает бесплатное коммерческое и производственное использование по лицензии LTX-2.x Community License; передача дообученных моделей может требовать платной лицензии. Для организаций с выручкой выше этого порога требуется платное коммерческое соглашение. Модель не предназначена для выдачи фактической информации; точность соответствия промпту не гарантирована, результат зависит от стиля промптинга, а генерация может содержать предвзятость или оскорбительный контент.

MrMofer/ltx-2.5-mlx-q8 — квантованная сборка LTX-2.5 от Lightricks, подготовленная для запуска через MLX на компьютерах Mac с Apple Silicon. Репозиторий содержит 22-миллиардные аудио-видеотрансформеры в формате MLX q8, а также необходимые компоненты модели; текстовый энкодер квантован до 4 бит. Для работы используется runtime ltx-2-mlx, поддержка LTX-2.5 находится в ветке ltx25. Модель предназначена для генерации видео по изображению и поддерживает режимы генерации с текстовыми и аудиовходами. Доступны дистиллированный двухэтапный режим, режимы с CFG и уточнение результата с помощью дистиллированной LoRA. Сборка использует MLX и Metal, CUDA не требуется. Для запуска нужны macOS на Apple Silicon, Python 3.11 или новее и ffmpeg; на системе с 24 ГБ объединённой памяти README рекомендует режим экономии памяти, но фактические пределы зависят от разрешения, числа кадров и выбранного режима. Лицензия указана как other, поэтому конкретные условия следует проверять в материалах репозитория.

Карточка модели Monoland/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели johnsonhuggingapi/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.

MATLOWAI опубликовала MiniMax-H3 Fused Turbo (INT8 ConvRot) — объединённую и квантованную сборку генеративной модели MiniMax H3 для ComfyUI. Это один файл весов safetensors объёмом около 21 ГБ: в основу на базе MiniMax-H3-Pruned-Ref-Delta-Fused-r1024 слиты турбо-адаптер lightx2v FL2VA Turbo и адаптер Mystic для сглаживания движения, после чего ключевые линейные слои квантованы в INT8 с ConvRot; остальные веса сохранены в BF16/F32. Модель предназначена для создания видео по тексту, изображению и референсам, включая сценарии с первым и последним кадрами. В README заявлен рабочий режим в 4 шага и приведены результаты для роликов до 243 кадров и 10 секунд; базовая модель также описана как способная генерировать синхронизированное стерео. Файл рассчитан на загрузку через стандартный UNETLoader в ComfyUI, а управление памятью ComfyUI позволяет запускать графы и на картах с меньшей памятью, хотя медленнее. Это производная сборка с объединёнными адаптерами, поэтому нельзя отдельно менять их силу после загрузки. Лицензия указана как other; конкретные условия использования в карточке не уточнены. README сообщает, что некоторые настройки внимания влияют на качество звука и скорость, а сравнения производительности проводились на указанной в карточке конфигурации оборудования.

Это смешанный чекпойнт MiniMax-H3 для генерации видео по изображениям и другим условиям, подготовленный автором загрузки как вариант гибрида fl2va/ref2va b25-49. В основу взят квантованный fl2va, а проекции AdaLN в блоках 25–49 заменены значениями ref2va: модель сохраняет качество базового варианта и получает обработку референсных изображений, видео и аудио. Повторного обучения не проводилось; веса объединены переносом тензоров между готовыми квантованными файлами. Модель использует смешанную квантовку W4A8: 200 линейных слоёв работают с 4-битными весами и 8-битными активациями, остальные указанные в README группы тензоров сохраняют BF16/F16/F32. Файл весит около 11,68 ГиБ и предназначен для загрузки в ComfyUI с поддержкой W4A8. Можно использовать ключевые кадры и референсы субъекта, сцены или стиля; поддерживаются также обычные сценарии text-to-video и генерация по первому кадру. Для нативного быстрого пути W4A8 требуется видеокарта с compute capability 8.0 или выше. На более старых GPU используется корректный, но более медленный программный путь. Модель распространяется по лицензии Apache-2.0.

MobileCLIP2-S0-OpenCLIP — адаптированная версия чекпойнта MobileCLIP2-S0 от Apple, представленная в формате и конфигурациях OpenCLIP. Это компактная мультимодальная модель семейства CLIP, состоящая из визуального и текстового энкодеров и предназначенная для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на этих метках. Модель подходит для мобильных и других сценариев с ограниченными ресурсами. В README указано, что MobileCLIP-S0 достигает качества zero-shot, сопоставимого с OpenAI ViT-B/16, при меньшем размере и более высокой скорости. Для MobileCLIP2-S0 приведены 11,4 млн параметров у визуальной части и 42,4 млн у текстовой; на ImageNet указана точность zero-shot top-1 71,5%. Репозиторий использует OpenCLIP, а веса доступны в форматах PyTorch и safetensors. Модель принимает изображения и текстовые описания для вычисления их соответствия; основной сценарий — zero-shot классификация изображений с текстовыми метками. В карточке не указаны поддерживаемые языки, поэтому языковые возможности сверх наличия текстового энкодера не уточняются. Лицензия — Apple AMLR.