I.8Изображения и компьютерное зрение

Это LoRA-адаптер ostris для модели Krea-2-Turbo, предназначенный для генерации изображений в стиле одной или двух референсных картинок. Адаптер обучен с помощью AI Toolkit на тысячах вручную отобранных пар изображений и использует экспериментальный тренер Krea2 для референсных изображений с turbo-адаптером. Модель применяется в сценариях text-to-image, когда нужно сохранить визуальный стиль референса, одновременно задавая содержание текстовым промптом. Триггерное слово не требуется: достаточно передать промпт и одно или несколько изображений-референсов. Поддерживается использование через пользовательский узел ComfyUI-Krea2-Ostris-Edit или community pipeline ostris/Krea2OstrisEdit для Diffusers. Базовой моделью является krea/Krea-2-Turbo; сведения о размере, языках и максимальном контексте не указаны. Для запуска в описанной конфигурации рекомендуется GPU примерно с 40 ГБ видеопамяти либо CPU offload. Сильная сторона адаптера — специализация на переносе стиля с референсного изображения при сохранении управления содержанием через текст. Ограничения включают зависимость от Krea-2-Turbo и необходимость совместимого пользовательского pipeline или узла ComfyUI; характеристики качества и производительности в README не приведены. Лицензия указана как Krea 2 Community License.

Danrisi/Lenovo_FluxKlein9b_base — модель для генерации изображений по текстовому описанию, опубликованная пользователем или организацией Danrisi. Она основана на black-forest-labs/FLUX.2-klein-base-9B и предназначена для использования с библиотекой Diffusers. Метаданные также указывают на формат LoRA и специализацию на реалистичной генерации изображений. Модель поддерживает английский язык в текстовых запросах. Архитектура, точный размер адаптера, поддерживаемые модальности и максимальная длина контекста отдельно не описаны; о параметрах базовой модели в карточке приведено недостаточно сведений. Основное предполагаемое применение — создание реалистичных изображений из текстовых промптов с использованием экосистемы FLUX и Diffusers. Модель распространяется по лицензии Apache-2.0.

Crisp Enhance — это LoRA-адаптер для модели Lightricks/LTX-Video, разработанный vrgamedevgirl84. Он предназначен для задач text-to-video и улучшения визуального стиля изображений и видеокадров: повышает воспринимаемую резкость, подчёркивает микродетали, усиливает контраст, текстуры и чёткость границ, придавая результату более чистый, кинематографичный и детализированный вид. Адаптер рассчитан на сценарии, где требуется визуальная полировка, эффект высокой чёткости и дополнительная выразительность деталей. Его можно применять отдельно или совместно с LoRA Soft Enhance, ориентированной на более мягкий и естественный результат, регулируя баланс между резкостью и сглаживанием. Архитектура, размер, поддерживаемые языки, модальности помимо видео и максимальная длина контекста в README не указаны. Сильные стороны модели — усиление деталей, текстур, контраста и кинематографичной ясности. При чрезмерном применении возможны излишняя резкость или менее естественный вид, однако конкретные ограничения и рекомендуемые значения силы адаптера не приведены. Лицензия и условия использования в доступных данных не указаны.

LTXV-13B-0.9.8-distilled-GGUF — это квантизированная версия модели LTXV-13B-0.9.8-distilled, разработанной Lightricks и преобразованной в формат GGUF пользователем YarvixPA. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео. В README указана поддержка английского языка. Модель имеет размер 13 млрд параметров и использует архитектуру исходной LTX-Video. Для работы требуются отдельные компоненты: текстовый энкодер T5-V1.1-XXL и VAE LTXV-13B-0.9.8-distilled. Основной сценарий использования — запуск в ComfyUI с поддержкой GGUF; также доступны примеры рабочих процессов. Квантизация может снизить требования к ресурсам, однако конкретный тип квантизации и требования к памяти не указаны. Модель сохраняет ограничения и условия исходной версии LTX-Video, поскольку является конвертацией, а не дообученной моделью. Поддерживаются LoRA, но для них требуется специальная настройка рабочего процесса, а использование torchcompile не рекомендуется. Teacache может приводить к заметному снижению качества. Лицензия обозначена как other; подробные условия приведены в файле LICENSE.md.

Карточка модели chaitnya26/LTXV-fork 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 Alfa74/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 Cholo212/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 Lightricks/LTX-Video-0.9.1 на Hugging Face совпадает с карточкой Lightricks/LTX-Video-0.9.5, поэтому описание составлено по ней. LTX-Video-0.9.5 — диффузионная модель генерации видео, разработанная Lightricks. Она создаёт видео по текстовому запросу, а также поддерживает сценарий image-to-video с текстом и исходным изображением. Модель построена на архитектуре Diffusion Transformer (DiT) и доступна для работы через Diffusers. Модель предназначена для генерации реалистичных и разнообразных видеосцен. В карточке семейства заявлена генерация видео с частотой 30 кадров в секунду и разрешением до 1216×704 быстрее реального времени; оптимальные рекомендации для разрешения и длины ролика зависят от версии и настроек. Запросы рекомендуется составлять на английском языке. Для разрешения подходят размеры, кратные 32, а число кадров — вида 8n+1; модели семейства лучше работают при разрешении ниже 720×1280 и числе кадров менее 257. Модель подходит для создания видеоматериалов по описанию сцены и анимации исходного изображения. Она может не точно следовать запросу, результат зависит от формулировки промпта, а модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Метаданные указывают лицензию «other»; README перечисляет отдельные лицензии версий семейства, но не раскрывает условия конкретно версии 0.9.5.

Карточка модели burningfeet/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели jinjiyoshi/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax для создания видео со стереозвуком по тексту, изображениям и мультимодальным референсам. Варианты H3-Base-FL2VA и H3-Base-Ref2VA поддерживают генерацию по первому и последнему кадру, а также по изображениям, видео и аудиоклипам в разных сочетаниях. Модель может создавать ролики длительностью 4–15 секунд; базовый вывод имеет разрешение 768p, а отдельный модуль H3-Regenerate-2K позволяет получить видео до 2K. Архитектура объединяет текстовый энкодер, Visual VAE, Audio VAE и H3-Omni-Transformer: он совместно предсказывает видео- и аудиолатенты. Репозиторий содержит компоненты для локального развёртывания через Diffusers; упомянутый в карточке сервис H3-Context-IR для разбора сложных мультимодальных инструкций размещён отдельно и доступен через API. Модель подходит для генерации видео по текстовым описаниям и референсным материалам, включая синхронный звук. В открытой версии используется полное внимание, а sparse attention заявлен для будущего выпуска. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория.

Карточка модели puterijessica/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели QVQsdaa/MiniMax-H3 на Hugging Face совпадает с карточкой Xdp99/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Представленная карточка описывает открытые чекпойнты H3-Base для генерации видео с синхронным стереозвуком по тексту и мультимодальным входам: изображениям, видео и аудио. Модель поддерживает клипы длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет повторно генерировать результат с разрешением до 2K. Архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в мультимодальную последовательность, обрабатываемую H3-Omni-Transformer. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Вариант FL2VA принимает ноль, одно или два изображения для генерации от текста, первого или последнего кадра либо от пары начального и конечного кадров. Вариант Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при ограничении до 12 файлов всего; аудио нельзя подавать без изображения или видео. Для работы со сложными свободными мультимодальными инструкциями разработчик рекомендует предварительную обработку через H3-Context-IR, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. Открытая версия поддерживает инференс с полным вниманием; разреженное внимание заявлено для будущего выпуска. Репозиторий использует Diffusers и safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

Карточка модели skySakir/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным референсам. Репозиторий содержит H3-Base в форматах Diffusers и Safetensors; архитектура объединяет текстовый энкодер, визуальный VAE, аудиокодировщик VAE и Omni-Transformer, который совместно предсказывает видео- и аудиолатенты. Метаданные относят модель к задаче image-text-to-video. Модель принимает текст, изображения, видео и аудио, а генерирует видео длительностью 4–15 секунд с аудио; базовый вывод имеет разрешение 768p, а отдельный этап H3-Regenerate-2K позволяет получить 2K. В режиме First-and-last-frame можно задать до двух кадров, а Omni-reference принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при общем ограничении 12 файлов. Система рассчитана на сложные мультимодальные инструкции и синхронную генерацию аудио и видео. Для обработки свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот предварительный обработчик является размещённой системой и в открытый выпуск не входит. Открытая реализация использует полнослойное внимание; разреженное внимание в этом выпуске недоступно. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Карточка модели Terminus404/MiniMax-H3 на Hugging Face совпадает с карточкой yemsrach3723/MiniMax-H3-new, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Репозиторий содержит веса в формате Diffusers и SafeTensors для генерации видео по тексту и мультимодальным входам; архитектура включает H3-Omni-Transformer, текстовый энкодер, Visual VAE и Audio VAE. Модель совместно генерирует видео и стереозвук, поддерживает ролики длительностью 4–15 секунд и широкий набор соотношений сторон; базовый вывод выполняется в разрешении 768p, а модуль H3-Regenerate-2K позволяет получить результат до 2K. В зависимости от варианта можно генерировать видео по тексту, одному или двум кадрам, а также использовать изображения, видео и аудио как референсы. Модель подходит для создания коротких видеороликов по описанию, анимирования заданных кадров и генерации видео со звуковым сопровождением. Для сложных свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот hosted-компонент не входит в открытый релиз; начальная версия локального инференса использует полное внимание, а реализация sparse attention заявлена для будущего обновления. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах репозитория MiniMax. README описывает модельную систему MiniMax H3, тогда как данный репозиторий содержит её открытые компоненты для локального развертывания.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax для создания видео со стереозвуком по тексту, изображениям и другим мультимодальным материалам. В репозитории представлены чекпойнты H3-Base для генерации: архитектура H3-Omni-Transformer совместно с текстовым энкодером, Visual VAE и Audio VAE кодирует входные модальности в общую последовательность и предсказывает аудио- и видеолатенты. Файлы модели опубликованы в форматах Diffusers и safetensors. Система поддерживает генерацию роликов длительностью 4–15 секунд, различные соотношения сторон и стандартный размер 768p; для получения 2K предусмотрен отдельный этап H3-Regenerate-2K. Вариант FL2VA принимает до двух кадров для генерации по первому и/или последнему кадру, а Ref2VA может использовать до девяти изображений, трёх видеоклипов и трёх аудиоклипов в смешанном наборе не более чем из 12 файлов. Входы могут включать текст, изображения, видео и аудио; результат — видео и синхронизированное стереоаудио. Для сложных свободных мультимодальных инструкций официальный процесс использует H3-Context-IR — размещённую отдельно систему предварительной обработки, не включённую в открытый релиз; её можно вызывать через API или заменить собственной обработкой контекста. Открытый релиз использует полное внимание, а реализация sparse attention заявлена для будущего обновления. Лицензия указана как «other»; конкретные условия следует проверять в карточке репозитория. В README заявлены автоматические ограничения на незаконный, порнографический и нарушающий права третьих лиц контент.

MiniMax H3 — генеративная мультимодальная система MiniMax для создания видеороликов со стереозвуком по тексту и другим мультимодальным входам. В открытом релизе представлены специализированные чекпойнты H3-Base: архитектура объединяет кодировщики текста и визуальных данных, Visual VAE, Audio VAE и H3-Omni-Transformer, который совместно предсказывает видео- и аудиопредставления. Для захвата пространственных и временных связей используется RoPE. Модель принимает текст, изображения, видео и аудио как контекст генерации. Режимы включают создание видео по тексту, по первому или последнему кадру, по паре начального и конечного кадров, а также по смешанным мультимодальным референсам. Ролики могут длиться 4–15 секунд; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K позволяет получить версию до 2K. Поддерживаются различные соотношения сторон и генерация синхронизированного стереозвука. Для обработки сложных свободных инструкций официальный сценарий предусматривает H3-Context-IR, но этот многоэтапный предварительный обработчик в открытый релиз не входит и предоставляется как размещённый сервис/API; его можно заменить собственной системой обработки контекста. Открытая версия использует полное внимание, а заявленная реализация разреженного внимания пока не включена. Репозиторий распространяется по лицензии other; конкретные условия следует проверять в лицензии проекта. Стандартные результаты H3-Base ограничены 768p, а получение 2K требует отдельного этапа регенерации.

Карточка модели zhanglangdawang/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Это одnofайловая версия MiniMax-H3 Fused Turbo (INT8 ConvRot), подготовленная автором репозитория cgc-0521 для ComfyUI. Модель предназначена для генерации коротких видео по текстовому запросу или изображению, а также для reference-to-video с использованием референсных кадров. Веса объединяют базовую модель MiniMax-H3, turbo-дистилляцию lightx2v FL2VA Turbo и Mystic v2.0 для сглаживания движения; затем выполнена квантизация INT8 ConvRot. Файл размером около 21 ГБ содержит 50 блоков, в которых четыре основных линейных слоя хранятся в INT8, а остальные веса — в BF16/F32. Карточка описывает генерацию ролика длительностью 10 секунд в разрешении 1152×640 за 4 шага, включая синхронизированный стереозвук; для работы приведены графы ComfyUI. На производительность влияют видеокарта, управление выгрузкой моделей и использование разреженного внимания SLA: на менее мощных устройствах генерация будет медленнее, а без SLA звук может быть менее детальным. После объединения LoRA нельзя отдельно менять их силу. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории и у базовых компонентов.

Abiray/MiniMax-H3-Singularity-GGUF — это набор квантованных версий WarmBloodAban/Minimax-h3_Singularity, общественной доработки модели MiniMax H3. Базовая модель разработана MiniMax, а данный вариант подготовлен сообществом Abiray в формате GGUF и не связан официально с MiniMax. Модель основана на совместном аудио-видео diffusion transformer и предназначена для генерации и обработки видеоконтента, включая сценарии text-to-video, image-to-video и audio-video в ComfyUI. Квантование K-quant с вариантами от Q3_K_M до Q8_0 снижает требования к видеопамяти для локального запуска на потребительских GPU. Доработка Singularity ориентирована на повышенную визуальную точность: более чёткое HDR-изображение, восстановление лиц на расстоянии, улучшенную детализацию кожи, более выразительное движение и качественные визуальные эффекты. Размеры файлов составляют примерно от 8,9 до 21,6 ГБ; рекомендуемые варианты — Q4_K_M для GPU с 12 ГБ VRAM, Q5_K_M для 16 ГБ и Q6_K или Q8_0 для 24 ГБ. Для работы также требуются отдельные текстовый энкодер, video VAE и audio VAE, а дополнительная LoRA может ускорить генерацию до четырёх шагов. Более сильное квантование обычно обеспечивает лучшее качество, но требует больше памяти, тогда как компактные варианты быстрее и экономичнее, однако могут заметнее терять качество. В README не указаны поддерживаемые языки и размер контекстного окна. Модель распространяется по MiniMax H3 Community License Agreement: лицензия действует по всему миру, кроме Европейского союза, Великобритании, Республики Корея и США, где требуется отдельное разрешение MiniMax. Коммерческое использование разрешено организациям с годовой выручкой менее 20 миллионов долларов при обязательной атрибуции.

Nathanael-Embedding-50M — компактная vision-language-модель без отдельного визуального энкодера, построенная на базе SupraLabs/Supra-1.5-50M-Base-exp. Согласно карточке, модель дистиллирована с использованием эмбеддингов SigLIP-2 и отображает визуальные токены в скрытое представление языковой модели. Она принимает текстовые токены и изображения размером 224×224; доступны веса SafeTensors и оптимизированные варианты ONNX в FP32 и FP16 для CPU, WASM и ускорения через WebGPU/WebGL. Модель предназначена для извлечения признаков из текстово-визуальных входов, в том числе в браузере или терминале. Карточка не уточняет длину контекста и конкретные сценарии работы с изображениями. Лицензия — MIT.

Photon-v1 — модель генерации изображений по текстовому описанию, опубликованная sam749. Это начальный выпуск модели семейства Stable Diffusion, доступный для использования через библиотеку Diffusers в форматах Diffusers и safetensors. Модель ориентирована на создание фотореалистичных изображений по текстовым запросам. Модель подходит для генерации портретов, персонажей и детализированных сцен по промптам. Автор отмечает, что на этом этапе генерация кистей рук может быть несовершенной. Модель распространяется по лицензии CreativeML OpenRAIL-M; использование должно соответствовать её условиям.

Qwen-Image-2.1-viggle-turbo — экспериментальный LoRA-адаптер, созданный Viggle на базе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по текстовым запросам и редактирования изображений по инструкциям с использованием от одного до трёх референсов. Версия v0.2 использует адаптер ранга 256 в формате bf16 и рассчитана на генерацию за пять шагов трансформера без classifier-free guidance; адаптер подключается к базовой модели во время работы через Diffusers. По данным авторов, на тестовом наборе из 96 запросов версия v0.2 лучше сохраняет разнообразие и композицию базовой модели, чем ранняя версия адаптера. Она ускоряет генерацию по сравнению с 40-шаговой базовой моделью, но на сложном редактировании с несколькими референсами, заменой лиц, сохранением личности и множеством ограничений может уступать базовой модели. Репозиторий имеет статус preview и продолжает обновляться. Лицензия указана как other; конкретные условия в предоставленных материалах не описаны.

Это 4-битная версия модели генерации изображений Qwen-Image-2512, подготовленная Unsloth для запуска через библиотеку diffusers. Она создаёт изображения по текстовым описаниям и унаследовала от базовой модели улучшенную реалистичность изображений людей, детализацию природных сцен и более точную отрисовку текста и композиции. Модель подходит для создания портретов, повседневных и постановочных сцен, пейзажей, изображений животных и композиций с текстовыми элементами. В README заявлено также более точное следование деталям запроса, например позам и элементам окружения. Репозиторий распространяется по лицензии Apache-2.0.

NVIDIA Qwen-Image-Flash — модель генерации изображений по текстовому описанию, созданная на основе Qwen/Qwen-Image. Это дистиллированная методом DMD2 версия для генерации за четыре шага; архитектура диффузионного трансформера MMDiT сохранена. Трансформер денойзинга содержит 20,43 млрд параметров, а полный конвейер с текстовым энкодером и VAE — 28,85 млрд обучаемых параметров. Модель предназначена для прототипирования творческого контента и сценариев, где важна низкая задержка генерации. Она принимает текстовые запросы длиной до 1024 токенов и обычно создаёт RGB-изображения размером 1024 × 1024. Дистилляция проводилась на английских описаниях; унаследованные способности к китайскому языку не оценивались. Для работы предусмотрены Diffusers и другие движки инференса; модель оптимизирована для GPU NVIDIA. Модель рассчитана на исследовательское применение и коммерческое или некоммерческое использование. В README указаны NVIDIA Open Model Agreement и Apache License 2.0. Она не предназначена для редактирования и понимания изображений, критически важных решений, а также генерации незаконного или оскорбительного контента.

Realistic Vision V5.0 noVAE — модель генерации изображений по тексту из семейства Stable Diffusion, представленная пользователем kp-forks. Репозиторий содержит веса в форматах Diffusers и safetensors; модель предназначена для создания реалистичных изображений по текстовым запросам. В README рекомендуются сэмплеры Euler A или DPM++ 2M Karras и CFG Scale 3,5–7. Для версии 5.0 автор карточки советует подключать VAE, чтобы повысить качество генерации и уменьшить артефакты; также приводятся примеры негативных запросов и настройки увеличения разрешения. Лицензия — CreativeML OpenRAIL-M.

RealVis Medium 1.0b — модель генерации изображений, созданная SG161222 дообучением SD3.5 Medium для получения реалистичных и фотореалистичных изображений по текстовым запросам. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для работы, в частности, через ComfyUI. Модель ещё находится в разработке, поэтому результаты могут меняться. При длине запроса более 256 токенов T5 на краях изображения могут появляться артефакты; сокращение запроса может помочь. Распределение обучающих данных отличается от версии Large, поэтому одинаковые запросы могут давать другие результаты. Автор рекомендует Skip Layer Guidance для улучшения структуры и анатомической согласованности. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

RealVisXL V5.0 Lightning — модель генерации изображений от SG161222, ориентированная на фотореализм. Она принимает текстовые запросы и создаёт изображения; в карточке указана поддержка генерации как SFW-, так и NSFW-контента. Модель использует конвейер StableDiffusionXLPipeline и распространяется в форматах Diffusers и safetensors. В README рекомендованы быстрые настройки генерации: 5 шагов сэмплирования, DPM++ SDE Karras или DPM++ SDE и CFG 1,0–2,0. Для увеличения разрешения предложены отдельные параметры Hires Fix и апскейлеры. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.