I.8Изображения и компьютерное зрение

Shuttle 3.1 Aesthetic — модель генерации изображений по текстовому описанию, разработанная ShuttleAI на базе shuttleai/shuttle-3-diffusion. Она предназначена для создания детализированных и эстетичных изображений по промптам, включая сцены со сложными описаниями и текстом внутри изображения. Модель поддерживает работу через Diffusers, ComfyUI и API ShuttleAI. Модель ориентирована на эффективную генерацию за 4–6 шагов и заявляет улучшенное качество изображений, типографики, понимание сложных промптов и экономичность по ресурсам. В README указаны варианты в форматах bfloat16 и fp8; пример запуска использует разрешение 1024×1024, guidance scale 3.5 и максимальную длину последовательности 256 токенов. Заявлена поддержка английского языка. Архитектура и точное число параметров не указаны. К сильным сторонам относятся высокая скорость генерации, улучшенные детали и цвета, а также способность создавать изображения, сопоставимые с Flux Dev, за четыре шага. Ограничения включают отсутствие подробных сведений о размере модели, архитектуре, поддерживаемых языках помимо английского и других модальностях. Модель частично дедистиллирована в процессе обучения. Лицензия Apache 2.0.

Stable Diffusion 2.1-base — модель генерации изображений по тексту, разработанная Робином Ромбахом и Патриком Эссером. Это дообученная версия Stable Diffusion 2-base: обучение продолжено на 220 тысяч шагов на том же наборе данных. Модель использует латентную диффузионную архитектуру и фиксированный текстовый энкодер OpenCLIP-ViT/H; доступна для запуска через Diffusers и в формате PyTorch с файлами Safetensors. Модель принимает текстовые запросы и создаёт или изменяет изображения. Она подходит для иллюстраций, художественных и дизайнерских эскизов, творческих и образовательных инструментов, а также исследований генеративных моделей. Основной язык запросов — английский; на других языках результат обычно хуже. Лицензия — CreativeML Open RAIL++-M. Ограничения включают слабую передачу читаемого текста, сложных пространственных отношений, лиц и людей, а также несовершенный фотореализм. Модель может отражать культурные и социальные предубеждения обучающих данных; изображения не следует считать достоверными изображениями людей или событий. В обучающих данных присутствовал контент для взрослых и насилие, хотя применялась фильтрация NSFW.

Viggle-Animate — это конверсия модели Viggle/Viggle-Animate для работы в ComfyUI, созданная на основе полноразмерного дообучения трансформера ref2va из MiniMax-H3. Модель предназначена для замены персонажа в видео: она переносит движение, ракурс камеры, фон и освещение из исходного ролика на персонажа с референсного изображения. Текстовый энкодер не используется: модель получает фиксированное встраивание длиной 362 токена. Ускоренный режим с дистилляцией DMD2 выполняет генерацию за 4 шага с тремя прямыми проходами. Для запуска нужны специальные узлы ComfyUI Viggle Animate, а также веса модели, VAE и готового текстового кондиционирования. Доступны варианты BF16 и INT8, включая облегчённый по памяти вариант; указанный в README размер полной модели BF16 — 66,3 ГБ. Качество сохранения внешности снижается, когда персонаж выходит из кадра и возвращается, сильно отклоняется от позы референса или делает резкие крупные движения. Лицензия указана как other, поэтому конкретные условия использования следует проверять у правообладателя.

Wan2.1 I2V-14B-480P — модель генерации видео из изображения, разработанная командой Wan-AI. Это 14-миллиардная модель семейства Wan2.1 в формате Diffusers, построенная на архитектуре diffusion transformer и использующая пространственно-временной вариационный автокодировщик Wan-VAE. Модель предназначена для создания видеороликов разрешением 480p на основе входного изображения и текстового описания движения или сцены; при генерации сохраняется соотношение сторон исходного изображения. Модель входит в открытую линейку видеогенерации Wan2.1. Семейство поддерживает работу с китайским и английским текстом, однако карточка этого варианта описывает именно генерацию видео из изображения. Для запуска доступны сценарии Diffusers и мног GPU-инференс. Лицензия репозитория — Apache 2.0. Вариант 480p ориентирован на сочетание скорости и качества при генерации видео. Запуск 14B-модели требует значительных вычислительных ресурсов; README описывает использование выгрузки модели с GPU и мног GPU-инференса. Результат зависит от исходного изображения и текстового запроса.

Wan2.1 I2V-14B-720P — модель генерации видео из изображения из семейства Wan2.1, разработанного командой Wan-AI. Она принимает изображение и текстовый запрос и создаёт видео с разрешением до 720p; для выбора соотношения сторон используется формат исходного изображения. Модель построена на архитектуре diffusion transformer и использует пространственно-временной причинный 3D VAE Wan-VAE. Модель предназначена для анимации изображений, создания видеоклипов по референсному кадру и подготовки визуальных материалов для творческих и производственных сценариев. В README заявлена поддержка генерации китайского и английского текста внутри видео. Репозиторий содержит веса в формате Diffusers и safetensors; для запуска предусмотрена интеграция с Diffusers и режимы много-GPU-инференса. Указанная лицензия — Apache-2.0. Это крупная модель на 14 млрд параметров для генерации видео высокого разрешения. Для инференса требуется значительный объём вычислительных ресурсов; README описывает выгрузку модели и распределённый запуск, но не приводит точного минимального требования к памяти для этой версии. Заявления о качестве основаны на оценках разработчиков.

Wan2.1-VACE-14B-Diffusers — модель генерации и редактирования видео из открытого семейства Wan2.1, разработанного Wan-AI. Это вариант VACE на архитектуре diffusion transformer с пространственно-временным VAE; размер 14 млрд параметров следует из идентификатора модели. Репозиторий распространяет веса в формате Diffusers и safetensors. Модель предназначена для создания и редактирования видео с использованием изображений и текстовых подсказок. VACE поддерживает входные данные произвольного разрешения; для оптимального результата рекомендуются размеры в заданном диапазоне, а заявленные основные режимы работы используют разрешения 480p и 720p. Семейство Wan2.1 также описано как способное генерировать визуальный текст на китайском и английском языках. Модель рассчитана на сценарии генеративного видеопроизводства и творческого редактирования. README не приводит отдельных оценок качества для этого конкретного чекпойнта и не уточняет его требования к памяти. Лицензия — Apache-2.0.

Карточка модели fdk6566/wan2.2_14b_i2v_480p_lightning_nsfw_diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. 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.

Карточка модели laoK888/wan2.2_14b_i2v_480p_lightning_nsfw_diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. 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.

Карточка модели Yuro1991/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

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

Warden Ship art-domain CLIP — модель, созданная разработчиками Warden Ship на основе openai/clip-vit-base-patch32 и дообученная контрастивно на парах «картина — подпись» из метаданных WikiArt. Она предназначена для поиска изображений по текстовым запросам и классификации картин по стилю и жанру без обучения отдельного классификатора. Модель принимает изображения и текст, сопоставляет их в общем векторном пространстве и выдаёт векторные представления, пригодные для поиска по смыслу. По данным README, точность на отложенном тесте WikiArt составляет 55,3% для 27 классов стилей и 79,8% для 10 жанров; размер проекции — 512 измерений. Модель подходит для семантического поиска по коллекциям картин, извлечения похожих произведений и zero-shot-классификации в художественном домене. Она загружается как стандартная модель CLIP через Transformers и распространяется по лицензии MIT. Векторы этой версии нельзя смешивать по смыслу с векторами базовой CLIP, несмотря на совпадение их размерности. Обучение преимущественно на европейской живописи XIX–XX веков ограничивает качество на других периодах и традициях.

emilianJR/XXMix_9realistic — чекпойнт Stable Diffusion в формате Diffusers, предназначенный для генерации изображений по текстовому запросу. Автор указывает, что модель загружается через StableDiffusionPipeline и демонстрирует примеры реалистичных изображений с детализированной кожей, отражениями и портретами. Модель принимает текстовый промпт и выдаёт изображение. В метаданных указан английский язык и лицензия CreativeML OpenRAIL-M. Размер модели, длина контекста и точная базовая версия Stable Diffusion в доступных сведениях не приведены.

Карточка модели shovonazad/ZenthiaaX на Hugging Face совпадает с карточкой nvidia/Qwen-Image-Flash, поэтому описание составлено по ней. 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.

Это 4-битная версия Z-Image-Turbo, подготовленная Unsloth для запуска через библиотеку diffusers. В основе — модель Tongyi-MAI/Z-Image-Turbo с архитектурой одно-поточного диффузионного трансформера S3-DiT; в README указано, что исходное семейство Z-Image имеет 6 млрд параметров. Для сохранения качества важные слои повышаются до более высокой точности, а динамическая методика Unsloth направлена на эффективную квантизацию. Модель предназначена для генерации изображений по текстовым запросам. Z-Image-Turbo рассчитана на быстрое создание фотореалистичных изображений, следует инструкциям в промпте и умеет отображать английский и китайский текст на изображениях. README показывает запуск примерно за 9 шагов; сведения о поддержке изображения на входе для этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0. Квантизация уменьшает требования к памяти по сравнению с полной точностью, но для запуска в примере используется CUDA; при нехватке памяти README предлагает выгрузку частей модели на CPU. Заявленные скорости и качество зависят от оборудования и конфигурации.

Allegro-TI2V — модель генерации видео по текстовому запросу и изображению, разработанная Rhymes AI. Она создаёт продолжение сцены по первому кадру либо промежуточный видеоряд по первому и последнему кадрам, учитывая текстовое описание. Модель построена на VideoDiT с 2,8 млрд параметров и VideoVAE с 175 млн параметров; для работы предусмотрена библиотека Diffusers и форматы safetensors. Модель предназначена для создания динамичных сцен, в том числе с людьми и животными. Она генерирует видео длительностью 6 секунд с частотой 15 кадров в секунду и разрешением 720×1280; результат можно интерполировать до 30 кадров в секунду с EMA-VFI. Контекст составляет 79,2 тыс. токенов, что в карточке соотнесено с 88 кадрами. В режиме BF16 с выгрузкой части вычислений на CPU требуется 9,3 ГБ видеопамяти. Лицензия — Apache 2.0.

t8star публикует веса Bernini V2 в формате, предназначенном для нативного запуска в ComfyUI, на основе ByteDance/Bernini-Diffusers-v2. Модель сначала планирует сцену и движение с помощью Qwen2.5-VL, затем создаёт видео двумя экспертами Wan 2.2. Поддерживаются генерация видео по тексту и изображению, преобразование видео, создание видео по референсу и редактирование видео с опорой на референс. В репозитории есть профили BF16 и INT8 в safetensors, а также экспериментальный вариант рендереров GGUF с меньшим объёмом хранения. Для профиля INT8 указана рекомендация для видеокарт с 24 ГБ памяти; вариант GGUF Q4_K_S экономит место, но может терять детализацию лиц и конечностей. README сообщает о проверенном запуске в ComfyUI на разрешении 640×368 и 33 кадрах. Лицензия — Apache-2.0.

misri/epicrealismXL_v7FinalDestination — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face. Репозиторий содержит веса в формате Diffusers и Safetensors; модель использует конвейер StableDiffusionXLPipeline и предназначена для создания изображений по промптам. Для запуска Hugging Face показывает пример с Diffusers и генерацией изображения по текстовому запросу. По названию и внешней карточке epiCRealism XL модель ориентирована на реалистичную визуальную эстетику. Репозиторий не сообщает размер параметров, длину контекста или список поддерживаемых языков. Лицензия в метаданных указана как unknown, поэтому условия использования следует уточнить у правообладателя.

Anibaaal/Flux-Fusion-DS-merge-gguf-nf4-fp4-fp8-fp16 — модель генерации изображений по текстовому описанию, созданная Anibaaal. Она представляет собой слияние вариантов Flux.1 Schnell и Flux.1 Dev с плавным изменением соотношений между блоками модели. Модель предназначена для работы в экосистеме Diffusers и совместима со сценариями генерации изображений через ComfyUI. Заявлен английский язык промптов. Модель ориентирована на создание детализированных изображений в различных стилях и тематиках: портретов, фэнтезийных и научно-фантастических сцен, 3D-рендеров, персонажей и окружений. Рекомендуется использовать от 4 до 8 шагов генерации. Доступны варианты весов в форматах GGUF, NF4, FP4, FP8 и FP16; для GGUF и BNB/NF4-совместимых вариантов требуются соответствующие пользовательские узлы ComfyUI. В зависимости от варианта также могут понадобиться отдельные VAE, CLIP и T5XXL. Сильной стороной является сочетание характеристик Schnell и Dev, рассчитанное на быструю генерацию при сохранении возможностей более качественной версии. Ограничения включают необходимость дополнительной настройки окружения и компонентов для некоторых вариантов, а также отсутствие в README точных сведений о размере модели, архитектурных деталях, максимальном контексте и поддерживаемых языках помимо английского. Лицензия указана как other, без дополнительных условий в представленном описании.

Ideogram 4 FP8 — версия открытых весов генеративной модели от Ideogram, перепубликованная Unsloth без изменений исходных весов. Это модель text-to-image, обученная с нуля: она использует flow matching и одно-поточный Diffusion Transformer с 34 слоями. В качестве текстового энкодера применяется Qwen3-VL-8B-Instruct; модель поддерживает генерацию изображений с разрешением от 256 до 2048 пикселей и соотношением сторон до 6:1. Модель предназначена для создания изображений по текстовым запросам, особенно для дизайн-задач, где важны точное размещение объектов и элементов текста, управление стилем, освещением и цветовой палитрой. В запросах можно задавать структурированные параметры и координаты ограничивающих рамок; модель также рассчитана на качественную отрисовку текста внутри изображений и понимает запросы на разных языках. Репозиторий использует формат FP8 и сохранённую в исходном виде объединённую раскладку attention. Обычная загрузка через diffusers может привести к случайной инициализации весов attention и некорректным изображениям; для работы нужен совместимый загрузчик. Для конфигурации текстового энкодера требуется transformers 5.x. Лицензия — Ideogram 4 Non-Commercial, согласно README; в метаданных Hugging Face указана категория лицензии other.

Yntec/Juggernaut — версия модели Juggernaut, преобразованная в формат Diffusers, а затем сохранённая в safetensors. По карточке, преобразование уменьшило размер файлов на 1,7 ГБ без изменения результатов генерации. Модель предназначена для создания изображений по текстовым запросам: примеры показывают фотореалистичные сцены, портреты и персонажей, а также иллюстрации и концепт-арт. Модель распространяется под лицензией CreativeML OpenRAIL-M. В метаданных указаны библиотека Diffusers и поддержка английского языка. Размер исходной модели, длина контекста и конкретные условия лицензии сверх её названия в предоставленных данных не описаны.

AlperKTS/Krea2_FP8 — созданная сообществом квантизированная версия Krea 2 OSS Turbo от KREA.ai для генерации изображений по текстовым запросам. Модель использует архитектуру Krea2 на базе трансформера; репозиторий содержит веса FP8 в формате safetensors. Избирательная квантизация 266 матриц снижает размер с 24,76 до 12,01 ГиБ, сохраняя в исходной точности векторы, смещения, нормализации и чувствительные слои. По README модель можно запускать в ComfyUI 0.25.0 и новее; приведённый рабочий процесс использует 8 шагов и разрешение 1280×720. Модель предназначена для создания изображений по текстовым описаниям, включая иллюстрации, аниме и 3D-сцены. FP8-вариант рассчитан на запуск на потребительских видеокартах с 16 или 24 ГБ памяти. README сообщает, что примеры получены исходными весами BF16, поэтому качество конкретно этой квантизированной версии отдельно не подтверждено. Лицензия — KREA 2 License Agreement; перед использованием необходимо соблюдать её условия.

Krea-2-Turbo Humming — это квантизированная версия модели Krea-2-Turbo, подготовленная ByteShape с использованием ShapeLearn и оптимизированных Humming-ядер для запуска через vLLM-Omni. Модель предназначена для генерации изображений по текстовому описанию. В комплект входят текстовый энкодер, VAE, scheduler и tokenizer, поэтому отдельная загрузка компонентов не требуется. Модель является step-distilled и генерирует изображение за 8 шагов без classifier-free guidance. Доступны пять вариантов размером от 6,14 до 14,30 ГБ, с точностью от 3,83 до 8,92 bits per weight; полный пакет вместе с оболочкой занимает от 15,5 до 23,7 ГБ. На NVIDIA RTX 5090 генерация изображения 1024×1024 занимает около 4 секунд. Квантизация в первую очередь снижает требования к VRAM, а ускорение обеспечивается backend и Humming-ядрами. Основные ограничения связаны с экспериментальным статусом и требованиями к окружению: поддерживаются только Linux, NVIDIA GPU с архитектурой SM75 или новее, а рекомендуемый стек включает vLLM 0.26.0, vLLM-Omni 0.26.0 и плагин vllm-omni-humming 0.3.0. Лицензия указана как Krea 2 Community License; условия доступны по ссылке https://www.krea.ai/krea-2-licensing.

Latte-1 — предварительно обученная модель генерации видео по тексту из проекта Latte, разработанного авторами исследования Latte: Latent Diffusion Transformer for Video Generation. Она построена на латентной диффузии с трансформером и распространяется в формате Diffusers с весами Safetensors. Модель предназначена для создания видео по текстовым запросам; README также сообщает о поддержке генерации изображений по тексту. Latte-1 подходит для экспериментов и приложений, которым нужно создавать визуальные материалы из текстовых описаний. В карточке не приведены размер модели, длина контекста и перечень поддерживаемых естественных языков. Модель распространяется по лицензии Apache-2.0.

Карточка модели fengbaoqishi/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели hohago7090/LTX-2 на Hugging Face совпадает с карточкой Aga16/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

drbaph/LTX-2.3-FP8 — это квантизированная версия моделей LTX-2.3 22B, разработанных компанией Lightricks. Модель относится к семейству DiT-based audio-video foundation models и предназначена для совместной генерации синхронизированных видео и аудио, включая сценарии text-to-video, image-to-video, video-to-video, audio-to-video и мультимодальные задачи преобразования текста, изображений, видео и аудио в аудиовизуальный контент. Доступны варианты dev и distilled. Размер исходной модели составляет 22 млрд параметров, а каждый FP8-чекпойнт занимает около 30 ГБ. Используется статическая по-тензорная W8A8-квантизация с форматом float8_e4m3fn; часть блоков и неквантизированные параметры сохраняются в BF16 или F32. Ключевая особенность — единая архитектура для обработки аудио и видео с механизмами внимания между модальностями. README указывает поддержку английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков, но точные параметры контекста и ограничения длительности не приведены. FP8-квантизация уменьшает объём модели примерно с 46 ГБ в BF16 до 29,94 ГБ, что упрощает размещение и инференс при сохранении совместимости с исходной моделью. Ограничениями являются высокие требования к памяти, отсутствие в README подробных данных о качестве, скорости, разрешении и максимальной длительности генерации, а также возможные особенности точности, связанные с квантизацией. Модель распространяется по лицензии LTX-2 Community License Agreement; условия исходной LTX-2.3 применяются к этому производному варианту.

Карточка модели 999Ghost999/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 caralhox/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.

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 MayhemMark/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.