I.8Изображения и компьютерное зрение

Карточка модели propulsor/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.

city96/LTX-Video-0.9.5-gguf — это квантованная в формате GGUF версия модели Lightricks/LTX-Video, подготовленная пользователем city96. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео. В карточке указана поддержка английского языка. Размер модели и точные сведения об архитектуре и длине контекста не приведены. Модель является прямой конвертацией исходной Lightricks/LTX-Video, а не дообученной версией. Квантование может снизить требования к ресурсам по сравнению с полноразмерной моделью, однако конкретный тип квантования и его влияние на качество зависят от выбранного файла. Для работы предусмотрена интеграция с пользовательским узлом ComfyUI-GGUF; файлы модели следует размещать в каталоге ComfyUI/models/unet. В карточке отмечено, что VAE отличается от версии 0.9. Поскольку это квантованная версия, на неё распространяются те же ограничения и условия исходной модели. Лицензия обозначена как other, а подробные условия должны быть уточнены в файле LICENSE.md исходного репозитория.

Карточка модели Cabo3616/ltx-video-endpoint 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 MrBlackRaben/lumiera-cinema-v23 на Hugging Face совпадает с карточкой diffusers/LTX-2.3-Diffusers, поэтому описание составлено по ней. 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.

Mage-Flow-Turbo — четырёхшаговый вариант модели Mage-Flow для генерации изображений по текстовому описанию. В README разработчики представляют семейство как компактную модель масштаба 4 млрд параметров на архитектуре NR-MMDiT, обученную методом rectified flow в латентном пространстве Mage-VAE. Вариант Turbo описан как дистиллированный для генерации за четыре шага; репозиторий распространяется в формате Diffusers с весами Safetensors. Модель предназначена для быстрого преобразования текстовых запросов в изображения, в том числе на разрешениях от 512 до 2048 пикселей и с различными пропорциями сторон. README отмечает следование запросам, проработку деталей и генерацию разборчивого английского и китайского текста. Для редактирования изображений предназначен отдельный вариант Mage-Flow-Edit, а не эта модель. README приводит скорость 0,59 секунды на изображение 1024×1024 на одном A100 и пиковое потребление памяти около 18–20 ГБ. Эти показатели зависят от оборудования и условий запуска. Лицензия модели — MIT.

zeromodels/metaclip2_mt5_worldwide_m16_224 — конверсия MetaCLIP 2, подготовленная проектом zeromodels в формате Keras 3. В основе — двухкодерная архитектура CLIP для сопоставления изображений и текста; реализация работает с TensorFlow, Torch и JAX. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах: она оценивает соответствие изображения предложенным текстовым меткам. Вариант worldwide обучен на многоязычном распределении данных, а версия mt5 использует SentencePiece; запросы-классы можно формулировать на разных языках, включая английский, французский, испанский и немецкий. Суффикс 224 указывает на вариант модели, однако карточка не сообщает размер параметров или длину контекста. Подходит для прототипирования мультиязычной классификации изображений и поиска подходящих текстовых меток. Качество зависит от формулировки описаний и набора кандидатов; карточка не приводит количественных оценок качества. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях.

Карточка модели 1ST-PLACE-WINNER/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 alexterieur2026/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 CosminDM/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 Exmanq/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 JNcharkey1/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 liskasYR/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 Lite01385/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 nahxa/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 saluca-labs/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 vs4vijay/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 wo1808401/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 Wvkmsv/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, 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.

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-Pruned-LightX8-Fused — прунированный чекпойнт трансформера MiniMax H3 в формате Diffusers от автора репозитория ibyteohdear. Это мультимодальная модель с 23,1 млрд параметров, предназначенная для генерации видео по тексту и изображениям. Архитектура H3 объединяет представления текста, изображений и аудио в последовательность мультимодальных токенов; H3-Omni-Transformer совместно предсказывает латентные представления видео и звука. Чекпойнт использует safetensors и сжатые AdaLN ранга 8. Модель принимает текстовые инструкции и изображения, а система H3 также поддерживает видеоклипы и аудио как референсы. Она генерирует видео длительностью 4–15 секунд с синхронным стереозвуком; базовый вывод имеет разрешение 768p, а отдельный модуль H3-Regenerate-2K предназначен для повышения разрешения до 2K. Полный процесс подготовки сложного мультимодального контекста через H3-Context-IR требует размещённого сервиса, который не входит в открытую поставку; выпущенный код инференса использует полное внимание, а разреженное внимание пока не предоставлено. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

Molmo2-8B — открытая мультимодальная модель для понимания изображений, видео и наборов изображений, разработанная Allen Institute for AI (Ai2). Она объединяет языковую основу Qwen3-8B с визуальным энкодером SigLIP 2; каталог указывает плотную архитектуру Molmo2 и формат весов safetensors. Модель принимает визуальный материал и текстовые запросы, а ответы формулирует текстом. Модель предназначена для вопросов и ответов по изображениям и видео, описания сцен, подсчёта объектов, указания их местоположения и отслеживания объектов в видео. По данным README, она показывает сильные результаты на коротких видео, подсчёте и создании описаний, а на длинных видео конкурентоспособна. В метаданных указан английский язык; языки кроме него не подтверждены. Репозиторий распространяется по лицензии Apache-2.0. Контекстное окно в предоставленных данных не описано.

rwightman/naflex_ViT-B-32.cc12m — двухбашенная модель CLIP с визуальной башней NaFlexViT Base/32 и классическим трансформером CLIP для текста. Её обучил rwightman на наборе CC12M в рамках экспериментов с оптимизатором NAdaMuon; чекпойнт служит базовым сравнением для MaMMUT2, а не специально подготовленной контрольной моделью. Обучение длилось 32 эпохи с целью InfoNCE и точностью bf16. Модель предназначена для классификации изображений по текстовым описаниям без дообучения и поиска соответствий между изображениями и текстами. NaFlex обрабатывает изображения с переменным соотношением сторон, а текстовая башня использует BPE-словарь на 49 408 токенов и контекст до 77 токенов. В README приведены результаты zero-shot оценки на ImageNet и поиска по COCO; модель уступает современным CLIP-вариантам в части таких сравнений. Для работы указана библиотека open_clip. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

NextStep-1-Large — модель StepFun для авторегрессионной генерации изображений по текстовому описанию. Она сочетает авторегрессионную модель на 14 млрд параметров с головой flow matching на 157 млн параметров и обучена предсказывать следующие элементы последовательности из дискретных текстовых и непрерывных визуальных токенов. В метаданных указана архитектура LlamaForCausalLM и контекстное окно 131 072 токена. Модель предназначена для синтеза изображений высокого качества по текстовым запросам. В карточке заявлено, что она показывает передовые результаты среди авторегрессионных моделей в задачах text-to-image. Репозиторий использует библиотеку Transformers и формат safetensors; лицензия — Apache-2.0. Метаданные также отмечают поддержку чата и интерфейса вызова инструментов, но README не описывает эти возможности подробно.

OppaiOracle — модель Grio43 для многометочной классификации изображений в стиле аниме: она предсказывает теги из словаря общих категорий, включающего 19 294 класса. Модель построена на архитектуре Vision Transformer (ViT) и обучена с нуля на корпусе примерно из 5,9 млн изображений; автор сообщает о целевой очистке и дополнении части меток обучающих данных. Доступны варианты с разрешением 320×320 и 448×448 пикселей; второй вариант получен дообучением первого. Репозиторий содержит веса Safetensors и экспорт ONNX. Модель предназначена для автоматической разметки аниме-иллюстраций и изображений в стиле аниме, например для поиска и организации коллекций. По оценке автора, версия 448×448 умеренно улучшает mAP относительно версии 320×320; разрешение входа рекомендуется подбирать под конкретный вариант. В данных обучения остаётся шум на уровне категорий, поэтому предсказания следует проверять человеком. Лицензия — Apache-2.0.

Photo Movie X Final — дообученная на базе Yntec/photoMovieX модель Stable Diffusion от Yntec для создания изображений по текстовым описаниям. Примеры в карточке ориентированы на реалистичные портреты, кинематографичные сцены и иллюстрации с детализированной, выразительной стилизацией. Модель принимает текстовые запросы и генерирует изображения. Она распространяется в формате Diffusers с весами safetensors; лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели или длину контекста.

PixelModel v6 — разработанная BenchLabs компактная модель генерации изображений по тексту на основе диффузионного трансформера с архитектурой MMDiT и rectified flow. Она содержит около 155 млн параметров и создаёт изображения размером 256×256 за 50 шагов сэмплирования; в качестве текстового условия использует скрытые состояния google/flan-t5-base, а CLIP — для глобального сигнала conditioning. Модель предназначена для генерации изображений по текстовым описаниям. В README отмечены улучшения в передаче структуры сцен и точности следования запросу по сравнению с предыдущими версиями линейки; качество оценивали на MS-COCO с помощью FID и CLIPScore. Рекомендуемое значение guidance scale — 3.0. Для запуска автор приводит команду через main.py. Веса распространяются по лицензии MIT. Модель обучена на изображениях 256×256; README не подтверждает качество на больших разрешениях. Описание результатов опирается на внутреннюю оценку авторов и не устанавливает качество для всех типов запросов и сценариев.

ProteusV0.5 — модель генерации изображений по текстовому описанию, опубликованная dataautogpt3. Она основана на OpenDalleV1.1 и дообучена на подписях к изображениям; для предпочтений использовались пары изображений, обработанные методом DPO. В состав входит специально обученная CLIP-модель, а веса доступны в формате Diffusers и Safetensors. Модель предназначена для создания фотореалистичных изображений и иллюстраций по промптам. В README отмечены улучшенное понимание запросов, проработка лиц и текстуры кожи, а также поддержка сюрреалистичного, аниме и мультяшного стилей. Для работы рекомендован Clip Skip 2; примеры настроек включают CFG Scale 7, 25–50 шагов и разрешение 1024×1024. Лицензия — Apache-2.0.

QGO 10a — модель генерации изображений по текстовому описанию, опубликованная Yntec в формате Diffusers для Stable Diffusion. В карточке указана версия без EMA с VAE 840K, встроенным в модель; примеры показывают генерацию фотореалистичных портретов и сцен с аналоговой фотостилизацией. Модель предназначена для создания изображений по текстовым промптам, в частности портретов, персонажей и атмосферных сцен. В метаданных указаны форматы Diffusers и safetensors, а также лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

Qwen-Image-2.1-viggle-turbo — разработанный Viggle шестишаговый дистиллированный вариант модели Qwen/Qwen-Image-2.1, распространяемый как LoRA-адаптер. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсов. В обычном режиме требуется 6 шагов вместо 40 у базовой модели; также доступен девятишаговый режим с более тонкими деталями и лучшей передачей мелкого текста. Автор сообщает, что шестишаговая версия примерно в пять раз быстрее базовой при сопоставимом качестве на большинстве примеров. Адаптер загружается в трансформер базовой модели; доступны веса safetensors, а в метаданных также перечислены варианты GGUF с разной разрядностью. Модель работает с текстовыми запросами и изображениями-референсами и выдаёт изображения. README описывает применение через diffusers и ComfyUI; для ComfyUI указаны возможные шероховатости интеграции. Качество уступает базовой модели при сложном редактировании, сохранении личности и композиции по нескольким референсам; мелкий и длинный текст чаще искажается. В шестишаговом режиме мелкие текстуры могут быть мягче, а цвета — немного менее насыщенными. Лицензия в метаданных указана как other, конкретные условия использования в доступных данных не раскрыты.