I.8Изображения и компьютерное зрение

digiplay/bluePencil_v09b — модель Stable Diffusion в формате Diffusers для генерации изображений по текстовым запросам. В карточке модели приведено демонстрационное изображение исходного автора, но дополнительных сведений о разработчике и настройке модели нет. Модель предназначена для преобразования текстового описания в изображение; репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

Camie Tagger — модель классификации изображений для автоматической разметки аниме- и манга-иллюстраций. По README, автор обучил её на наборе из 7 024 392 примеров; модель предсказывает до 70 527 тегов из семи категорий: общие теги, персонажи, произведения, художники, метаданные, рейтинг и год. В архитектуре используются EfficientNetV2-L, слой эмбеддингов и перекрёстное внимание для уточнения предсказаний. README указывает размеры начальной и уточнённой моделей — 214 млн и 424 млн параметров — и микросредний F1 58,1% на тесте из 20 116 примеров. Модель предназначена для автоматического тегирования иллюстраций и получения категорийных меток с настраиваемыми порогами. Особенно хорошо, по словам автора, она предсказывает теги персонажей и произведений; метрики для редких тегов и общих категорий скромнее, а обучение автор характеризует как незавершённое. Для содержимого с рейтингом предусмотрена отдельная категория, но README не заявляет, что модель генерирует изображения. Репозиторий предоставляет веса в форматах Safetensors и ONNX; лицензия — GPL-3.0.

FastVideo CausalWan2.2-I2V-A14B-Preview-Diffusers — предварительная модель команды FastVideo для генерации видео по исходному изображению. Она основана на Wan-AI/Wan2.2-I2V-A14B и представлена в формате Diffusers с весами Safetensors. Поддерживает вывод за 8 шагов инференса и предназначена для запуска через FastVideo на совместимых GPU, включая H100 и RTX 4090, а также на Mac. Модель подходит для создания видеороликов на основе изображения. Это preview-версия с проблемами качества; скорость инференса пока не оптимизирована. Лицензия — Apache-2.0.

DALL·E mini — модель генерации изображений по текстовому описанию, созданная как упрощённая открытая попытка воспроизвести OpenAI DALL·E. Она объединяет энкодер на основе BART, преобразующий токены текста в последовательность кодов изображения, и декодер на основе VQGAN, который превращает эти коды в пиксели. Модель содержит 252,8 млн параметров, построена на Flax/JAX и распространяется в формате Flax; для работы декодера требуется отдельная модель flax-community/vqgan_f16_16384. Модель предназначена для создания изображений по текстовым запросам. По сравнению с OpenAI DALL·E качество результатов ниже, зато модель проще и может обучаться и запускаться на менее мощном оборудовании. В карточке описаны англоязычные запросы и контекст до 1024 токенов. Лицензия в предоставленных данных не указана.

Карточка модели Nour-Fayed/daVinci-MagiHuman на Hugging Face совпадает с карточкой GAIR/daVinci-MagiHuman, поэтому описание составлено по ней. daVinci-MagiHuman — генеративная модель SII-GAIR и Sand.ai для создания коротких видео с синхронным звуком, включая ролики с выразительной человеческой мимикой, речью и движениями. Она использует 15-миллиардный 40-слойный Transformer с единой последовательностью токенов текста, видео и аудио; модель совместно обрабатывает текстовый запрос, референсное изображение и зашумлённые аудио- и видеоданные. Архитектура включает специализированные проекции в первых и последних слоях и общие параметры в промежуточных слоях. Модель предназначена для генерации видео по изображению и тексту, с упором на человеческую речь, движения и синхронизацию аудио с видео. В README указаны поддержка английского, китайского (мандаринского и кантонского), японского, корейского, немецкого и французского языков, а также скорость генерации пятиминутного по длительности? Нет: пятисекундного ролика от 2 секунд в 256p до 38 секунд в 1080p на одном H100. Для ускорения используется дистилляция DMD-2 до 8 шагов, отдельный этап повышения разрешения и ускоренный декодер. Модель распространяется под лицензией Apache-2.0. Результаты качества и скорости приведены в README и зависят от описанных авторами условий оценки и оборудования. Для запуска требуются веса полного стека и подходящая среда инференса; указанная скорость предполагает H100 и не переносится автоматически на другое оборудование.

dreamlike-photoreal-2.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания фотореалистичных изображений по промптам; пример в карточке показывает пейзаж с церковью при ярком кинематографическом освещении. Модель доступна в форматах Diffusers, PyTorch и safetensors, а также как файл CKPT. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers; в примере модель загружается с точностью float16 и запускается на CUDA. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели. Карточка не приводит сведений о контексте или поддерживаемых языках, кроме английского в метаданных.

EasyAnimateV2-XL-2-768x768 — веса модели Alibaba PAI для генерации видео по текстовым описаниям. Модель основана на PixArt-alpha и использует Diffusion Transformer с модулем движения, видеовариантом VAE и текстовым кодировщиком T5; в архитектуру также добавлены skip-соединения по мотивам U-ViT. Разрешение обучения — 768×768 пикселей, длина видео — до 144 кадров при 24 кадрах в секунду. Модель предназначена для создания высококачественных видео и поддерживает генерацию изображений в том же конвейере. Она принимает текстовые описания на английском языке и выдаёт видео; метаданные Hugging Face при этом помечают её как text-to-image. Для запуска используются Diffusers и формат safetensors. Лицензия — Apache-2.0. К заявленным возможностям относятся генерация длинных видео и работа с высоким разрешением. Ограничения: модель обучалась на видео 768×768 длиной до 144 кадров, поэтому возможности за этими пределами не подтверждены; в README нет описания поддерживаемых языков помимо английского.

rockerBOO/flux.1-dev-SRPO — версия FLUX.1 Dev, дообученная Tencent методом Semantic Relative Preference Optimization (SRPO) на датасете HPD с HPSv2. Модель предназначена для создания изображений по текстовым запросам, с акцентом на реалистичность и эстетическое качество. SRPO использует текстовые сигналы предпочтений, которые можно корректировать с помощью позитивных и негативных дополнений к промпту. В основе лежит диффузионная архитектура FLUX.1 Dev. В репозитории доступны веса safetensors; лицензия указана как other. Карточка не приводит отдельные сведения о поддерживаемых языках или длине контекста.

Карточка модели unsloth/HiDream-I1-Dev на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

Карточка модели unsloth/HiDream-I1-Fast на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

Hotshot-XL — диффузионная модель генерации и изменения GIF по текстовым запросам, разработанная Natural Synthetics Inc. Она рассчитана на совместную работу со Stable Diffusion XL и позволяет использовать дообученные SDXL-модели, собственные LoRA и SDXL ControlNet для создания анимаций с заданными объектами и композицией. Модель обучена генерировать GIF длительностью около одной секунды с частотой 8 кадров в секунду и поддерживает разные соотношения сторон. В основе — Latent Diffusion Model с двумя фиксированными предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G и CLIP-ViT/L. Модель подходит для создания коротких анимированных сцен по описанию и персонализированных GIF с использованием SDXL-адаптеров. Лучше всего базовая версия работает с SDXL-моделями, дообученными на изображениях 512×512. Она может плохо передавать фотореализм, не умеет надёжно создавать читаемый текст и сложные пространственные композиции; лица и люди также могут получаться некорректно. Лицензия — CreativeML Open RAIL++-M.

JarvisArt-1208 — мультимодальная языковая модель и агент для интеллектуальной ретуши фотографий, разработанный исследователями из нескольких университетов и ByteDance. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает изображения вместе с текстовыми инструкциями; заявленная длина контекста — 128 000 токенов. JarvisArt предназначена для редактирования фотографий по свободным текстовым запросам и ограничивающим рамкам: от глобальной коррекции сцены до локальной обработки выбранных областей. Агент интерпретирует намерение пользователя и координирует более 200 инструментов Adobe Lightroom. Для обучения применялась двухэтапная схема: supervised fine-tuning с цепочками рассуждений и GRPO-R для улучшения решений и работы с инструментами. Авторы сообщают о датасете MMArt из 55 тысяч примеров и бенчмарке MMArt-Bench. Модель ориентирована на творческую фоторетушь и взаимодействие с инструментами, а не на универсальный диалог. Практическая работа агента зависит от доступности интеграции с Adobe Lightroom и его инструментов. В README не приведены условия лицензии; их следует проверить в карточке модели перед использованием.

Карточка модели Roman6699/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 Sinisterlupi/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.

Abiray/LTX-2.3-22B-DISTILLED-1.1-GGUF — это дистиллированная версия модели LTX-Video 2.3 (v1.1), разработанная Lightricks и представленная в репозитории Abiray в формате GGUF. Модель предназначена для генерации видео по текстовому описанию, изображениям и аудиовизуальным сценариям; в карточке указаны поддержка text-to-video, image-to-video и audio-to-video, а также нативная генерация аудио и видео. Модель построена на архитектуре DiT и содержит около 22 млрд параметров. GGUF-квантизация позволяет распределять вычисления между видеопамятью GPU и оперативной памятью CPU, что упрощает запуск на потребительском оборудовании. Доступны варианты от Q3_K_M размером 14,7 ГБ до Q8_0 размером 25,5 ГБ: более компактные версии требуют меньше памяти, но могут немного уступать в качестве, тогда как Q8_0 обеспечивает качество, близкое к неквантизированной модели. Язык модели в метаданных указан как английский. Для работы в ComfyUI требуется набор пользовательских узлов с поддержкой загрузки GGUF, например ComfyUI-GGUF. Основные ограничения — значительные требования к памяти из-за размера модели и возможное снижение визуального качества при использовании низких уровней квантизации. Модель распространяется по LTX-2 Community License Agreement от Lightricks.

Это 4-битная версия весов LTX-2.3 22B Distilled, подготовленная gajesh для MLX и компьютеров Mac на Apple Silicon. Основа — совместный аудио-видео диффузионный трансформер Lightricks; README описывает запуск генерации видео по текстовому запросу. Модель рассчитана на системы с 32 ГБ оперативной памяти и более: трансформер занимает около 11 ГБ, общий размер модели — около 35 ГБ. Линейные слои трансформера квантизированы до 4 бит с размером группы 64, а VAE, текстовый энкодер, нормализации и эмбеддинги сохранены в полной точности. Для запуска используется библиотека MLX и DistilledPipeline; README приводит пример генерации ролика 576×1024 из 121 кадра.

BennyDaBall/LTX-2.5-22b-distilled-nvfp4-comfy-v2 — это квантованная версия модели LTX-2.5 от Lightricks, подготовленная сообществом BennyDaBall для работы в ComfyUI. Модель предназначена для генерации видео по текстовому описанию (text-to-video), преобразования изображения в видео (image-to-video), генерации видео между заданными первым и последним ключевыми кадрами, а также сценариев с аудио и видео. Модель основана на 22-миллиардной distilled-версии LTX-2.5 и использует формат квантования NVFP4. В репозитории указаны 7 877 тензоров, включая 1 176 квантованных слоёв; размер файла составляет около 18,7 ГБ. В версии V2 восстановлена поддержка позиционного embedding для ключевых кадров. Заявлена поддержка генерации видео с нативным аудио, однако сведения о языках, точном размере контекста и перечне поддерживаемых аудиоформатов не приведены. Модель проверена в ComfyUI 0.33 на RTX 5090: доступны сценарии text-to-video, image-to-video и first/last-frame-to-video. Среди сильных сторон — меньший размер по сравнению с указанной INT8-версией, поддержка ключевых кадров и готовность к загрузке через UNETLoader. Ограничения включают зависимость от совместимого оборудования и ComfyUI, а также возможные отличия результатов от других вариантов квантования. Модель распространяется по лицензии ltx-2.x-community-license; веса, масштабы и лицензионные метаданные базовой модели не изменялись.

LTX-2.5-GGUF — это набор GGUF-квантизированных весов 22-миллиардной дистиллированной Transformer-модели LTX-2.5, разработанной Lightricks и конвертированной для распространения пользователем molbal. Модель предназначена для генерации видео по текстовому описанию, преобразования изображения в видео, а также создания переходов между первым и последним кадрами. Репозиторий ориентирован на использование в ComfyUI через расширение ComfyUI-GGUF и содержит готовые рабочие процессы для этих сценариев, включая синхронизированное аудио и движение при анимации исходного кадра. Доступны варианты Q4_0 размером около 11,65 ГБ, оптимизированный для видеокарт с 16–24 ГБ VRAM, а также Q8_CR размером около 20,04 ГБ и Q8_0 размером около 21,22 ГБ. Вариант Q8_0 заявлен как близкий по качеству к FP16/BF16 и рассчитан на видеокарты с 24 ГБ VRAM и более. Для работы требуются дополнительные компоненты: текстовый энкодер Gemma 4 12B с projection, video VAE и audio VAE. В метаданных указаны английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; поддерживаемые контекстные ограничения не указаны. Сильными сторонами являются поддержка нескольких режимов генерации видео, наличие готовых ComfyUI-workflow и выбор между экономией памяти и более высоким качеством за счёт разных уровней квантования. Ограничения включают необходимость значительных вычислительных ресурсов, установки ComfyUI и дополнительных моделей, а также возможное снижение качества у более компактного варианта Q4_0. Модель распространяется по лицензии LTX-2 Community License Agreement; точные условия приведены в указанном в README файле лицензии.

city96/LTX-Video-gguf — это квантованная версия модели LTX-Video, разработанной Lightricks, преобразованная в формат GGUF пользователем city96. Модель предназначена для генерации видео по текстовому описанию и преобразования изображений в видео; заявленный язык — английский. Это прямое преобразование исходной модели без дополнительного дообучения, поэтому архитектура, количество параметров, поддерживаемые модальности помимо text-to-video и image-to-video, максимальная длина контекста и другие характеристики в предоставленных данных не указаны. Ключевое свойство версии — использование квантованных GGUF-файлов, что может снизить требования к ресурсам, однако конкретные типы квантования зависят от выбранного файла. Модель можно использовать с пользовательским узлом ComfyUI-GGUF; файлы предназначены для размещения в каталоге ComfyUI/models/unet. Ограничения и условия использования исходной модели Lightricks/LTX-Video распространяются и на эту квантованную версию. Лицензия обозначена как other, подробные условия приведены в файле LICENSE.md.

Lunar Diffusion 1.26.1 — модель преобразования текстовых запросов в изображения, опубликованная Yntec. Автор карточки называет её своей любимой моделью Lunar от mooncryptowow; репозиторий использует Diffusers и содержит веса в формате safetensors. Модель предназначена для генерации изображений по текстовому описанию. Указана лицензия CreativeML OpenRAIL-M.

majicMIX_realistic_v6 — модель генерации изображений по текстовому описанию, опубликованная digiplay. Карточка Hugging Face связывает её со Stable Diffusion и предоставляет веса в форматах Diffusers и safetensors; в качестве основы для запуска показан DiffusionPipeline. Пример использования задаёт текстовый запрос и получает изображение. Название и пример указывают на фокус на реалистичной визуальной стилистике. Модель подходит для создания реалистичных изображений по текстовым промптам. В карточке Hugging Face указана лицензия «other», без уточнения её условий; для практического использования следует свериться с условиями на странице модели.

MandarinMix — модель генерации изображений по текстовому описанию, созданная Hemlok. Это объединённая модель на базе Defacta3th, реализованная для Diffusers; карточка описывает варианты MandarinMix, MandarinMix V2 и MandarinMi-EX, причём для последнего указана дополнительная настройка с помощью собственной LoRA. Модель особенно хорошо подходит для создания фонов и эффектов, а также иллюстраций по текстовым запросам. В README рекомендованы DDIM или DPM++ SDE Karras, не менее 40 шагов, Clip Skip 2 и CFG Scale 5–8. Для доработки изображения указан диапазон denoise strength 0,4–0,6; VAE не обязателен, также рекомендуется EasyNegative. Репозиторий содержит файлы Diffusers, PyTorch и Safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M: разрешены перераспределение весов и коммерческое использование при соблюдении лицензионных ограничений, включая запрет на намеренное создание или распространение незаконного и вредоносного контента. Автор отдельно отмечает, что модель не предназначена для публикации NSFW-контента в общественных местах.

Marlin — мультимодальная видеомодель на 2 млрд параметров, разработанная NemoStation на основе дообучения Qwen3.5-2B. Она предназначена для анализа видео: создаёт структурированные описания сцен и отдельных событий с временными отметками, а также находит в ролике временные интервалы, соответствующие запросу на естественном языке. Модель использует видеовозможности визуальной башни Qwen3.5-2B и обучена в два этапа: на размеченных видео и затем с оптимизацией предпочтений SimPO. По данным карточки, Marlin показывает высокие результаты на бенчмарках плотного описания видео и временной локализации. Для работы доступны режимы caption и find, а также стандартный интерфейс Transformers; заявлена совместимость с vLLM и swift-deploy и возможность запуска на одной потребительской видеокарте. Для загрузки требуется Transformers версии 5.7.0 или новее, PyTorch 2.11.0 или новее и зависимости для декодирования видео. Карточка указывает лицензию Apache-2.0. Возможность рассуждения по частям видео ограничена и не входит напрямую в методы caption и find; использование пользовательского кода модели требует включения trust_remote_code.

Карточка модели Archfiendgaming/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 для создания видео со встроенным стереозвуком по тексту и мультимодальным входным данным. В репозитории представлены два специализированных чекпойнта H3-Base-FL2VA и H3-Base-Ref2VA; архитектура объединяет текстовый энкодер, визуальный и аудио VAE и Omni Transformer, который совместно предсказывает видео- и аудиолатенты. Модель принимает текст, изображения, видео и аудио, а генерирует видео и аудио. Длительность результата составляет 4–15 секунд; заявлены разрешения до 2K через дополнительный модуль H3-Regenerate-2K. H3-Base-FL2VA поддерживает генерацию по тексту, первому или последнему кадру, а также по паре начального и конечного кадров. H3-Base-Ref2VA позволяет использовать смешанные референсы: до девяти изображений, трёх видеоклипов и трёх аудиоклипов при общем лимите в 12 файлов. Репозиторий содержит веса в форматах Diffusers и Safetensors. Для сложных свободных мультимодальных запросов разработчик рекомендует H3-Context-IR, который разбирает и структурирует контекст, но этот компонент не входит в открытую поставку и доступен через размещённый сервис/API. Для открытого релиза указана лицензия other; её конкретные условия следует проверять в карточке модели.

Карточка модели Elitetotem/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 FrankensteinSim/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 MiniMax для создания видеороликов со стереозвуком по тексту, изображениям и мультимодальным материалам. В открытой поставке H3-Base представлены специализированные чекпойнты для генерации по первому и последнему кадру и по набору мультимодальных референсов. Архитектура объединяет кодировщики и VAE для текста, изображений и аудио с H3-Omni-Transformer, который совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в форматах Diffusers и Safetensors. Модель предназначена для генерации роликов длительностью 4–15 секунд с синхронным стереозвуком; доступны различные соотношения сторон, стандартный короткий край изображения — 768 пикселей. Для генерации 2K предусмотрен отдельный этап H3-Regenerate-2K. Вариант FL2VA принимает до двух изображений, а Ref2VA — изображения, видеоклипы и аудиоклипы, включая смешанные референсы. Система поддерживает понимание мультимодального контекста, однако H3-Context-IR, который обрабатывает сложные инструкции и референсы, в открытый выпуск не включён; для него доступен API или можно реализовать собственную предварительную обработку. В открытом выпуске используется полное внимание, а разреженное внимание заявлено для будущего обновления. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория.

Карточка модели lin929/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 maplewoohoooyeah/MiniMax-H3 на Hugging Face совпадает с карточкой Obong128/MiniMax-H3, поэтому описание составлено по ней. 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.