I.8Изображения и компьютерное зрение

Карточка модели Stim748/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 и представленная в виде открытых чекпойнтов H3-Base для генерации видео со звуком. Модель принимает текст и, в зависимости от варианта, изображения, видео и аудио; она совместно генерирует видео и стереозвук по заданному контексту. Архитектура объединяет модальные представления в последовательность для H3-Omni-Transformer, который предсказывает латентные представления видео и аудио. В репозитории указаны форматы Diffusers и safetensors. Сценарии включают создание роликов по тексту, анимацию по одному или двум ключевым кадрам, а также генерацию с мультимодальными референсами. Выходные ролики имеют длительность 4–15 секунд; базовая генерация выполняется в разрешении 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Поддерживаются разные соотношения сторон. В открытый выпуск не входит H3-Context-IR — размещённый в облаке модуль предварительной обработки сложных мультимодальных инструкций; для полного рабочего процесса предлагаются API или собственная система подготовки контекста. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять в карточке модели и сопутствующих документах.

MiniMax H3 MXFP8 — это FP8-квантизированная версия диффузионной модели MiniMax H3 от MiniMaxAI, подготовленная пользователем rzgar. Модель основана на чекпойнте fl2va (first-last-frame to video+audio) и предназначена для генерации видео с синхронизированным аудио по тексту, изображению, первым и последним кадрам, видео или аудио, а также для мультимодальных сценариев преобразования и продолжения контента. В карточке указана поддержка text-to-video, image-to-video, image-text-to-video, video-to-video, генерации audio-video и связанных reference-to-audio-video сценариев. Доступны варианты MXFP8, FP8 E4M3FN и FP8 с attention в FP16; размеры файлов составляют примерно 21–47,6 ГБ, а для варианта FP16attn — 28,7 ГБ. Для FP8 E4M3FN указаны sampler dpmpp_2m и scheduler sgm_uniform; рекомендуемым компромиссом между качеством и скоростью названы 8 шагов, при этом конкретная MXFP8-версия отмечена как пригодная для улучшения аудио на 5 и 8 шагах. Модель использует видео- и аудиоканалы, но сведения о точной архитектуре, числе параметров, поддерживаемых языках и максимальной длине контекста в README отсутствуют. Сильными сторонами являются мультимодальная генерация видео и аудио, синхронизация аудио с видео, наличие нескольких вариантов точности и возможность ускоренной генерации за небольшое число шагов. Ограничения включают большие требования к дисковому пространству и вычислительным ресурсам, зависимость качества и скорости от варианта квантизации и числа шагов, а также отсутствие подробных количественных оценок и информации о языковых возможностях. Указана лицензия Apache-2.0.

Это сообщественная W6A8-квантизованная гибридная версия MiniMax-H3, собранная из вариантов fl2va и ref2va для генерации видео в ComfyUI. Базой служит MiniMaxAI/MiniMax-H3; веса fl2va сохранены для блоков 0–24, а проекции AdaLN из ref2va перенесены в блоки 25–49. Переобучения и повторного квантования не проводилось. Файл формата safetensors занимает около 14,88 ГиБ; веса имеют 6-битное представление, активации — 8-битное. Модель предназначена для генерации видео по тексту и изображениям, с использованием ключевых кадров и референсов объектов, сцен или стиля. Гибридный вариант позволяет одновременно использовать ключевые кадры и референсы. Он рассчитан на загрузку штатным узлом Load Diffusion Model в ComfyUI и требует текстовый энкодер и видео- и аудио-VAE семейства H3. MiniMax-H3 также поддерживает генерацию стереозвука, однако в README этой сборки описаны прежде всего видеосценарии. По README, W6A8 занимает промежуточное положение между W4A8 и INT8 и снижает ошибку весов относительно 4-битного варианта. Нативное быстрое выполнение требует GPU с compute capability 8.0 или выше; на более старых GPU модель использует более медленный переносимый путь. Лицензия — Apache-2.0.

Карточка модели ibyteohdear/MiniMax-H3-LightX8-Fused-fl2v 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-Pruned-Ref-Delta-Fused-r1024 — слитый чекпойнт на основе MiniMax H3, собранный сообществом с использованием разностных весов между вариантами ref2va и fl2va. Он предназначен для генерации коротких видео с опорой на изображения, видео и текст; базовая модель MiniMax H3 также поддерживает стереозвук. Чекпойнт распространяется в формате safetensors и рассчитан на загрузку через diffusers с поддержкой специальной обрезанной архитектуры трансформера MiniMaxH3PrunedTransformer3DModel. Разностные веса извлечены методом randomized SVD с рангом 1024, дополнены точными изменениями RMSNorm, смещений и таблицы временных координат, а затем слиты в чекпойнт. В README приведены измерения сходства латентных представлений с вариантом ref2va, а также результаты генерации по ключевым кадрам; для коротких клипов описан ускоренный режим с turbo LoRA. Лицензия указана как other, а README относит базовую модель и лицензию к MiniMaxAI, поэтому условия использования следует сверять с лицензией базовой модели.

Модель leosanjit10/nepali_caption_model_output — дообученная версия Salesforce/blip-image-captioning-base на неизвестном наборе данных. Она принимает изображение и генерирует текстовую подпись; архитектура основана на BLIP и включает визуальный энкодер ViT Base. В README приведено значение loss 2.5699 на оценочном наборе, но состав набора и подробности обучения не раскрыты. Модель опубликована в формате safetensors и распространяется по лицензии BSD-3-Clause.

OmniVTG-7B — мультимодальная модель для временной локализации событий в видео по запросу на естественном языке. Её разработчики представляют её вместе с набором данных OmniVTG и обучающим подходом Self-Correction Chain-of-Thought; веса опубликованы как официальная модель проекта, принятого на CVPR 2026. Модель основана на плотной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает видео и текстовый запрос и должна находить в неразмеченном видео временные отрезки, соответствующие запросу. Заявлены zero-shot результаты на наборах Charades-STA, ActivityNet Captions, QVHighlights и TVGBench. Метаданные указывают контекст длиной до 128 000 токенов и библиотеку Transformers. Модель подходит для поиска событий и фрагментов в длинных видеозаписях. Ограничения: README не приводит численных результатов, деталей поддерживаемого формата временных интервалов или условий лицензии; перед использованием следует свериться с карточкой и официальным кодом проекта.

chancharikm/qwen2.5-vl-7b-cam-motion — дообученная модель Qwen/Qwen2.5-VL-7B-Instruct, созданная для распознавания движений камеры в видео и поиска видео по текстовым описаниям таких движений. Разработчики обучили её на общедоступном наборе данных CameraBench; карточка называет модель предварительной версией и заявляет лучшие на момент публикации результаты в классификации движений камеры и поиске видео по тексту с оценкой VQAScore. Модель основана на плотной мультимодальной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает видео и текстовые запросы, а также может генерировать текстовые ответы. Для оценки соответствия видео описанию в README рекомендован подход VQAScore через пакет t2v_metrics. Контекст модели — до 128 000 токенов. Модель подходит для классификации движений камеры в роликах и оценки соответствия видео текстовым подписям при поиске и ранжировании. Указана лицензия other; точные условия следует проверять в карточке репозитория и у базовой модели. Это предварительная версия, поэтому заявленные результаты могут не переноситься на другие наборы данных и сценарии.

Карточка модели zlaa/SD3.5-medium на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-medium, поэтому описание составлено по ней. Stable Diffusion 3.5 Medium — модель Stability AI для генерации изображений по текстовому описанию. Она использует архитектуру Multimodal Diffusion Transformer MMDiT-X с тремя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В архитектуре применяются QK-нормализация и блоки внимания, рассчитанные на повышение связности изображений и устойчивость генерации при разных разрешениях. Модель предназначена для создания иллюстраций и художественных работ, дизайн-процессов, творческих и образовательных инструментов. Она улучшена для передачи сложных запросов и текста в изображениях; авторы также рекомендуют Skip Layer Guidance для более согласованных структуры и анатомии. В README указана длина контекста энкодеров CLIP в 77 токенов и T5 — 77 или 256 токенов на разных этапах обучения. Модель обучалась на разнообразных данных, включая синтетические и отфильтрованные общедоступные материалы. Она не предназначена для достоверного изображения реальных людей и событий; при длинных запросах свыше 256 токенов T5 на краях изображения могут появляться артефакты. Модель распространяется по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Использование также должно соответствовать Acceptable Use Policy.

SDXL Flash — модель генерации изображений по текстовым запросам, созданная sd-community в сотрудничестве с Project Fluently на основе Stable Diffusion XL Base 1.0. Она предназначена для быстрого создания изображений и нацелена на более высокое качество, чем у некоторых ускоренных вариантов SDXL, при меньшей скорости, чем LCM, Turbo, Lightning и Hyper. Модель совместима с библиотекой Diffusers и распространяется в форматах Diffusers и safetensors. В README рекомендуются 6–9 шагов генерации, CFG Scale 2,5–3,5 и сэмплер DPM++ SDE. Лицензия — CreativeML OpenRAIL-M.

SEED Detector — модель для обнаружения подделок текста в документах, представленная в работе SEED: Simple ViT and Evolving Harness for Explainable Text Forgery Detection. Она находит изменённые области на изображениях документов и классифицирует изображение как подлинное или поддельное. Модель использует визуальный backbone DINOv3 ViT-L/16, дообученный с помощью LoRA ранга 1 в слоях внимания и MLP; для маски применяется один запрос. В метаданных указаны PyTorch, формат safetensors и лицензия MIT. В README приведены результаты локализации и классификации на наборах T-SROIE, OSTF и TPIC-13.

Карточка модели jobs-git/SkyReels-V2-DF-14B-720P на Hugging Face совпадает с карточкой Skywork/SkyReels-V2-T2V-14B-720P, поэтому описание составлено по ней. SkyReels-V2-T2V-14B-720P — модель генерации видео по текстовому описанию, разработанная командой Skywork. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательной генерацией кадров. В основе модели лежит плотная архитектура text-to-video с авторегрессионным Diffusion Forcing; репозиторий содержит веса в формате safetensors. В названии указаны размер 14B и разрешение 720P. Модель рассчитана на генерацию видео по текстовым промптам, создание сюжетных роликов и сцен с движением камеры. Авторы описывают обучение с несколькими этапами предобучения, подкреплением и supervised fine-tuning для улучшения визуального качества и динамики движения. README также описывает задачи image-to-video и генерацию с несколькими согласованными объектами для серии SkyReels-V2, но этот репозиторий классифицирован как text-to-video. В README приведены код и инструкции для инференса на одной или нескольких GPU, включая ускорение через xDiT USP. Для использования требуются вычислительные ресурсы с GPU. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

SkyReels-V2-I2V-14B-540P-GGUF — это GGUF-конверсия модели Skywork/SkyReels-V2-I2V-14B-540P, разработанной командой Skywork. Модель предназначена для генерации видео по исходному изображению (image-to-video) и ориентирована на сценарии создания и анимации видеоконтента. В карточке указаны соответствующие категории video и video-generation. Модель имеет размер 14B и поставляется в нескольких вариантах квантования GGUF, включая Q8_0 и более компактные варианты; исходные кванты созданы из базового файла FP32. Формат позволяет использовать модель через пользовательский узел ComfyUI-GGUF, при этом файлы модели размещаются в каталоге ComfyUI/models/unet. Для работы также требуется VAE Wan2_1_VAE_bf16.safetensors, доступный в отдельном репозитории. Языки, максимальная длина контекста, точная архитектура и требования к оборудованию в README не указаны. Преимущество модели — наличие квантованных вариантов, которые могут снизить требования к ресурсам по сравнению с полноточной версией, а также интеграция с ComfyUI через GGUF. Ограничения связаны с необходимостью отдельной установки ComfyUI, пользовательского узла и VAE; качество и требования зависят от выбранного типа квантования. Модель распространяется по лицензии Skywork License, обозначенной в карточке как license: other.

sd3-reality-mix — полноранговая дообученная модель генерации изображений, созданная на основе Stability AI Stable Diffusion 3 Medium. Она принимает текстовые запросы и предназначена для создания изображений, в том числе в фотореалистичном стиле и по сложным описаниям. Модель использует пайплайн StableDiffusion3Pipeline и распространяется в формате Diffusers с весами Safetensors; текстовый энкодер не обучался, поэтому для генерации можно использовать энкодер базовой модели. В обучении использовались датасеты photo-concept-bucket и dalle3, изображения примерно по 1 мегапикселю и разные соотношения сторон. README приводит примеры проверок при разрешениях от 512×512 до 1280×768 и 960×1152, но не гарантирует качество для этих параметров. Модель доступна по лицензии CreativeML OpenRAIL-M.

Это перезагрузка Stable Diffusion 3.5 Large от Stability AI, опубликованная adamo1139 без ограничения доступа gated-модели. Модель типа MMDiT преобразует текстовые запросы в изображения; в архитектуре используются три фиксированных предварительно обученных текстовых энкодера — OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL — и нормализация QK. Репозиторий содержит веса в формате Diffusers и Safetensors. Модель предназначена для создания иллюстраций и дизайн-материалов, творческих и образовательных инструментов, а также исследований генеративных моделей. В README отмечены улучшения качества изображений, работы с типографикой, понимания сложных запросов и эффективности использования ресурсов. Она не предназначена для достоверного изображения реальных людей и событий; меры безопасности не исключают генерацию вредоносного контента, поэтому для приложений нужны собственные проверки и ограничения. Указана лицензия Stability Community License; коммерческое использование требует проверки её условий и, согласно README, может потребовать отдельного коммерческого лицензирования у Stability AI. Метаданные и README не подтверждают отдельного дообучения или изменения весов оригинальной модели: автор описывает репозиторий как перезагрузку без gating.

Stable Diffusion v1-5 — латентная диффузионная модель генерации и изменения изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий содержит переопубликованные веса модели в форматах Diffusers, PyTorch и safetensors; модель предназначена для использования с библиотекой Diffusers и распространяется по лицензии CreativeML OpenRAIL-M. Чекпойнт основан на весах Stable Diffusion v1-2 и дообучен на 595 тысячах шагов на разрешении 512×512 с использованием LAION-Aesthetics v2 5+; в 10% примеров текстовое условие отключалось для улучшения classifier-free guidance. Модель использует предварительно обученный текстовый энкодер CLIP ViT-L/14 и принимает преимущественно английские текстовые запросы, выдавая изображения. Модель подходит для создания иллюстраций, концептов и изображений для творческих и образовательных инструментов. Она не гарантирует фотореализм, плохо справляется с точным размещением нескольких объектов и отображением читаемого текста; лица могут получаться некорректно, а запросы на других языках работают хуже английских. Обучающие данные содержат материалы для взрослых и социальные предубеждения, а также возможны запоминание дублированных изображений. Для применения рекомендуется использовать Safety Checker из Diffusers.

Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому запросу, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером CLIP ViT-L/14. Чекпойнт основан на Stable Diffusion v1.2 и дообучен на 595 тысячах шагов при разрешении 512×512 на данных LAION-Aesthetics v2 5+; в 10% случаев текстовое условие отключалось для улучшения classifier-free guidance. Модель доступна в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, концепт-арта и изображений для творческих и образовательных инструментов по англоязычным промптам. Она хуже работает с другими языками, может ошибаться в композиционно сложных сценах, не обеспечивает надёжный фотореализм и обычно не создаёт читаемый текст. Разработчики указывают, что обучающие данные содержат материалы для взрослых, а модель может воспроизводить предвзятости и запоминать дубли изображений; для использования рекомендуется применять Safety Checker. Лицензия — CreativeML OpenRAIL-M.

Taiyi-Diffusion-XL (Taiyi-XL) — модель генерации изображений по текстовому описанию от команды IDEA-CCNL. Она предназначена для двуязычной генерации по запросам на китайском и английском языках, сохраняя понимание английского и усиливая поддержку китайского и длинных описаний. Модель построена на Stable Diffusion XL: разработчики заменили исходный текстовый энкодер на CLIP-энкодер, расширенный для китайского языка и более длинного контекста, и обучали диффузионную модель с разными разрешениями и соотношениями сторон. В README сообщается о сравнительных оценках на COCO и COCO-CN по CLIP Sim, IS и FID, где модель показала лучшие результаты среди сравниваемых моделей. Репозиторий содержит веса в формате Diffusers и SafeTensors. Лицензия — Apache 2.0.

facebook/timesformer-base-finetuned-k600 — модель Meta на базе архитектуры TimeSformer, дообученная для классификации видео на наборе Kinetics-600. Она принимает видеокадры и относит ролик к одной из 600 категорий действий Kinetics-600, поэтому подходит для распознавания действий и тематической сортировки коротких видео. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. TimeSformer применяет пространственно-временное внимание для анализа содержания видео. Карточка указывает на классификацию по меткам Kinetics-600; сведений о поддержке других языков или задач не приведено. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

ViCLIP-L-14-BVD-V-50M-s50M-b32K-WiSE-FT — модель сопоставления видео и текста на архитектуре ViCLIP с визуальным энкодером ViT-L/14. Её разработчик — LAION; модель получена слиянием чекпойнта ViCLIP-L-14-BVD-V-50M-s50M-b32K и инициализационного чекпойнта CLIP-ViT-L-14-DataComp.XL-s13B-b90K с коэффициентом WiSE-FT α = 0,1. Она обучена на BVD-V-55M и доступна через Transformers. Модель предназначена для исследовательских экспериментов с классификацией видео без дообучения, поиском соответствия между видео и текстом, изучением представлений видео, а также как основа для линейного пробинга или дообучения под прикладные задачи. В README приведены результаты на Kinetics-400, UCF-101, HMDB51, MSR-VTT и MSVD. Поддерживается английский язык; применение для других языков выходит за рамки заявленного назначения. Модель не предназначена для наблюдения и распознавания лиц, а перед внедрением требуется тщательная проверка на целевых данных. Лицензия — MIT.

Wan2.1-Fun-1.3B-InP — модель генерации видео из текста и изображений, разработанная командой Alibaba PAI на базе семейства Wan2.1-Fun. Версия 1.3B обучена на данных с несколькими разрешениями и поддерживает прогнозирование видео по начальному и конечному кадрам. Модель предназначена для создания видеороликов по текстовому описанию с возможностью задавать изображение как визуальную опору; в карточке также заявлена поддержка многоязычной генерации. Для запуска проект предлагает библиотеку VideoX-Fun и интеграцию с ComfyUI. Генерация может требовать значительных вычислительных ресурсов; README описывает режимы выгрузки частей модели в CPU, а также режим с float8-квантизацией, который снижает требования к видеопамяти ценой некоторой потери качества. Модель распространяется по лицензии Apache 2.0.

Карточка модели alibaba-pai/Wan2.1-Fun-14B-Control на Hugging Face совпадает с карточкой alibaba-pai/Wan2.1-Fun-1.3B-InP, поэтому описание составлено по ней. Wan2.1-Fun-1.3B-InP — модель генерации видео из текста и изображений, разработанная командой Alibaba PAI на базе семейства Wan2.1-Fun. Версия 1.3B обучена на данных с несколькими разрешениями и поддерживает прогнозирование видео по начальному и конечному кадрам. Модель предназначена для создания видеороликов по текстовому описанию с возможностью задавать изображение как визуальную опору; в карточке также заявлена поддержка многоязычной генерации. Для запуска проект предлагает библиотеку VideoX-Fun и интеграцию с ComfyUI. Генерация может требовать значительных вычислительных ресурсов; README описывает режимы выгрузки частей модели в CPU, а также режим с float8-квантизацией, который снижает требования к видеопамяти ценой некоторой потери качества. Модель распространяется по лицензии Apache 2.0.

Карточка модели alibaba-pai/Wan2.1-Fun-14B-InP на Hugging Face совпадает с карточкой alibaba-pai/Wan2.1-Fun-1.3B-InP, поэтому описание составлено по ней. Wan2.1-Fun-1.3B-InP — модель генерации видео из текста и изображений, разработанная командой Alibaba PAI на базе семейства Wan2.1-Fun. Версия 1.3B обучена на данных с несколькими разрешениями и поддерживает прогнозирование видео по начальному и конечному кадрам. Модель предназначена для создания видеороликов по текстовому описанию с возможностью задавать изображение как визуальную опору; в карточке также заявлена поддержка многоязычной генерации. Для запуска проект предлагает библиотеку VideoX-Fun и интеграцию с ComfyUI. Генерация может требовать значительных вычислительных ресурсов; README описывает режимы выгрузки частей модели в CPU, а также режим с float8-квантизацией, который снижает требования к видеопамяти ценой некоторой потери качества. Модель распространяется по лицензии Apache 2.0.

Карточка модели D123-123/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели wan-community/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели bhavik2116/Wan2.1-VACE-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-VACE-14B, поэтому описание составлено по ней. Wan2.1-VACE-14B — модель семейства Wan от Wan-AI для создания и редактирования видео. Она использует архитектуру diffusion transformer и предназначена для сценариев VACE, включая генерацию видео по изображению и работу с видеоматериалом. В карточке репозитория указаны поддержка режимов создания и редактирования видео, а также разрешения 480p и 720p; вход может иметь произвольное разрешение, но для оптимального результата рекомендуется держаться заданного диапазона размеров. Модель подходит для создания видеоклипов на основе изображения и для видеомонтажа с помощью VACE. Семейство Wan2.1 также поддерживает генерацию текста на китайском и английском языках внутри визуального контента, однако README не уточняет, относится ли эта возможность именно к варианту VACE-14B. Репозиторий распространяется под лицензией Apache-2.0.

Карточка модели Caronte78/Wan2.2-I2V-A14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B, поэтому описание составлено по ней. Wan2.2-I2V-A14B — модель генерации видео из изображения, разработанная командой Wan-AI. Она принимает исходное изображение и создаёт на его основе видео; модель предназначена для сценариев, где нужно анимировать статичный кадр или задать визуальную основу для видеосцены. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE): специализированные эксперты участвуют в разных этапах процесса денойзинга. Поддерживаются разрешения 480p и 720p. В README отмечены более стабильный синтез видео, уменьшение нереалистичных движений камеры и улучшенная работа со сценами в разных стилях. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache 2.0. Для работы требуется значительная вычислительная мощность; README описывает многокарточный запуск и режимы с выгрузкой модели, но не приводит точный размер этой версии. Модель предназначена для генерации видео из изображений; заявленные возможности текстовой генерации относятся к другим моделям семейства Wan2.2.

Карточка модели thantai88/Wan2.2-I2V-A14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B, поэтому описание составлено по ней. Wan2.2-I2V-A14B — модель генерации видео из изображения, разработанная командой Wan-AI. Она принимает исходное изображение и создаёт на его основе видео; модель предназначена для сценариев, где нужно анимировать статичный кадр или задать визуальную основу для видеосцены. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE): специализированные эксперты участвуют в разных этапах процесса денойзинга. Поддерживаются разрешения 480p и 720p. В README отмечены более стабильный синтез видео, уменьшение нереалистичных движений камеры и улучшенная работа со сценами в разных стилях. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache 2.0. Для работы требуется значительная вычислительная мощность; README описывает многокарточный запуск и режимы с выгрузкой модели, но не приводит точный размер этой версии. Модель предназначена для генерации видео из изображений; заявленные возможности текстовой генерации относятся к другим моделям семейства Wan2.2.

Карточка модели changwangss/wan22-svdquant-signround-nosmooth на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-T2V-A14B-Diffusers, поэтому описание составлено по ней. Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию от команды Wan-AI. Она предназначена для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель использует диффузионную архитектуру Mixture-of-Experts: специализированные эксперты участвуют в разных этапах денойзинга. Обучение на расширенном наборе изображений и видео направлено на улучшение генерации сложного движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Репозиторий предоставляет веса в форматах Diffusers и safetensors и интеграцию с Diffusers. Для запуска на одном GPU README указывает требование не менее 80 ГБ видеопамяти; доступны параметры выгрузки модели и переноса T5 на CPU для снижения потребления памяти, а также много-GPU-инференс. Для расширения промптов можно подключить Dashscope API. Лицензия модели — Apache-2.0.