I.8Изображения и компьютерное зрение

Карточка модели Bear650/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 Richyai/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 Kashapps/Wan2.1-VACE-1.3B 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.

Wan-AI/Wan2.1-VACE-1.3B-diffusers — версия семейства Wan2.1 VACE на 1,3 млрд параметров, подготовленная для запуска через Diffusers. Её разработала команда Wan-AI. Это диффузионный трансформер для генерации и редактирования видео; VACE объединяет несколько сценариев создания и изменения видеоматериалов в одной модели. Модель предназначена для image-to-video: она принимает изображение и создаёт на его основе видео. Семейство VACE поддерживает входные данные произвольного разрешения; для оптимального результата рекомендуется придерживаться диапазона размеров, описанного в инструкции запуска. В карточке модели также отмечена поддержка английского и китайского языков. Весовой формат репозитория — safetensors, лицензия — Apache-2.0. README семейства Wan2.1 описывает генерацию видео и изображений, редактирование видео, а также работу с текстом внутри изображений и видео. Эти возможности не следует автоматически считать поддержанными именно данной версией VACE 1.3B: для неё метаданные указывают image-to-video. Для запуска требуются совместимые Diffusers и вычислительные ресурсы; точные требования этой версии в предоставленных данных не приведены.

Карточка модели steplei88vj/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 Ikjohuo87/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.

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.

bullerwins/Wan2.2-T2V-A14B-GGUF — GGUF-версия модели Wan2.2 T2V-A14B, разработанной командой Wan-AI. Это генеративная модель для преобразования текста в видео, предназначенная для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель ориентирована на генерацию сложных движений, улучшенную передачу семантики и кинематографической эстетики, включая управляемые характеристики освещения, композиции, контраста и цветового тона. Модель использует архитектуру Mixture-of-Experts (MoE) в составе диффузионной видеомодели: отдельные экспертные компоненты применяются на разных этапах денойзинга, что увеличивает общую ёмкость модели при сохранении сопоставимых вычислительных затрат. Для работы требуются два компонента — high-noise и low-noise: первый используется на начальных шагах генерации, второй отвечает за детализацию. Формат GGUF предназначен для запуска через ComfyUI с расширением ComfyUI-GGUF; в репозитории также заявлен пример workflow. Сильными сторонами модели являются поддержка двух разрешений, качество генерации движений и визуальной эстетики, а также открытая интеграция с ComfyUI и Diffusers. README не указывает поддерживаемые языки текстовых запросов, точные требования к видеопамяти, длину контекста и технические параметры GGUF-квантизации, поэтому эти характеристики нельзя определить по представленным данным. Модель распространяется по лицензии Apache-2.0.

Карточка модели AriaVale2/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Карточка модели kunkun01/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Runware/Wan2.2-TI2V-5B — модель генерации видео семейства Wan2.2, предназначенная для создания роликов по текстовому описанию и изображению. Карточка описывает вариант TI2V-5B с архитектурой диффузионной генерации видео и VAE с коэффициентом сжатия 16×16×4; метаданные указывают форматы Diffusers и Safetensors. Модель рассчитана на генерацию видео с разрешением до 720p и частотой 24 кадра в секунду. Она поддерживает управление визуальным стилем и создание сложного движения; запуск возможен на одной потребительской видеокарте, например RTX 4090, с подходящими настройками выгрузки модели. Материалы Wan2.2 упоминают многоязычные подсказки, а метаданные отмечают английский и китайский языки. Модель опубликована под лицензией Apache-2.0. Для генерации видео требуется значительный объём вычислительных ресурсов; фактическая скорость и доступное разрешение зависят от оборудования и настроек инференса.

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

keremberke/yolov8m-painting-classification — модель классификации изображений на базе YOLOv8m, опубликованная пользователем keremberke и предназначенная для определения художественного стиля живописи. Она присваивает изображению одну из 27 меток, включая импрессионизм, кубизм, барокко, поп-арт и сюрреалистичные направления; модель относится к семейству Ultralytics YOLOv8 и распространяется в формате PyTorch. Модель подходит для автоматической категоризации изображений картин, поиска произведений по стилю и создания тематических коллекций. Карточка указывает набор меток и использование библиотеки ultralyticsplus. Сведения о лицензии и числовом размере модели в предоставленных данных отсутствуют.

Z-Image Base GGUF — это квантизированная в формате GGUF версия модели Tongyi-MAI/Z-Image, разработанной командой Alibaba Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на использование в ComfyUI через расширение ComfyUI-GGUF. Она подходит для сценариев text-to-image, где важны поддержка CFG, negative prompts и LoRA. Модель построена на архитектуре Lumina2 на базе DiT и содержит около 6 млрд параметров. Это non-distilled-версия, для которой рекомендуется использовать 28–50 шагов генерации. Доступны варианты z_image_base_Q8_0.gguf размером 6,8 ГБ с ориентировочной потребностью в 7–8 ГБ VRAM и BF16-размером 12,4 ГБ с потребностью примерно в 13 ГБ VRAM; вариант Q8_0 обеспечивает лучшее соотношение размера и качества, тогда как BF16 соответствует исходному представлению. Языки, максимальный контекст и другие модальности в представленных данных не указаны. Модель распространяется по лицензии Apache 2.0, как и исходная Z-Image. Для работы требуются ComfyUI и пользовательские узлы ComfyUI-GGUF; файл модели размещается в каталоге моделей UNet и загружается через специальный узел. Ключевые ограничения связаны с необходимостью совместимого окружения ComfyUI и достаточного объёма видеопамяти, а также с тем, что квантизация может влиять на качество по сравнению с исходной моделью.

ZwZ-2B — мультимодальная модель для детального восприятия изображений, разработанная inclusionAI на основе Qwen3-VL-2B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы в формате визуального вопросно-ответного диалога. Модель дообучена методом Region-to-Image Distillation с последующим обучением с подкреплением: данные о мелких областях изображения переносятся на анализ целого изображения, чтобы получать детальные ответы за один проход без увеличения изображения во время вывода и вызова инструментов. Модель предназначена для распознавания мелких визуальных деталей и ответов на вопросы по изображениям; карточка также сообщает об улучшениях на задачах визуального рассуждения, взаимодействия с графическими интерфейсами и обнаружения AIGC. Архитектура — плотная Qwen3-VL, размер базовой модели — 2 млрд параметров. В качестве обучающих данных использован набор inclusionAI/ZwZ-RL-VQA из 74 тысяч примеров. Лицензия — Apache-2.0. Авторы заявляют результаты уровня state of the art на тестах детального восприятия среди открытых моделей сопоставимого размера, однако README не приводит численные результаты и условия сравнения. Хотя базовая Qwen3-VL поддерживает анализ изображений и видео, для ZwZ-2B явно описано восприятие изображений; поддержка видео и языков помимо английского в предоставленных сведениях не подтверждена.

10Eros Experimental MLX Q8 — производная модель для генерации видео из изображения и текстового описания, подготовленная автором карточки для компьютеров Apple Silicon. Она основана на TenStrip/LTX2.3-10Eros: в исходные веса слиты экспериментальная LoRA Sulphur с коэффициентом 0,35 и, для отдельной дистиллированной версии трансформера, condsafe LoRA TenStrip с коэффициентом 1,0. Модель преобразована в формат MLX и квантизирована до 8 бит; репозиторий использует библиотеку diffusers и содержит веса safetensors. Модель предназначена для создания видео по изображению и текстовому запросу. Автор указывает, что для запуска требуется Mac на Apple Silicon, а практическим минимумом считает 32 ГБ памяти. README описывает два варианта трансформера: dev и distilled-1.1. Лицензия в предоставленных данных не указана.

Карточка модели tareq5055/afsartovideo 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.

BindWeave — система генерации видео от ByteDance и исследователей Университета науки и технологий Китая. Она использует архитектуру MLLM-DiT, объединяющую предварительно обученную мультимодальную языковую модель и диффузионный трансформер, чтобы создавать видео с сохранением внешнего вида персонажей и объектов, описанных в запросе. Модель предназначена для генерации видео по изображению и текстовому запросу, в том числе со сценами, где участвуют один или несколько персонажей. MLLM разбирает сложные запросы, связывает упомянутые объекты с их представлениями, а диффузионный трансформер использует эти данные для генерации. В README приведён результат 57,61 балла на OpenS2V-Eval и сравнительные показатели по плавности движения, сходству лиц и другим критериям. Репозиторий предназначен для image-to-video и содержит веса в формате safetensors; для работы используется библиотека diffusers. Модель распространяется по лицензии Apache-2.0. README не приводит размер модели, длину контекста или отдельные языковые ограничения; метаданные указывают английский язык карточки.

Карточка модели rtgfreuui/CogVideoX-5b на Hugging Face совпадает с карточкой zai-org/CogVideoX-5b, поэтому описание составлено по ней. CogVideoX-5B — открытая модель генерации видео от команды QingYing, представленная организацией zai-org. Она создаёт видеоролики по текстовому описанию и предназначена для генерации сцен, визуальных концепций и коротких демонстрационных клипов. Репозиторий использует конвейер CogVideoXPipeline из библиотеки Diffusers и хранит веса в формате safetensors; модель относится к варианту семейства с 5 млрд параметров. Модель принимает запросы только на английском языке. Запросы на других языках можно предварительно переводить на английский с помощью большой языковой модели. Для снижения потребления видеопамяти README описывает выгрузку частей модели в память CPU, нарезку и тайлинг VAE, а также квантизацию модулей; квантизация может замедлить генерацию. Проверки оптимизаций памяти проводились на NVIDIA A100 и H100, поэтому требования и производительность на других устройствах могут отличаться. Лицензия указана как other, конкретные условия использования следует сверять с лицензией репозитория.

EasyAnimateV5.1-12b-zh-InP — видеогенеративная модель Alibaba PAI из семейства EasyAnimate, построенная на архитектуре Transformer и предназначенная для создания видео по изображению. Версия 12B поддерживает генерацию видео разных разрешений: в карточке семейство описано как обученное на 49 кадрах при 8 кадрах в секунду, примерно для шестисекундных роликов; для этого чекпойнта заявлен режим image-to-video и использование начального и конечного изображений вместе с текстовым запросом. Модель рассчитана на многоязычные запросы и сценарии преобразования изображения в видео. Веса доступны в формате Diffusers и Safetensors; лицензия — Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: README приводит варианты экономии видеопамяти за счёт переноса частей модели на CPU, а режим с float8-квантизацией может снизить качество. Фактическая производительность зависит от разрешения, числа кадров и доступной видеопамяти.

EpicRealism — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi/epicrealism и доступная через API ModelsLab. Карточка предлагает создавать фотореалистичные изображения, в том числе портреты, с помощью текстового запроса и необязательного негативного запроса. Пример API поддерживает выбор размера изображения, числа шагов генерации, guidance scale, seed, а также параметры улучшения запроса, апскейлинга и подключения LoRA и embeddings. Метаданные указывают на использование Diffusers и PyTorch и лицензию CreativeML OpenRAIL-M. Язык запросов и размер модели в доступных сведениях не определены.

krnl/epicrealism-xl-v8kiss-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем или организацией krnl. Модель относится к семейству Stable Diffusion XL и предназначена для работы с библиотекой Diffusers через StableDiffusionXLPipeline. Модель ориентирована на создание реалистичных, фотореалистичных изображений и фотографий по текстовым промптам. Её можно применять для генерации концептов, иллюстраций, фотоподобных сцен и визуальных материалов на основе описаний. Модель распространяется по лицензии creativeml-openrail-m. README указывает на наличие исходной версии на Civitai, но не содержит дополнительных сведений о размере модели, контексте, поддерживаемых языках, специализированных ограничениях или рекомендуемых параметрах генерации.

FAL (Framework for Automated Labeling of Videos) — модель классификации видео от SVECTOR. Она дообучена на наборе данных FAL-500 и относит видео к одному из 500 классов. Модель использует архитектуру TimeSformer и принимает видеокадры: для описанной конфигурации это 8 кадров RGB размером 224×224 с предварительной обработкой и нормализацией. Число параметров — 113,2 млн. Модель предназначена для автоматической разметки и классификации видеоконтента. Она может быть полезна для категоризации видео и экспериментов по пониманию видеосцен. Лучше всего применять её к данным, похожим на FAL-500: на видео из других предметных областей качество может снижаться. Для использования требуется подготовить кадры в соответствии с ожидаемым размером и нормализацией. Лицензия — MIT.

F Lite — диффузионная модель генерации изображений по тексту, разработанная Freepik и Fal. Модель содержит 10 млрд параметров и обучена на внутреннем наборе Freepik примерно из 80 млн изображений, заявленных как безопасные с точки зрения авторских прав и не содержащие контент для взрослых. Репозиторий распространяет модель в форматах Diffusers и Safetensors. Модель предназначена для создания изображений по текстовым запросам. Для получения более качественного результата разработчики рекомендуют использовать подробные запросы и генерировать изображения размером более одного мегапикселя. Модель может создавать визуальные искажения; её возможности понимания текста ограничены, а результаты могут отражать смещения обучающих данных. Лицензия — CreativeML OpenRAIL-M.

microsoft/git-large-vatex — крупная версия модели GIT (GenerativeImage2Text), разработанная Microsoft и дообученная на датасете VATEX. Это плотный Transformer-декодер, который использует токены изображения, полученные из CLIP, и предыдущие текстовые токены для генерации следующего текстового токена. Модель содержит 80,1 млн параметров и имеет нативный контекст 1024 токена. Чекпойнт предназначен прежде всего для создания описаний видео. Архитектура GIT также подходит для подписей к изображениям и видео, визуальных вопросов и ответов, а также генерации текстовой метки класса по изображению. Модель принимает изображения и текстовые запросы, выдаёт текст; в карточке указана поддержка английского языка. Для её запуска предусмотрена библиотека Transformers с PyTorch. Модель дообучена на VATEX после обучения GIT-large на 20 млн пар изображение–текст. Лицензия — MIT. Качество и поведение на иных задачах и языках могут отличаться от целевого сценария; результаты оценки в карточке не приведены.

Helios-Distilled — дистиллированная версия модели генерации видео Helios, опубликованная авторами проекта Helios. Она предназначена для создания длинных согласованных видео по текстовым описаниям. Модель использует диффузионную архитектуру HeliosPyramidPipeline и генерирует видео авторегрессионно чанками по 33 кадра; в репозитории она представлена в формате Diffusers и Safetensors. В качестве основы указана Wan-AI/Wan2.1-T2V-14B-Diffusers с 14 млрд параметров. Авторы заявляют о генерации видео длительностью до минут с высокой временной согласованностью и скорости 19,5 кадра в секунду на одной H100; это заявленные показатели и фактическая скорость зависит от оборудования и конфигурации. Модель рассчитана на текстовый ввод и видео на выходе. Лицензия — Apache-2.0.

Карточка модели BestWishYsh/Helios-Mid на Hugging Face совпадает с карточкой BestWishYsh/Helios-Distilled, поэтому описание составлено по ней. Helios-Distilled — дистиллированная версия модели генерации видео Helios, опубликованная авторами проекта Helios. Она предназначена для создания длинных согласованных видео по текстовым описаниям. Модель использует диффузионную архитектуру HeliosPyramidPipeline и генерирует видео авторегрессионно чанками по 33 кадра; в репозитории она представлена в формате Diffusers и Safetensors. В качестве основы указана Wan-AI/Wan2.1-T2V-14B-Diffusers с 14 млрд параметров. Авторы заявляют о генерации видео длительностью до минут с высокой временной согласованностью и скорости 19,5 кадра в секунду на одной H100; это заявленные показатели и фактическая скорость зависит от оборудования и конфигурации. Модель рассчитана на текстовый ввод и видео на выходе. Лицензия — Apache-2.0.

HunyuanVideo-1.5-Diffusers-480p_t2v_distilled — дистиллированная версия модели семейства HunyuanVideo 1.5 для генерации видео по текстовому описанию. Репозиторий распространяет веса в формате Diffusers и SafeTensors; README описывает использование масок внимания для последовательностей переменной длины и рекомендует эффективный attention backend для повышения производительности. Модель предназначена для создания видео 480p по текстовым запросам. Данных о размере модели, поддерживаемых языках и рекомендуемых сценариях использования в предоставленных материалах нет. Репозиторий помечен лицензией «other», поэтому конкретные условия использования следует сверять с файлами лицензии модели.

city96/HunyuanVideo-gguf — это прямое преобразование модели HunyuanVideo от Tencent в формат GGUF, выполненное пользователем city96. Модель предназначена для генерации видео по текстовому описанию и рассчитана на использование с нативными встроенными узлами HunyuanVideo в ComfyUI, а также с пользовательским узлом ComfyUI-GGUF. Ключевая характеристика модели — квантованный формат GGUF. Сведения о точном размере, архитектуре, поддерживаемых языках, модальностях помимо text-to-video и максимальной длине контекста в README не указаны. Для работы требуется разместить файлы модели в каталоге ComfyUI/models/unet; VAE необходимо скачать отдельно из репозитория Kijai. Модель не является дообученной версией, поэтому сохраняет ограничения и исходные условия лицензии базовой HunyuanVideo. Указана лицензия tencent-hunyuan-community; применимые ограничения следует уточнять по оригинальным лицензионным условиям Tencent. Квантование может уменьшать требования к ресурсам, однако конкретные характеристики производительности и совместимости в README не приведены.

Ideogram 4 FP8 — вариант открытых весов модели генерации изображений по тексту, разработанный Ideogram. Это модель, обученная с нуля, а не дообучение существующего чекпойнта. Она использует flow matching и одно-поточную архитектуру Diffusion Transformer с 34 слоями; в текстовом энкодере применяется Qwen3-VL-8B-Instruct, признаки которого извлекаются из 13 промежуточных слоёв. Модель предназначена для создания изображений по текстовым описаниям, особенно для графического дизайна и задач, где важны надписи внутри изображения. Структурированные JSON-подсказки позволяют задавать композицию, стиль, освещение, палитру и расположение элементов через координаты ограничивающих рамок. Поддерживаются разрешения от 256 до 2048 пикселей, кратные 16, и соотношения сторон до 6:1. Заявлена поддержка многоязычного рендеринга текста. Вариант fp8 содержит 9,3 млрд параметров и использует квантизацию FP8; модель поставляется в форматах Diffusers и safetensors. В README для этого варианта указана лицензия Ideogram 4 Non-Commercial, а метаданные Hugging Face обозначают лицензию как other. README сообщает, что Diffusers не поддерживает этот вариант напрямую. Для фильтрации запросов и результатов в описанном процессе используется Hive.