I.8Изображения и компьютерное зрение

DeciDiffusion 2.0 — модель генерации изображений по тексту, разработанная Deci. Это латентная диффузионная модель на 732 млн параметров, построенная на основе архитектуры Stable Diffusion и использующая VAE, текстовый энкодер CLIP и оптимизированный с помощью AutoNAC U-Net-NAS. Модель рассчитана на англоязычные текстовые запросы и генерацию изображений; обучение проводилось на разрешении 512×512. Для запуска автор рекомендует diffusers версии 0.21.4. Оптимизированная архитектура U-Net и настройки обучения позволяют получать изображения с меньшим числом шагов диффузии; в README приводится рекомендация сократить их с 16 до 10. Модель распространяется по лицензии CreativeML Open RAIL++-M. Она не предназначена для достоверного изображения людей или событий: фотореализм ограничен, текст на изображениях часто нечитаем, а сложные композиции и лица могут получаться неточно. Английские запросы поддерживаются лучше, чем запросы на других языках; возможны смещения в сторону западных культурных норм.

Deliberate v2 — модель генерации изображений по текстовому описанию, представленная через ModelsLab и опубликованная на Hugging Face аккаунтом stablediffusionapi. Пример API показывает передачу основного и отрицательного промптов, настройку размера изображения, числа шагов и guidance scale; модель позиционируется для создания фотореалистичных изображений и портретов. В сценарии использования пользователь описывает сцену и при необходимости задаёт отрицательный промпт, чтобы исключить нежелательные детали. README демонстрирует генерацию квадратного изображения 512×512 за 30 шагов, а также параметры улучшения промпта, апскейлинга, панорамы, LoRA и эмбеддингов. Модель работает через API ModelsLab; формат и архитектурный класс указаны в метаданных как Diffusers StableDiffusionPipeline с весами Safetensors. Лицензия — CreativeML OpenRAIL-M. В карточке не приведены точный размер модели, длина контекста и перечень поддерживаемых языков. Качество результата зависит от формулировки промпта; готовые веса и локальный способ запуска в README не описаны.

FLUX.1 Krea [dev] — модель генерации изображений по текстовому описанию, совместно разработанная Black Forest Labs и Krea. Это дообученная версия FLUX.1 [dev] на архитектуре rectified flow transformer с 12 млрд параметров; обучение с guidance distillation сделало её эффективнее. Модель ориентирована на высокое качество, особенно эстетической фотографии, и хорошо следует текстовым запросам. Она принимает текст и создаёт изображения; карточка указывает английский язык. Модель подходит для творческих рабочих процессов, подготовки концептов и визуальных материалов, а также научных исследований. Она предназначена для работы в системах, совместимых с FLUX.1 [dev], включая Diffusers и ComfyUI. Модель не предназначена для предоставления фактической информации: результат может не соответствовать запросу, а следование промпту зависит от его формулировки. Генерация может отражать общественные предубеждения. Веса доступны по лицензии FLUX.1 [dev] Non-Commercial License. README описывает допустимое применение результатов, включая личное и коммерческое, но использование самой модели регулируется условиями этой лицензии. Запрещены, в частности, незаконное использование, эксплуатация несовершеннолетних, создание несанкционированной интимной и иной запрещённой информации; при развёртывании требуются фильтры или ручная проверка.

InvokeAI/FLUX.1-Krea-dev-GGUF — это GGUF-версия модели FLUX.1 Krea [dev], разработанная Black Forest Labs совместно с Krea. Модель предназначена для генерации изображений по текстовым описаниям и может использоваться как замена в Invoke. В качестве базовой модели указана FLUX.1-dev. Модель представляет собой rectified flow transformer с 12 млрд параметров. Она ориентирована на высокое качество изображений, особенно в эстетической фотографии, и поддерживает конкурентное следование текстовым запросам. Благодаря guidance distillation она рассчитана на более эффективный вывод. Модель принимает текстовые описания и генерирует изображения; другие модальности и максимальный размер контекста в README не указаны. Ограничения включают вероятные ошибки в соответствии изображения запросу, зависимость результата от стиля формулировки промпта и склонность статистической модели воспроизводить существующие социальные предубеждения. Модель не предназначена для предоставления достоверной фактической информации. Весовые параметры доступны для исследований и разработки, однако модель распространяется по лицензии FLUX.1 dev Non-Commercial License: коммерческое использование ограничено, а применение должно соответствовать установленным запретам на незаконный, вредоносный, оскорбительный и иной запрещённый контент. Для развёртывания предусмотрено использование фильтров или ручной проверки.

FotoPhoto — модель генерации изображений по текстовому описанию, созданная Yntec как смесь Foto Assisted Diffusion и FennPhoto. Она предназначена для создания фотореалистичных фотографий, портретов, пейзажей и сцен, а также цифровых картин и фантазийных иллюстраций. Примеры в карточке показывают широкий диапазон сюжетов и стилей, включая кинематографичные кадры, арт-концепты и изображения еды. Модель использует Stable Diffusion и доступна в формате Diffusers с весами Safetensors. Она принимает текстовые запросы на английском языке и генерирует изображения. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M. Качество и соответствие результата запросу зависят от формулировки промпта; карточка не приводит сведений о размере модели или длине контекста.

microsoft/git-base-vatex — модель GIT (Generative Image-to-Text), разработанная Microsoft и дообученная на наборе VATEX. Это декодер-трансформер, который принимает токены изображения, полученные CLIP, и текстовые токены и генерирует следующий текстовый токен. Версия GIT-base предварительно обучалась на 10 миллионах пар изображение–текст; в репозитории доступны веса в форматах PyTorch и Safetensors. Размер модели — 80,1 млн параметров, максимальный контекст — 1024 токена. Модель предназначена прежде всего для генерации описаний к видео. Архитектура также подходит для описания изображений, визуальных вопросов и ответов по изображениям или видео и текстовой классификации изображений. Обучение на VATEX ориентирует этот вариант на подписи к видео; карточка не приводит отдельной оценки качества. Модель принимает изображения и текст и генерирует текст. Указанный в карточке язык — английский. Лицензия MIT.

Hayai OCR v2.5 Nova — компактная модель распознавания текста на изображениях от JustANormalTinkerer. Она рассчитана на быструю транскрипцию отдельных фрагментов: реплик в комиксах и манге, строк текста и звуковых эффектов. Модель принимает изображения и сразу выдаёт распознанный текст, без отдельного этапа выделения строк текста. Модель содержит около 150 млн параметров. Визуальный энкодер SigLIP2 NaFlex сочетается с 12-слойным причинным трансформерным декодером; проектор DSC сжимает пространственные токены в четыре раза. Поддерживаются японский, китайский, корейский и английский языки, включая горизонтальный и вертикальный текст. Для обработки целой страницы README рекомендует сначала использовать детектор текста, а затем передавать модели отдельные фрагменты. Для загрузки пользовательского кода требуется trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Карточка модели BestWishYsh/Helios-Base 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.

Ideogram 4 — открытая модель генерации изображений по тексту от Ideogram, выпущенная в виде конвертации bf16 для Diffusers. Базовая модель обучена с нуля и не является дообучением существующего чекпойнта. Это flow-matching модель на архитектуре Diffusion Transformer с единственным потоком из 34 слоёв; для понимания запросов используется Qwen3-VL-8B-Instruct, признаки которого извлекаются из 13 промежуточных слоёв. Репозиторий содержит веса в формате Diffusers и safetensors. Модель предназначена для создания изображений по запросам с управлением композицией, стилем, освещением, цветовой палитрой и размещением объектов. Поддерживает генерацию текста внутри изображений, включая вывески, логотипы и подписи, а также управление раскладкой через координаты ограничивающих рамок и указание цветов в HEX. Заявлена работа с разрешениями от 256 до 2048 пикселей и разными соотношениями сторон; модель ориентирована на многоязычные запросы и дизайн-сценарии. По заявлению разработчика, модель показывает высокое качество типографики и генерации изображений, однако приведённые в карточке результаты основаны на оценках и бенчмарках, описанных самим разработчиком. Лицензия указана как other; README описывает варианты Ideogram 4 как распространяемые по некоммерческой лицензии, поэтому перед использованием следует проверить условия лицензии именно этой конвертации.

Ideogram 4 NF4 — открытая модель генерации изображений по тексту от Ideogram AI, обученная с нуля, а не полученная дообучением другой модели. Это вариант с 9,3 млрд параметров и квантизацией NF4, рассчитанный на запуск через Diffusers на CUDA; веса доступны после принятия условий доступа на Hugging Face. Модель предназначена для генерации изображений по текстовым запросам, особенно для графического дизайна, макетов и изображений с надписями. Она поддерживает структурированные JSON-запросы, управление расположением элементов через ограничивающие рамки и настройку цветовой палитры; заявлены многоязычный рендеринг текста и генерация изображений с разрешением до 2K. В README приводятся результаты сравнений на задачах дизайна и рендеринга текста, однако это оценки разработчика и сторонних бенчмарков, а не гарантия качества для каждого запроса. Для запуска нужны совместимое CUDA-оборудование, код инференса Ideogram 4 и аутентификация для загрузки gated-весов. Лицензия Ideogram 4 Non-Commercial ограничивает коммерческое использование; для полного набора условий следует принять лицензию на странице модели.

Ideogram 4 (nf4) — открытая по весам модель генерации изображений по тексту, разработанная Ideogram AI и обученная с нуля. Версия использует квантизацию NF4 и содержит 9,3 млрд параметров; она предназначена для запуска через Diffusers на CUDA-совместимом оборудовании. Модель подходит для создания иллюстраций, фотографий и дизайнерских материалов по текстовым запросам. Структурированный JSON-интерфейс позволяет задавать расположение элементов через ограничивающие рамки и управлять цветовой палитрой. Среди заявленных сильных сторон — точная отрисовка текста на нескольких языках, понимание запросов и генерация изображений с разрешением до 2K. Веса доступны через gated-репозиторий Hugging Face после принятия условий лицензии Ideogram 4 Non-Commercial; коммерческое использование этой лицензией не разрешено. Для простых текстовых запросов в приведённом CLI предусмотрено расширение промпта через размещённый сервис Ideogram, однако можно использовать и собственный LLM-провайдер.

Ideogram 4 NF4 — версия с открытыми весами модели генерации изображений по текстовому описанию, разработанной Ideogram и переизданной Unsloth как зеркало исходного репозитория; веса не изменены. Это модель-основа, обученная с нуля, а не дообучение существующей модели. Архитектура основана на DiT и flow matching; версия содержит 9,3 млрд параметров и квантована в NF4 для запуска через Diffusers на CUDA. Модель предназначена для создания изображений, особенно графического дизайна и типографики. Она поддерживает структурированные JSON-подсказки, многоязычное отображение текста на изображениях, управление расположением элементов через ограничивающие рамки и настройку цветовой палитры. Заявлена генерация изображений с разрешением до 2K. Среди сильных сторон — следование сложным описаниям, контроль композиции и качественный рендеринг надписей. Для использования весов применяются условия лицензии Ideogram 4 Non-Commercial; перед загрузкой исходной gated-модели требуется принять условия доступа Hugging Face. В README также указана проверка подсказок и результатов через Hive, а функция расширения подсказки по умолчанию обращается к размещённому сервису Ideogram. Указанная в метаданных лицензия — other.

Janus-Pro-1B-GGUF — квантованная версия мультимодальной модели Janus-Pro-1B, разработанной deepseek-community и опубликованной в формате GGUF пользователем mradermacher. Модель относится к унифицированным системам и предназначена для работы с текстом и изображениями, включая мультимодальные сценарии и генерацию изображений по текстовому описанию. В метаданных указан английский язык. Модель основана на архитектуре Janus-Pro-1B; размер исходной модели составляет 1 млрд параметров, однако README не уточняет особенности архитектуры, максимальную длину контекста и точный набор поддерживаемых мультимодальных операций. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и f16, размером примерно от 0,8 до 3,4 ГБ, а также отдельные мультимодальные компоненты mmproj. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди указанных. К основным преимуществам относятся компактность, возможность запуска в формате GGUF и выбор между несколькими уровнями квантования, что позволяет адаптировать модель к доступным ресурсам и требованиям к качеству. Ограничения связаны с возможной потерей качества в низкобитных вариантах квантования, а также с отсутствием в README подробных сведений о производительности, контексте, точности, системных требованиях и поддерживаемых языках помимо английского. Модель распространяется по лицензии MIT.

Juggernaut XI Lightning — модель генерации изображений по текстовому описанию, созданная KandooAI совместно с RunDiffusion. Она основана на Stable Diffusion XL Base 1.0 и представляет собой ускоренную версию Juggernaut XI v11, дистиллированную с использованием SDXL Lightning. Модель предназначена для быстрого создания фотореалистичных изображений и итеративного подбора промптов. Она наследует улучшения Juggernaut XI в детализации лиц, рук и анатомии, следовании запросу и отображении короткого текста на изображениях. Поддерживает промпты на естественном языке и в формате тегов; для генерации рекомендованы 5–7 шагов и CFG 1,5–2,0. По сравнению со стандартной Juggernaut XI модель быстрее и требует меньше видеопамяти при генерации, однако README рекомендует стандартную XI v11, если важнее максимальное качество отдельного изображения. Репозиторий распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии CC BY-NC-ND 4.0, которая запрещает коммерческое использование и распространение производных версий.

Juggernaut XL v9 — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на основе Stable Diffusion XL Base 1.0. Это дообученный чекпойнт SDXL с интеграцией RunDiffusion Photo v2, ориентированный на фотореалистичные изображения. Репозиторий содержит веса в формате Diffusers и отдельный файл safetensors. Модель предназначена для создания фотографических изображений по текстовым запросам: портретов, архитектуры, автомобилей, дикой природы, еды, интерьеров и пейзажей. Карточка рекомендует разрешение 832 × 1216 или 1216 × 832, сэмплер DPM++ 2M Karras и 30–40 шагов; заявлена работа на видеокарте с 8 ГБ VRAM. Модель совместима с инструментарием SDXL, включая ControlNet, IP-Adapter и LoRA, и может использоваться через Diffusers и популярные интерфейсы генерации изображений. Карточка описывает улучшения детализации кожи и микротекстур, контроля освещения и контраста, а также стабильности результатов в разных фотографических сюжетах. Модель принимает текстовые запросы и генерирует изображения; в метаданных указан английский язык. Использование для личных и творческих задач разрешено по лицензии CreativeML Open RAIL-M. Размещение за платными API требует отдельного разрешения на коммерческое лицензирование.

Lob RealVisXL v2.0 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi.com и доступная через API ModelsLab. Карточка демонстрирует создание фотореалистичного портрета и указывает на поддержку параметров запроса, включая негативный промпт, число шагов генерации, guidance scale и размеры изображения. Модель предназначена для генерации реалистичных изображений по промптам. Пример в карточке использует описания внешности, освещения, окружения и параметров камеры; также показаны настройки для улучшения промпта, панорам и подключения LoRA или эмбеддингов. В метаданных указаны StableDiffusionXLPipeline и форматы Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не сообщает точное число параметров, длину контекста или список поддерживаемых языков. Качество и безопасность результата зависят от промпта и настроек; документация API предлагает параметр отключения safety checker.

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.

Карточка модели Ciromarjunior/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 Hussi/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 Nidhal998/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.

LTX-Video 0.9.7-dev — диффузионная модель генерации видео, разработанная Lightricks. Она создаёт видео по текстовому описанию, а также поддерживает сценарий с изображением и текстом. В README эта версия отнесена к варианту 13B с наивысшим качеством, требующему больше видеопамяти; семейство LTX-Video основано на архитектуре DiT. Модель рассчитана на создание реалистичных и разнообразных роликов. В карточке указаны скорость генерации выше скорости просмотра, разрешение 1216×704 и частота 30 кадров в секунду для семейства. Рекомендуются английские подробные запросы; лучше использовать разрешения ниже 720×1280 и видео короче 257 кадров. Для совместимости разрешение должно делиться на 32, а число кадров иметь вид 8n+1; при необходимости модель дополняет и обрезает входные размеры. Модель может не точно следовать запросу, а результат зависит от формулировки промпта. Она не предназначена для выдачи фактической информации и может усиливать социальные предубеждения. Лицензия указана как other; README перечисляет отдельные условия лицензирования версии 13B 0.9.7-dev, поэтому перед использованием следует ознакомиться с ними.

Карточка модели anlessparky/MiniMax-H3 на Hugging Face совпадает с карточкой DeepDive404-2/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax и опубликованная в виде открытых чекпойнтов для создания видео со стереозвуком. Она принимает текстовые инструкции и, в зависимости от варианта, изображения, видеоклипы и аудиоклипы; модель совместно генерирует видео и аудио. Доступны режимы генерации по первому и последнему кадру, а также по мультимодальным референсам. Архитектура H3-Base объединяет кодировщики текста и визуальных данных, Visual VAE и Audio VAE с Omni Transformer; для пространственных и временных связей используется RoPE. Выходная длительность составляет 4–15 секунд, короткая сторона изображения по умолчанию — 768 пикселей; для получения разрешения до 2K предусмотрен отдельный этап H3-Regenerate-2K. Входные ограничения зависят от варианта: режим референсов поддерживает до 9 изображений, 3 видео и 3 аудиоклипов при соблюдении ограничений по длительности и общему числу файлов. Модель подходит для создания коротких роликов по тексту, кадрам и смешанным аудиовизуальным референсам. Открытый релиз не включает H3-Context-IR — размещённую в облаке систему предварительной обработки сложных мультимодальных инструкций; её функциональность можно воспроизводить через официальный API или собственную систему подготовки контекста. В релизе доступен только inference с full attention, а sparse attention заявлен для будущего обновления. Лицензия указана как other; конкретные условия следует сверять с карточкой модели.

Карточка модели AnnaRa/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 astonzhang/MiniMax-H3 на Hugging Face совпадает с карточкой DeepDive404-2/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax и опубликованная в виде открытых чекпойнтов для создания видео со стереозвуком. Она принимает текстовые инструкции и, в зависимости от варианта, изображения, видеоклипы и аудиоклипы; модель совместно генерирует видео и аудио. Доступны режимы генерации по первому и последнему кадру, а также по мультимодальным референсам. Архитектура H3-Base объединяет кодировщики текста и визуальных данных, Visual VAE и Audio VAE с Omni Transformer; для пространственных и временных связей используется RoPE. Выходная длительность составляет 4–15 секунд, короткая сторона изображения по умолчанию — 768 пикселей; для получения разрешения до 2K предусмотрен отдельный этап H3-Regenerate-2K. Входные ограничения зависят от варианта: режим референсов поддерживает до 9 изображений, 3 видео и 3 аудиоклипов при соблюдении ограничений по длительности и общему числу файлов. Модель подходит для создания коротких роликов по тексту, кадрам и смешанным аудиовизуальным референсам. Открытый релиз не включает H3-Context-IR — размещённую в облаке систему предварительной обработки сложных мультимодальных инструкций; её функциональность можно воспроизводить через официальный API или собственную систему подготовки контекста. В релизе доступен только inference с full attention, а sparse attention заявлен для будущего обновления. Лицензия указана как other; конкретные условия следует сверять с карточкой модели.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со стереозвуком. Открытая версия включает два специализированных чекпойнта H3-Base для генерации по тексту, изображениям и мультимодальным референсам; заявлены клипы длительностью 4–15 секунд, а базовый вывод H3-Base имеет разрешение 768p. Для получения 2K-видео предусмотрен отдельный этап H3-Regenerate-2K. Модель принимает текст, изображения, видео и аудио в зависимости от выбранного режима. H3-Base объединяет представления модальностей в общую последовательность и использует H3-Omni-Transformer для совместного предсказания видео- и аудиоданных; поддерживается широкий диапазон соотношений сторон. H3-Context-IR, который разбирает и структурирует сложные мультимодальные инструкции, в открытую поставку не входит и доступен через размещённый сервис/API либо может быть заменён собственной системой предварительной обработки. Модель подходит для генерации роликов по описанию, исходным кадрам и наборам аудио-, видео- и графических референсов. В открытой версии используется полный attention; разреженный attention пока не выпущен, что может ограничивать вычислительную эффективность при длинных мультимодальных последовательностях. В карточке указана лицензия «other», поэтому перед использованием следует проверить её условия.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со стереозвуком по тексту, изображениям и другим мультимодальным материалам. В открытой версии представлены два специализированных чекпойнта H3-Base: FL2VA для генерации с начальным и конечным кадрами и Ref2VA для работы с мультимодальными референсами. Архитектура объединяет текстовый энкодер, Visual VAE, Audio VAE и Omni-Transformer, который совместно предсказывает латентные представления видео и аудио. Модель создаёт клипы длительностью 4–15 секунд с различными соотношениями сторон; базовый результат имеет разрешение 768p, а отдельный H3-Regenerate-2K позволяет повторно сгенерировать видео в разрешении до 2K. FL2VA принимает текст и до двух изображений. Ref2VA поддерживает до девяти изображений, трёх видеоклипов и трёх аудиоклипов с общим лимитом в 12 файлов. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR — размещённую отдельно систему предварительной обработки, которая не входит в открытый релиз. Веса распространяются в форматах Diffusers и Safetensors по лицензии с обозначением «other»; условия лицензии следует проверять в репозитории перед использованием.

MiniMax-H3 GGUF — это набор GGUF-квантизованных версий 33B-модели MiniMax-H3, разработанной MiniMaxAI и подготовленной joeygambino на основе прунированных контрольных точек MiniMax. Модель относится к DiT-моделям для генерации видео и аудио. Вариант fl2va поддерживает генерацию видео с текстовым описанием и сценарии image-to-video с использованием первого и последнего кадров, а вариант ref2va — генерацию с учётом референсов: до 9 изображений, 3 видео с аудиодорожками и 3 голосовых клипов. Модель предназначена для работы в ComfyUI через ComfyUI-GGUF и дополнительный узел ComfyUI-H3-Multishot. Доступны квантизации Q8_0 размером около 21,5 ГБ, Q5_1 размером около 15,2 ГБ и Q4_0 размером около 11,5 ГБ; они ориентированы соответственно на видеокарты с 24, 16 и 12 ГБ памяти. Факторизованное представление adaln сокращает размер примерно на 40% и ускоряет загрузку весов, сохраняя близкое поведение исходной модели. Для работы требуется ComfyUI версии 0.30.0 или новее, а текстовый encoder в данный GGUF не входит и должен быть установлен отдельно. K-квантизации для этой архитектуры недоступны из-за ширины скрытого слоя 2688. Лицензия указана как minimax-h3-community; точные условия следует уточнять по лицензии MiniMaxAI.

MiniMax-H3 Fused Turbo (INT8 ConvRot) — файл весов для ComfyUI, собранный автором репозитория на основе производных версий MiniMax-H3. Он предназначен для генерации видео по текстовому описанию и изображению, а также для reference-to-video с использованием референсов. Веса объединяют базовую модель с turbo-адаптером lightx2v FL2VA и адаптером Mystic для более плавного движения; затем основные линейные слои квантованы в INT8 с ConvRot. Модель запускается через стандартный UNETLoader ComfyUI и рассчитана на генерацию за 4 шага. Модель создаёт видео со звуковой дорожкой; в README приведён пример ролика длительностью 10 секунд с разрешением 1152×640. Для запуска нужны ComfyUI, совместимый рабочий процесс и достаточные ресурсы GPU или системной памяти; управление памятью ComfyUI позволяет запускать модель и на картах меньше 96 ГБ, но медленнее. Автор отмечает, что развернутые LoRA-настройки уже встроены в веса и их силу нельзя менять отдельно. Лицензия указана как other, поэтому условия использования следует уточнять на странице репозитория.

MiniMax-H3-fl2va-ref2va-hybrid-w4a8 — гибридный чекпойнт на основе MiniMax-H3, созданный автором berryber09. Он объединяет в одной модели условие по первому кадру и управление через референсные изображения: первый кадр задаёт временную опору, а референс помогает сохранить личность персонажа, сцену или стиль и ввести их в нужный момент ролика. Модель предназначена для генерации видео по изображению в ComfyUI. Чекпойнт собран сшивкой блоков двух вариантов MiniMax-H3: входные и выходные головы, а также блоки 0–19 взяты из fl2va, блоки 20–49 — из ref2va. Веса имеют смешанную 4-битную квантизацию w4a8_mixed, размер файла около 12,5 ГБ; автор сообщает о загрузке на видеокарту с 16 ГБ памяти. Модель маршрутизируется в ComfyUI как ref2va и поддерживает одновременное использование первого кадра и референсных изображений. Качество базовой генерации немного ниже, чем у варианта с большим числом блоков fl2va, зато гибрид сильнее ориентирован на соответствие референсам. Ограничения включают компромисс между качеством и точностью следования референсу, а также необходимость подходящей конфигурации ComfyUI. Лицензия унаследована от MiniMax-H3 и обозначена в метаданных как other.

MoviiGen1.1-GGUF — это прямая конверсия модели ZuluVision/MoviiGen1.1 в формат GGUF, опубликованная пользователем или организацией wsbagnsv1. Модель предназначена для генерации видео по текстовому описанию и относится к категории text-to-video. Файлы модели можно использовать в ComfyUI с пользовательским узлом ComfyUI-GGUF; их рекомендуется размещать в каталоге ComfyUI/models/unet. В репозитории доступны квантизованные варианты Q8_0 и меньшего размера, созданные на основе FP32-версии. Форматы F16 и BF16 в опубликованной версии не представлены. Для работы также требуется VAE Wan2_1_VAE_bf16.safetensors из репозитория Kijai. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках, максимальной длине контекста, качестве генерации или системных требованиях. Модель распространяется по лицензии Apache-2.0; конвертация выполнена с использованием скриптов city96.