I.8Изображения и компьютерное зрение

CewEhao/OPD-TV-Qwen3-VL-8B — мультимодальная модель для временной локализации событий в видео, созданная дообучением Qwen3-VL-8B-Instruct. Она принимает видео и текстовый запрос и формирует текстовый ответ с временными границами искомого события. Модель выпущена как основной чекпойнт для оценки метода OPD-TV, который переносит привилегированные временные свидетельства от учителя к модели-ученику при обучении; во время вывода используется только исходный визуальный вход ученика. В README приведены результаты на Charades-STA, ActivityNet Captions и QVHighlights. Описанный протокол оценки использует равномерную выборку 2 кадра в секунду, предел 768 кадров и до 64 генерируемых токенов. Для запуска указаны Transformers и vLLM с параметром --trust-remote-code. Модель распространяется по лицензии Apache-2.0.

Open-Sora 2.0 — модель генерации видео из текста, разработанная проектом Open-Sora. Она также поддерживает генерацию видео по текстовому запросу и исходному изображению. Модель на 11 млрд параметров рассчитана на разрешения 256 и 768 пикселей; длительность задаётся числом кадров, которое должно иметь вид 4k+1 и быть меньше 129. Для текстовой генерации доступен конвейер с предварительным созданием изображения с помощью Flux. Модель предназначена для создания видеоконтента по описанию или анимирования изображения с управлением соотношением сторон и оценкой движения. Авторы сообщают, что результаты VBench сокращают разрыв с Sora по сравнению с Open-Sora 1.2, а предпочтения людей сопоставимы с HunyuanVideo 14B и Step-Video 30B. README указывает высокую потребность в GPU: для генерации 768×768 на одном H100/H800 приведены пиковое потребление памяти 60,3 ГБ и время 1656 секунд при 50 шагах. Репозиторий использует Apache-2.0; метаданные указывают форматы PyTorch и safetensors.

PaliGemma 3B FT VQAv2 224 — разработанная Google компактная модель «изображение—текст», созданная на основе визуального энкодера SigLIP и языковой модели Gemma. Это вариант PaliGemma, дообученный для визуальных вопросов и ответов (VQAv2); модель принимает изображение и текстовый запрос и формирует текстовый ответ. Размер — 3 млрд параметров, разрешение изображений — 224 пикселя. Модель предназначена для одношагового ответа на вопросы по изображениям, а не для многоходового диалога. Её можно применять для визуальных вопросов и ответов и адаптировать дообучением под конкретные задачи компьютерного зрения. PaliGemma поддерживает несколько языков, однако карточка не перечисляет конкретные языки этого варианта. Модель распространяется под лицензией Gemma.

PixArt-900M-1024-ft-v0.6 — полноранговая дообученная модель генерации изображений по текстовому описанию, основанная на ptx0/pixart-900m-1024-ft-large. Для генерации используется конвейер PixArtSigmaPipeline; файлы представлены в формате Diffusers и Safetensors. Текстовый энкодер не обучался, поэтому для инференса можно использовать энкодер базовой модели. Модель предназначена для создания изображений по текстовым запросам. В карточке приведены примеры валидации при разрешении 1024×1024, а также 1344×768 и 916×1152; модель обучалась на изображениях с разрешением около одного мегапикселя и случайным квадратным кадрированием. Обучение включало 100 000 шагов в течение семи эпох. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит специальных оценок качества или подробных ограничений; результаты генерации зависят от формулировки запроса и настроек инференса.

Playground v2 – 1024px Aesthetic — диффузионная модель генерации изображений по тексту, разработанная исследовательской командой Playground и обученная с нуля. Она предназначена для создания эстетически выразительных изображений размером 1024×1024 по текстовым запросам и может использоваться через Hugging Face Diffusers, Automatic1111 и ComfyUI. Модель построена на архитектуре Latent Diffusion с двумя фиксированными предварительно обученными текстовыми энкодерами — OpenCLIP-ViT/G и CLIP-ViT/L — и следует архитектуре Stable Diffusion XL. По результатам пользовательского исследования Playground изображения модели предпочитали изображениям Stable Diffusion XL в 2,5 раза чаще; это результат исследования разработчика, а не гарантия для каждого запроса. Модель предназначена для генерации изображений общего назначения с акцентом на визуальную эстетику. В README указана лицензия Playground v2 Community License; перед использованием следует ознакомиться с её условиями.

ProtoVision XL High Fidel — модель генерации изображений по текстовому описанию, распространяемая через сервис ModelsLab. В карточке Hugging Face указан конвейер text-to-image и совместимость с StableDiffusionXLPipeline; репозиторий содержит веса в формате Diffusers и Safetensors. README демонстрирует генерацию фотореалистичных портретов с настройками размера изображения, числа шагов и guidance scale, а также поддерживает negative prompt и дополнительные LoRA и embeddings через API ModelsLab. Модель подходит для создания реалистичных портретов и художественных сцен по промпту. Для работы через показанный пример нужен API-ключ ModelsLab; карточка указывает лицензию CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или языки, а пример API задаёт multi_lingual как «no», поэтому не следует считать многоязычную обработку подтверждённой.

Qwen-Image-2512-5bit — 5-битная квантованная версия модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для запуска на устройствах Apple Silicon. Репозиторий содержит веса в формате safetensors для фреймворка MLX и рассчитан на генерацию изображений по текстовому описанию; в README приведён пример фотореалистичного изображения. Базовой модели приписываются улучшенная реалистичность людей, детализация природных сцен и отрисовка текста. Квантование до 5 бит уменьшает требования к памяти: для этой версии указано 27 ГБ. Модель предназначена для локальной генерации изображений через mflux на Apple Silicon. Она распространяется по лицензии Apache-2.0. README не сообщает ограничений качества или поддерживаемых языков; практическое использование требует совместимого оборудования и программного окружения MLX.

Qwen-Image-Edit-2511-Anime — адаптер LoRA от prithivMLmods для модели Qwen/Qwen-Image-Edit-2511, разработанной командой Qwen. Он предназначен для преобразования входных изображений в аниме-стиль с плоской целл-шейдинг заливкой, сохраняя исходную структуру изображения. Модель работает в сценариях image-to-image и совместима с библиотекой Diffusers. Она ориентирована на высококачественные и визуально стабильные преобразования, хорошо сохраняет позу, пропорции объекта, угол обзора и перспективу камеры. Для запуска рекомендуется использовать триггерную фразу «Transform into anime.»; адаптер также может применяться вместе с lighting model, настроенной на 4 шага, для получения изображений высокого разрешения с улучшенной четкостью и детализацией. К ограничениям относятся зависимость от базовой модели Qwen-Image-Edit-2511 и необходимость корректной настройки Diffusers и совместимых версий библиотек. README не содержит сведений о размере модели, максимальном контексте, точном наборе поддерживаемых языков и иных количественных характеристиках. Модель распространяется по лицензии Apache-2.0.

Realistic Vision v1.3 — модель генерации изображений по текстовому описанию, представленная в репозитории Yntec. Это версия размером 768×768 из серии Realistic Vision; в карточке её характеризуют как наиболее творческую в серии и отмечают, что она допускает композиции, где объект может находиться за пределами кадра. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Модель предназначена для создания реалистичных и полуреалистичных изображений по текстовым запросам: портретов, рекламных и винтажных постеров, фотографических сцен и детализированных иллюстраций. Примеры в карточке охватывают как фотореалистичные сюжеты, так и стилизованную живопись. Лицензия — CreativeML OpenRAIL-M.

Realistic Vision V5.0 noVAE — модель генерации изображений по текстовому описанию, разработанная автором SG161222. Репозиторий содержит модель в формате Diffusers и веса Safetensors; в карточке указана лицензия CreativeML OpenRAIL-M. Модель предназначена для создания реалистичных изображений по текстовым запросам. Автор рекомендует подключать VAE для повышения качества генерации и уменьшения артефактов. В README также приведены рекомендуемые настройки сэмплера, CFG и повышения разрешения, а также отрицательные запросы для снижения дефектов анатомии и нежелательных стилей. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. При генерации могут возникать артефакты и ошибки анатомии; качество рекомендуется улучшать с помощью VAE и тщательно составленных отрицательных запросов. Условия лицензии CreativeML OpenRAIL-M распространяются на использование модели.

Карточка модели Hhhhhwhwwjjwjw/Realistic_Vision_V6.0_B1_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V6.0_B1_noVAE, поэтому описание составлено по ней. Realistic Vision V6.0 B1 noVAE — бета-версия модели генерации изображений от автора SG161222, ориентированная на реализм и фотореализм. Она создаёт изображения по текстовым запросам и рассчитана на портреты, изображения по пояс и в полный рост; в карточке приведены рекомендуемые разрешения вплоть до 1152×1152 и параметры генерации с разными сэмплерами и Hires.Fix. Это неполная версия V6.0, выпуск которой планировался поэтапно. Для версии V6.0 автор рекомендует подключать VAE, чтобы повысить качество и уменьшить артефакты; несмотря на название noVAE, в README не утверждается, что VAE не нужен для этой версии. На крупных разрешениях возможны искажения и дублирование объектов, а некоторые позы могут генерироваться некорректно. Модель распространяется по лицензии CreativeML OpenRAIL-M.

RealVisXL V1.0 — модель генерации изображений по текстовому описанию, ориентированная на фотореалистичный результат. В карточке автор указывает, что модель доступна через Diffusers; метаданные описывают формат Diffusers с весами Safetensors и лицензию OpenRAIL++. Модель предназначена для создания реалистичных изображений по запросу, в том числе изображений для взрослых. Автор отмечает, что эта версия всё ещё находится в обучении и может давать артефакты или слабые результаты в отдельных случаях. README рекомендует 15–30 шагов сэмплирования и приводит настройки для увеличения разрешения.

Карточка модели a1471328262/RealVisXL_V5.0 на Hugging Face совпадает с карточкой SG161222/RealVisXL_V5.0, поэтому описание составлено по ней. RealVisXL V5.0 — модель генерации изображений по текстовому описанию от автора SG161222, ориентированная на фотореализм. Она может создавать изображения по промптам, в том числе обычного и откровенного содержания. В метаданных указаны пайплайн StableDiffusionXLPipeline и форматы Diffusers и Safetensors. Для генерации автор рекомендует сэмплеры DPM++ SDE Karras или DPM++ 2M Karras с указанным числом шагов, а для увеличения разрешения — Hires Fix с низкой силой шумоподавления. Среди ограничений отмечены возможные ошибки анатомии и лиц, включая кисти и симметрию черт. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.

misri/RealVisXL_V5.0_fp16 — это вариант RealVisXL V5.0 в формате FP16, опубликованный пользователем misri на Hugging Face. Исходную модель разработал SG161222. Она предназначена для генерации изображений по текстовым описаниям и ориентирована на фотореалистичный результат; заявлена поддержка изображений как безопасного, так и NSFW-содержания. Модель реализована как StableDiffusionXLPipeline на базе Stable Diffusion XL и распространяется в формате Safetensors. Для исходной RealVisXL V5.0 указано около 3 млрд параметров; файл FP16 имеет размер примерно 6,94 ГБ. Модель поддерживается библиотекой Diffusers и может запускаться локально на совместимом GPU, а также на Apple-устройствах через MPS. Сведения о языках, размере контекста, точных разрешениях и обучающем наборе данных не указаны. Сильная сторона модели — специализация на фотореалистичной генерации и возможность локального использования. Ограничения включают отсутствие подробной документации для репозитория misri, отсутствие опубликованных сведений о качестве по формальным бенчмаркам и неизвестную лицензию именно этого репозитория. Для исходной модели SG161222 указана лицензия OpenRAIL++; переносить это условие на копию misri без дополнительного подтверждения нельзя.

Карточка модели Skywork/SkyReels-V2-DF-1.3B-540P 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.

Sulphur Caption — модель для автоматического создания подробных подписей к видео. Её разработал автор SulphurAI; в основе лежит Gemma 4 31B, а для обработки звука используется Parakeet 0.6B TDT v3. Модель принимает видео и выдаёт текстовые описания сцен с временными деталями, сведениями о камере и водяных знаках. В README также описана обработка аудио через Parakeet bridge, которая может пропускать тихие, неразборчивые, перекрывающиеся и неречевые звуки. Модель предназначена для пакетной подписи видео и подготовки исходных подписей для LoRA-датасетов. Доступны настройки длины, подробности и стиля описания, а для обработки папок предусмотрены пакетная обработка и сохранение текстового файла для каждого видео. В README указана поддержка 4–20 кадров при обучении; запуск требует около 70 ГБ видеопамяти для bf16 или 38 ГБ для варианта fp8. Автор оценивает качество как приемлемое, но не рекомендует полагаться на модель без проверки подписей. Для примеров vLLM требуется поставляемая исправленная версия рантайма. Лицензия — CC BY 4.0.

Карточка модели vdaular/sulphur-caption на Hugging Face совпадает с карточкой SulphurAI/sulphur-caption, поэтому описание составлено по ней. Sulphur Caption — модель для автоматического создания подробных подписей к видео. Её разработал автор SulphurAI; в основе лежит Gemma 4 31B, а для обработки звука используется Parakeet 0.6B TDT v3. Модель принимает видео и выдаёт текстовые описания сцен с временными деталями, сведениями о камере и водяных знаках. В README также описана обработка аудио через Parakeet bridge, которая может пропускать тихие, неразборчивые, перекрывающиеся и неречевые звуки. Модель предназначена для пакетной подписи видео и подготовки исходных подписей для LoRA-датасетов. Доступны настройки длины, подробности и стиля описания, а для обработки папок предусмотрены пакетная обработка и сохранение текстового файла для каждого видео. В README указана поддержка 4–20 кадров при обучении; запуск требует около 70 ГБ видеопамяти для bf16 или 38 ГБ для варианта fp8. Автор оценивает качество как приемлемое, но не рекомендует полагаться на модель без проверки подписей. Для примеров vLLM требуется поставляемая исправленная версия рантайма. Лицензия — CC BY 4.0.

Sygil Diffusion — модель генерации изображений по текстовому описанию, разработанная ZeroCool94 в Sygil-Dev. Это дообучение Stable Diffusion 1.5 на наборе Imaginary Network Expanded Dataset. В карточке указана версия v0.4: она продолжает обучение предыдущих версий и достигла 2,37 млн шагов; модель использует архитектуру Stable Diffusion и библиотеку Diffusers, формат репозитория включает PyTorch и safetensors. Модель рассчитана на создание разнообразных изображений: портретов, архитектуры, фэнтези, концепт-арта, аниме и пейзажей. Теги с пространствами имён, например species:seal и studio:dc, помогают точнее задавать отдельные элементы сцены и уменьшать ошибки интерпретации подсказок. Модель частично понимает подсказки на китайском, японском и испанском языках, а наиболее полно работает с английскими. Для лучших результатов может потребоваться адаптировать привычные подсказки, используя теги и пространства имён. Разработчик отмечает, что модель находится на ранней стадии и предполагает дальнейшее обучение и обновления. Лицензия — OpenRAIL++; условия её использования следует сверять с текстом лицензии.

TiC-CLIP-bestpool-sequential — модель Apple из семейства TiC-CLIP, обученная на временном срезе TiC-DataComp-Yearly с фильтрацией bestpool и данными за 2014–2022 годы. Это vision-language модель на основе CLIP, предназначенная для классификации изображений по текстовым описаниям без отдельного обучения на классах, а также для исследований непрерывного дообучения и временной устойчивости моделей. Репозиторий содержит веса PyTorch; модель совместима с кодом OpenCLIP и оценочными наборами DataComp. Модель использует пары изображений и текстов из TiC-DataComp, крупного набора с временными метками. Её можно применять как стартовый чекпойнт для продолжения обучения на более новых данных и оценивать на задачах поиска и классификации. README не сообщает точное число параметров, размер входного изображения или длину контекста. Лицензия обозначена как other; условия использования следует сверить с файлом LICENSE в репозитории.

cyttic/trocr-webfonts7 — дообученная модель cyttic/exp2-frozen-benyehuda-cont на неизвестном наборе данных. Это модель архитектуры vision-encoder-decoder, предназначенная для преобразования изображения в текст; карточка сообщает о CER 0,0216 и WER 0,0611 на оценочном наборе. Модель подходит для распознавания текста на изображениях, в частности текста веб-шрифтов, что отражено в её названии. Данные не раскрывают поддерживаемые языки, длину контекста или подробные условия применения. Весы опубликованы в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

BAAI/URSA-1.7B-IBQ1024 — модель BAAI для генерации и редактирования изображений по текстовым запросам, относящаяся к семейству BAAI-Vision-URSA. Она основана на дообученной Qwen/Qwen3-1.7B и использует токенизатор Emu3.5-Vision-Tokenizer; размер модели — 1,7 млрд параметров, точность весов — FP16. Модель работает через библиотеку Diffusers и генерирует изображения с разрешением 1024 × 1024. Модель подходит для экспериментов с генеративными моделями, творческих и образовательных инструментов, создания иллюстраций и дизайнерских материалов. Лицензия — Apache-2.0; карточка рекомендует исследовательское применение. Автоэнкодер модели вносит потери, она может плохо отображать сложный читаемый текст, не обеспечивает идеальный фотореализм и может некорректно генерировать пальцы. Обучающие данные включали материалы с контентом для взрослых, насилием и сексуальными темами, а генерации могут отражать социальные предубеждения. Модель не предназначена для достоверного изображения людей или событий.

r4tn4 выпустил адаптер Wan2.1 для генерации реалистичных видео по изображению. Карточка связывает модель с Wan2.1-I2V-Twerk-Lora; в репозитории представлены файлы в форматах GGUF и safetensors. Хотя авторская метка pipeline указывает text-to-image, назначение базовой модели Wan2.1 I2V — генерация видео из изображения, поэтому для пользовательского поиска подходит задача text-to-video. Модель распространяется по лицензии Apache-2.0. README сообщает, что исходная версия размещена на Civitai.

Карточка модели XanFloof/Wan2.1-Fun-1.3B-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 glitchhired/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 waseem124/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 MayhemMark/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.

Wan2.1 VACE 1.3B — открытая модель генерации и редактирования видео от Wan-AI, построенная на архитектуре diffusion transformer семейства VACE. Эта версия относится к линейке VACE объёмом 1,3 млрд параметров; в репозитории веса представлены в формате safetensors, лицензия — Apache-2.0. Модель предназначена для создания и преобразования видео, в том числе по визуальным входным данным. Карточка указывает поддержку image-to-video, а README описывает VACE как универсальную систему для создания и редактирования видео с вариантами 1.3B и 14B и разрешениями 480p и 720p. В материалах семейства Wan2.1 также заявлены генерация текста на изображениях на китайском и английском языках и работа с видео и изображениями. README отмечает, что для Wan2.1-T2V-1.3B возможно выполнение на потребительском GPU с 8,19 ГБ видеопамяти и приводит пример генерации пятisekундного 480p ролика примерно за четыре минуты на RTX 4090; эти показатели относятся к T2V-1.3B и не гарантируют аналогичную производительность VACE. Карточка не описывает ограничения качества или безопасности конкретно этой версии.

Карточка модели CAMOMAIL/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.

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.

QuantStack/Wan2.2-I2V-A14B-GGUF — это GGUF-конверсия модели Wan-AI/Wan2.2-I2V-A14B, разработанной командой Wan-AI. Модель предназначена для задач image-to-video: создания видео на основе исходного изображения. В README также указана поддержка английского и китайского языков, однако сведения о конкретных сценариях применения, архитектуре, количестве параметров, размере контекста и поддерживаемых модальностях, кроме преобразования изображения в видео, не приведены. Модель поставляется в квантизированном формате GGUF, что может упростить её использование в совместимых инструментах и снизить требования к ресурсам по сравнению с полноразмерной версией, но README не содержит данных о типе квантизации, качестве или производительности. Для запуска заявлена интеграция с пользовательским узлом ComfyUI-GGUF для ComfyUI; файлы необходимо размещать в каталоге ComfyUI/models/unet. Распространение осуществляется по лицензии Apache-2.0, при этом сохраняются исходные лицензионные условия и ограничения базовой модели.