I.8Изображения и компьютерное зрение

Wan2.2-I2V-A14B-HighNoise-Q4_K_M — это квантованная в формате GGUF версия модели Wan-AI/Wan2.2-I2V-A14B, опубликованная пользователем wanabmeya. Модель предназначена для генерации видео на основе входного изображения и относится к сценарию image-to-video. Указана совместимость с ComfyUI через пользовательский узел ComfyUI-GGUF. Из доступных данных известно, что модель поддерживает английский и китайский языки. Она является прямой конвертацией исходной модели, однако сведения об архитектуре, количестве параметров, размере контекста, точных характеристиках квантования и поддерживаемых модальностях, кроме image-to-video, не приведены. Квантование в формате Q4_K_M может уменьшать требования к хранению и вычислениям, но потенциально влияет на качество по сравнению с исходной моделью; конкретные показатели не указаны. Модель распространяется по лицензии Apache-2.0, при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели. Для запуска требуются файлы модели и ComfyUI с узлом ComfyUI-GGUF; инструкции README рекомендуют разместить файлы в каталоге ComfyUI/models/unet.

Wan2.2-S2V-14B — модель генерации кинематографического видео по аудио, разработанная командой Wan-AI на основе семейства Wan. Она предназначена для аудиоуправляемой анимации персонажей, включая передачу речи и пения, сложные движения тела, взаимодействия персонажей и работу камеры. В карточке также упомянуты генерация длинных видео и точное редактирование синхронизации губ. Модель относится к семейству S2V и предоставлена в репозитории для Diffusers в форматах PyTorch и Safetensors. Для генерации заявлена поддержка разрешений 480p и 720p. Лицензия — Apache 2.0. В карточке описаны преимущества в выразительности и качестве кинематографической анимации, но приведённое сравнение с другими системами является заявлением авторов.

Wan2.2-TI2V-5B-Diffusers — модель генерации видео семейства Wan2.2, разработанная командой Wan-AI. Она принимает текстовое описание и изображение для создания видео; карточка также указывает поддержку генерации только по тексту. Модель построена на Wan2.2-VAE с коэффициентом сжатия 16×16×4 и поддерживает разрешение до 720p при 24 кадрах в секунду. Модель предназначена для создания видеороликов по текстовым запросам и анимации изображений. В README отмечены улучшенная передача движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Веса доступны в формате Diffusers и Safetensors; заявлена возможность запуска на одной потребительской видеокарте уровня RTX 4090. Лицензия — Apache-2.0. В карточке репозитория не приведены отдельные сведения о числе параметров именно этого набора весов и длине контекста. Практические ограничения включают ограничение заявленного разрешения до 720p и частоты кадров до 24 FPS; качество и скорость генерации зависят от аппаратного обеспечения и настроек.

cerspense/zeroscope_v2_30x448x256 — модель генерации видео по текстовому описанию на основе ModelScope, опубликованная пользователем cerspense. Она создаёт ролики из 30 кадров с разрешением 448×256 и соотношением сторон 16:9; модель обучена на 9 923 видеоклипах и 29 769 размеченных кадрах. В README указано, что веса обучены на основе исходных весов, но конкретная базовая модель не названа. Модель предназначена прежде всего для быстрого создания черновых композиций с последующим увеличением разрешения через Potat1 в режиме vid2vid расширения text2video для Stable Diffusion WebUI. Она выдаёт видео без водяного знака и рассчитана на плавное воспроизведение. Для использования в этом расширении веса требуется переименовать и разместить в соответствующих каталогах ModelScope. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение. Среди ограничений README отмечает, что малое разрешение или меньшее число кадров может ухудшать результат; в некоторых роликах встречаются склейки или замедленное движение, для которого может потребоваться уточнение запроса.

CyberRealistic Z-Image Turbo v4.0 GGUF — квантованная версия модели cyberdelia/cyberrealistic_zimage для генерации фотореалистичных изображений по текстовому запросу. Она основана на архитектуре Z-Image Turbo (Lumina2) от Tongyi Lab и предназначена для запуска через stable-diffusion.cpp или ComfyUI. Репозиторий содержит варианты GGUF-квантования от Q3_K до Q8_0. Для генерации также нужны отдельные текстовый энкодер Qwen3-4B и VAE; для ComfyUI автор рекомендует узлы ZImagePowerNodes. В README приведён пример локальной генерации изображений размером 1024×1024 на GTX 1070 с 8 ГБ видеопамяти. Модель подходит для создания фотореалистичных изображений по описаниям на английском языке. README указывает лицензию Apache 2.0 для компонентов. Основные ограничения: опубликованный GGUF содержит только диффузионную модель, поэтому сам по себе не запускается; стандартные GGUF-узлы ComfyUI могут вызывать ошибку несовпадения форм тензоров, а автор рекомендует использовать ZImagePowerNodes.

Карточка модели smskk/116k на Hugging Face совпадает с карточкой AgentAnon/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

CapCheck AI vs Human-Generated Image Detection — модель классификации изображений на базе Vision Transformer (ViT), дообученная на модели dima806/ai_vs_human_generated_image_detection. Она относит изображение к одному из двух классов: созданное человеком или сгенерированное ИИ. В README указаны входной размер 224 × 224 пикселя и обучение на более новом наборе данных, чем CIFAKE; метаданные каталога указывают архитектуру ViTForImageClassification и 113,2 млн параметров. Модель предназначена для проверки подлинности изображений, модерации контента и исследований детектирования синтетических изображений. По README, качество может снижаться на изображениях от новых генераторов, которых не было в обучающих данных, а сильное JPEG-сжатие ухудшает результаты. Предупреждения модели не следует использовать как единственное основание для важных решений или доказательств. Модель распространяется по лицензии Apache 2.0. README описывает её как разработку CapCheck на основе работы dima806; метаданные указывают базовую модель dima806/ai_vs_human_generated_image_detection.

AI-infinity-V1-fp16 — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка содержит демонстрационные изображения, но не сообщает сведения об авторе, архитектуре, размере или поддерживаемых языках. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

ConsisID-preview — модель генерации видео по текстовому описанию с сохранением идентичности персонажа, представленная в рамках проекта ConsisID. Она предназначена для создания коротких видеосцен, в которых внешний вид персонажа остаётся согласованным между кадрами; проект связан с работой, отмеченной как Highlight на CVPR 2025. Модель использует Diffusers и основана на объединении моделей семейства CogVideoX, включая THUDM/CogVideoX1.5-5B-I2V и THUDM/CogVideoX-5b, с последующим дообучением. В метаданных указаны форматы Diffusers, ONNX и safetensors; лицензия — Apache-2.0. В README приведён пример генерации 49 кадров, то есть примерно 6 секунд видео при 8 кадрах в секунду и разрешении 720×480. Качество результата зависит от подробности текстового запроса; авторы рекомендуют улучшать промпты. Для такого примера требуется около 44 ГБ видеопамяти без оптимизаций, а выгрузка частей модели в оперативную память снижает потребление памяти ценой скорости и возможного ухудшения качества. Репозиторий не сообщает поддержку других языков помимо английского, указанного в метаданных.

CyberIllustrious CyberRealistic v6.0 — модель генерации изображений по текстовым запросам, созданная Cyberdelia. Она объединяет CyberIllustrious и Illustrious-xl-early-release-v0 и предназначена для реалистичных и фотореалистичных изображений. Модель распространяется в форматах Diffusers и Safetensors и работает через StableDiffusionXLPipeline. Карточка и метаданные указывают на английский язык и поддержку генерации изображений по тексту. Лицензия обозначена как other; конкретные условия использования следует сверять с лицензией репозитория.

CyberRealistic XL v70 — дообученная модель генерации изображений, созданная Cyberdelia на базе cyberdelia/CyberRealisticXL. Она предназначена для создания фотореалистичных изображений по текстовым описаниям, включая портреты и сцены с детализированными чертами, естественными тонами и выразительным освещением. Модель использует Stable Diffusion XL и доступна в формате Diffusers с весами safetensors. Модель подходит для генерации реалистичных изображений и портретов по запросу на английском языке. Лицензия — CC0 1.0. Карточка модели не описывает специфические ограничения качества или безопасного использования.

BAAI/DreamBooth-AltDiffusion — модель генерации изображений по тексту, полученная дообучением мультиязычной AltDiffusion методом DreamBooth. Она связывает уникальный идентификатор с конкретным персонажем или другим объектом, используя небольшое количество изображений; в карточке приведён пример дообучения на фотографиях Наруто. Модель предназначена для генерации изображений этого объекта по текстовым запросам и демонстрирует вариант персонализированной генерации на базе AltDiffusion. AltDiffusion поддерживает девять языков, включая английский, китайский, испанский, французский, русский, японский, корейский, арабский и итальянский. Репозиторий содержит веса в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M. Карточка не приводит размер модели и длину контекста.

openart-custom разместил на Hugging Face модель DucHaiten-AIart-SDXL_v3 — конвейер Diffusers для генерации изображений по текстовому описанию. В карточке приведён пример использования StableDiffusionXLPipeline: текстовый запрос преобразуется в изображение. В репозитории указаны форматы Diffusers и Safetensors; карточка сообщает размер около 3 млрд параметров и тип тензоров F16. Сведения о конкретных стилях, обучении, языках, ограничениях и лицензии в карточке не заполнены, поэтому их нельзя надёжно определить.

Edge of Realism — модель генерации изображений по текстовому описанию, доступная через ModelsLab и размещённая в репозитории stablediffusionapi. Карточка демонстрирует вызов API с моделью edge-of-realism и настройками генерации: размер 512 × 512, 30 шагов диффузии и guidance scale 7,5. Пример промпта нацелен на детализированные портреты с реалистичными и художественными чертами. Модель принимает текстовый промпт и может использовать негативный промпт, чтобы задавать нежелательные элементы изображения. В примере также передаются параметры seed, embeddings и LoRA; README предлагает вызывать генерацию через API. Метаданные указывают на формат Diffusers/PyTorch с весами Safetensors и лицензию CreativeML OpenRAIL-M. Карточка не сообщает базовую модель, размер весов или длину контекста.

John6666/epicrealism-xl-v8kiss-sdxl — модель генерации изображений по текстовому описанию в формате Stable Diffusion XL, опубликованная пользователем John6666 на Hugging Face. Она предназначена для создания реалистичных и фотореалистичных изображений по текстовым запросам. Репозиторий использует Diffusers и Safetensors; на карточке Hugging Face указаны 3 млрд параметров и точность F16. Модель доступна по лицензии CreativeML OpenRAIL-M. Карточка демонстрирует генерацию изображения из текстового запроса через Diffusers. Подтверждённых сведений о поддерживаемых естественных языках и конкретных ограничениях качества карточка не содержит; доступность кода использования не гарантирует одинаковое качество для всех запросов.

FIBO — модель Bria AI для генерации изображений по тексту, ориентированная на профессиональные творческие и производственные процессы. Это модель на основе DiT с 8 млрд параметров, обученная на лицензированных данных исключительно на длинных структурированных описаниях в формате JSON. Для кодирования текста используется SmolLM3-3B, для VAE — Wan 2.2; архитектура DimFusion поддерживает работу с длинными описаниями. Модель предназначена для создания изображений с управляемыми параметрами освещения, композиции, цвета и камеры, а также для последовательного уточнения результата без нежелательного изменения других деталей. В режимах Generate, Refine и Inspire система может расширять короткие запросы в структурированные описания и использовать входное изображение как источник вдохновения. Для этой работы конвейер подключает VLM, например Gemini или упомянутую в README дообученную на базе Qwen-2.5 модель; часть функций может требовать отдельной VLM и API-ключа. README заявляет о высокой точности следования запросу и пригодности для профессиональных процессов, однако независимые показатели качества в предоставленных материалах не приведены. Открытые веса доступны для некоммерческого использования по отдельной лицензии; для коммерческого применения Bria предлагает отдельные условия.

F Lite Texture — вариант диффузионной модели F Lite, разработанный Freepik и Fal для генерации изображений по текстовым запросам с улучшенными текстурами и эстетикой. Базовая модель насчитывает 10 млрд параметров и создана на основе внутреннего набора Freepik примерно из 80 млн изображений, описанных разработчиками как безопасные с точки зрения авторских прав и предназначенные для аудитории SFW. Вариант распространяется в формате Diffusers с весами Safetensors и лицензией CreativeML OpenRAIL-M. Модель подходит для создания изображений с детализированными текстурами по развёрнутым запросам. Короткие запросы дают менее качественный результат, а модель хуже справляется с векторной графикой. Возможны визуальные искажения; возможности понимания текста ограничены, а результаты могут отражать предубеждения данных обучения.

Карточка модели exolabs/FLUX.1-Krea-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Krea-dev, поэтому описание составлено по ней. 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.

Карточка модели PierrunoYT/FLUX.1-Krea-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Krea-dev, поэтому описание составлено по ней. 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.

HunyuanVideo-1.5_I2V_480p-GGUF — это набор квантованных версий модели HunyuanVideo 1.5 I2V 480p, разработанной Tencent и опубликованной пользователем jayn7. Модель предназначена для генерации видео на основе изображения (image-to-video, I2V) с разрешением 480p. В репозитории доступны обычная и distilled-версия, а также варианты квантования Q4_K_S, Q8_0 и FP16. Модель работает с визуальным входом и генерирует видео; поддержка текстовых языков, точная архитектура, число параметров, длина контекста и другие технические характеристики в представленном README не указаны. Формат GGUF рассчитан на использование через ComfyUI-GGUF, а инструменты квантования и руководство связаны с llama.cpp и city96. К преимуществам относятся наличие уменьшенных квантованных вариантов и возможность локального запуска в совместимой среде, однако конкретные требования к оборудованию, качество разных вариантов и ограничения использования по README не описаны. Репозиторий следует той же лицензии, что и исходная модель Hunyuan Video 1.5 от Tencent; точное название и условия лицензии в README не приведены.

digiplay/Juggernaut_final — модель генерации изображений по текстовому описанию в формате Diffusers. Репозиторий содержит веса PyTorch в формате safetensors и предназначен для работы с StableDiffusionPipeline. Карточка показывает пример изображения, созданного через API Hugging Face, и ссылается на демонстрационные изображения исходного автора. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория и у правообладателя. В предоставленных данных нет сведений о размере модели, контексте или поддерживаемых языках.

frankjoshua/juggernautXL_version6Rundiffusion — модель генерации изображений по текстовому описанию из семейства Juggernaut XL, опубликованная пользователем frankjoshua на Hugging Face. Репозиторий содержит веса Safetensors для StableDiffusionXLPipeline и предназначен для запуска, например, через Diffusers. Модель принимает текстовый запрос и генерирует изображение. Карточка Hugging Face указывает размер 3 млрд параметров; подробной карточки с описанием обучения, рекомендуемыми сценариями, языками и лицензией у репозитория нет. Это производная версия семейства Juggernaut XL, связанного с RunDiffusion; базовую модель по доступным данным надёжно установить нельзя. Лицензионные условия в доступных сведениях не подтверждены.

Это модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Автором указан kiendt91495; карточка также содержит демонстрационное изображение автора, но не описывает архитектурные параметры, размер модели, поддерживаемые языки или особенности генерации. Репозиторий включает веса в формате safetensors и компоненты Diffusers. Модель предназначена для создания изображений по текстовым запросам. Указана лицензия other, поэтому конкретные условия использования следует проверять по файлам репозитория.

KOALA-Lightning-700M — модель генерации изображений по текстовому описанию от ETRI Visual Intelligence Lab. Она предназначена для создания изображений в художественных, дизайнерских и образовательных сценариях, а также для исследований генеративных моделей и их ограничений. Модель основана на латентной диффузии и использует компактный U-Net примерно на 782 млн параметров вместо U-Net SDXL; текстовые энкодеры сохранены от SDXL-Base-1.0. Заявлена генерация изображений размером 1024×1024, в том числе на потребительских GPU с 8 ГБ видеопамяти. По данным авторов, модель дистиллирована из SDXL-Lightning с акцентом на self-attention и генерирует изображение более чем в четыре раза быстрее SDXL на NVIDIA 4090. Модель может ошибаться в сложных запросах с несколькими атрибутами и плохо отображает длинный разборчивый текст внутри изображения. Она не предназначена для достоверного изображения людей или событий. Авторы указывают исследовательское назначение; лицензия в предоставленных данных не приведена.

Карточка модели MichaelXu123/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 KingGhidorah/LTX-2.3 на Hugging Face совпадает с карточкой eseedo/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она генерирует синхронизированные видео и аудио; семейство поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим аудио- или видеоданным, а эта версия в каталоге помечена как image-to-video. В карточке перечислены варианты модели на 22 млрд параметров: полная обучаемая версия dev и дистиллированные варианты для генерации за 8 шагов. Модель рассчитана на английские запросы; метаданные также отмечают немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки. Для видео ширина и высота должны делиться на 32, число кадров — иметь вид 8n+1. Модель может не точно следовать запросу, качество зависит от формулировки, а аудио без речи может быть низкого качества; возможна генерация оскорбительного или неподходящего контента. Лицензия указана как other, конкретные условия следует уточнять в репозитории.

10 Eros — производная модель BenBens0n для создания видео по исходному изображению на основе семейства LTX. Автор описывает её как отдельный вариант слияния весов для image-to-video: при слиянии использованы масштабирование слоёв и веса разных этапов, а не прямое объединение. Модель распространяется в формате safetensors; для BF16 и одного варианта FP8 указаны полные чекпойнты, также доступны раздельные файлы FP8 для Transformer. Модель предназначена для генерации видео, продолжая сцену с заданного первого кадра. Автор отмечает, что движения, изменения сцены и аудио следует явно задавать в запросе; модель слабо достраивает намерение самостоятельно. Карточка рекомендует осторожно применять крупные дистиллированные LoRA, поскольку они могут ухудшить результат дообучения, и предлагает условно безопасные варианты LoRA. Лицензия в предоставленных данных не указана.

Карточка модели MLXBits/ltx-2.3-10eros-v1.2-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.2-mlx-q8, поэтому описание составлено по ней. Это квантизированный MLX-порт модели LTX-2.3 10Eros v1.2, подготовленный для работы на компьютерах Apple Silicon. Модель разработана на основе дообученной TenStrip/LTX2.3-10Eros и предназначена для создания видео по текстовому описанию и исходному изображению; README также сообщает о поддержке аудиопайплайнов. В репозитории есть dev- и distilled-варианты трансформера, общие компоненты, апскейлеры и вокодер. Текстовый энкодер Gemma 3 12B не включён и загружается отдельно. Веса трансформерных блоков линейных слоёв квантизированы до int8 с размером группы 64; некоторые компоненты оставлены в bf16. Для запуска требуются Apple Silicon и ltx-2-mlx. Модель предназначена для взрослой аудитории и может создавать откровенный контент. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Это квантизированный MLX-порт модели LTX-2.3 10Eros v1.2, подготовленный для работы на компьютерах Apple Silicon. Модель разработана на основе дообученной TenStrip/LTX2.3-10Eros и предназначена для создания видео по текстовому описанию и исходному изображению; README также сообщает о поддержке аудиопайплайнов. В репозитории есть dev- и distilled-варианты трансформера, общие компоненты, апскейлеры и вокодер. Текстовый энкодер Gemma 3 12B не включён и загружается отдельно. Веса трансформерных блоков линейных слоёв квантизированы до int8 с размером группы 64; некоторые компоненты оставлены в bf16. Для запуска требуются Apple Silicon и ltx-2-mlx. Модель предназначена для взрослой аудитории и может создавать откровенный контент. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Карточка модели TechnoBaptist/LTX-2.3-N-v1.4-FP8 на Hugging Face совпадает с карточкой TheGladian/LTX-2.3-uncensored-v1.4-FP8, поэтому описание составлено по ней. LTX Video-2.3 Uncensored Turbo v1.4 — слитая сборка видеодиффузионной модели LTX-2.3 от Lightricks с дообучениями Eros10, DMD и In-Context LoRA Detailer, подготовленная автором TheGladian. Модель предназначена для генерации видео по тексту и изображениям, а также для сценариев с референсами и входным аудио. В карточке указаны режимы text-to-video, image-to-video, video-to-video и audio-to-video; заявлены генерация за 4 шага, сохранение сходства персонажа с исходным изображением и улучшенное следование инструкциям. В репозитории представлены GGUF-квантизации Q4_K_M, Q6_K и Q8_0, а также safetensors; метаданные указывают библиотеку GGUF. README приводит примеры до 1280 × 736 и 121 кадра, а в настройках рекомендует до 1280 × 720, 24 кадра в секунду и до 960 кадров. Для работы описана связка с текстовым энкодером Gemma 3 12B и проекциями CLIP. Сборка включает NSFW-настройку Eros10, поэтому рассчитана в том числе на взрослый контент; README упоминает наличие ограничителей против незаконного контента. Лицензия в метаданных обозначена как неизвестная, поэтому условия использования по карточке установить нельзя.