I.8Изображения и компьютерное зрение

I Can't Believe It's Not Photography — модель генерации изображений по текстовому описанию, опубликованная Yntec. Карточка содержит примеры промптов для создания реалистичных портретов и сцен, а также художественных иллюстраций с кинематографическим освещением и насыщенными деталями. Метаданные указывают на использование Diffusers и форматов Diffusers и safetensors; модель относится к семейству Stable Diffusion. Модель подходит для генерации портретов, персонажей и атмосферных сюжетных изображений по текстовому промпту. В README упоминается первая версия и предлагается ознакомиться с лицензией на исходной странице; метаданные обозначают лицензию как other, поэтому конкретные условия использования по доступным сведениям определить нельзя.

ICver6Lcocoswingpt250B1e — дообученная на наборе COCO модель VK246 для генерации текстового описания по изображению. Она построена на архитектуре vision-encoder-decoder: визуальный энкодер Swin обрабатывает изображение, а декодер GPT-2 формирует текст. В метаданных Hugging Face указана задача image-text-to-text и формат PyTorch. Модель предназначена для автоматического описания изображений и оценки качества таких описаний. В README приведены результаты на тестовом наборе: CIDEr 72,6054, ROUGE-1 41,2906 и BLEU-4 10,0894. Данных о поддерживаемых языках, размере модели и лицензии в предоставленных источниках нет.

Ideogram 4 FP8 — открытая модель генерации изображений по тексту от Ideogram, обученная с нуля. Это модель на основе flow matching и одно-поточного Diffusion Transformer с 34 слоями; для кодирования текста используется Qwen3-VL-8B-Instruct. Версия в этом репозитории содержит веса FP8, а семейство насчитывает 9,3 млрд параметров. Модель предназначена для создания иллюстраций и дизайн-материалов по описанию. Структурированные JSON-промпты позволяют задавать композицию, стиль, освещение, палитру и расположение элементов через координаты ограничивающих рамок. Среди заявленных особенностей — точная генерация текста внутри изображений и поддержка разрешений от 256 до 2048 пикселей с разными пропорциями сторон. Модель особенно подходит для плакатов, логотипов, баннеров и других изображений с надписями или заданной композицией. README заявляет поддержку многоязычного рендеринга текста, но не перечисляет конкретные языки. Для FP8-варианта указана поддержка оборудования «All», при этом таблица отмечает отсутствие поддержки Diffusers. Лицензия — Ideogram 4 Non-Commercial; для фильтрации промптов и результатов README описывает использование Hive.

LTX-2.3 10Eros v1.2 DMD MLX q8 — производная модель для генерации видео из текстового описания или изображения. Её подготовил reallusion4free на основе TenStrip/LTX2.3-10Eros: дистилляция JoyAI Echo DMD объединена с базовыми весами, после чего линейные слои трансформера квантованы до int8. Пакет предназначен для запуска через ltx-2-mlx на компьютерах Apple Silicon; архитектура относится к семейству AudioVideo. Веса трансформера занимают около 19,2 ГБ, дополнительно включены коннекторы и нейросетевой пространственный апскейлер. Текстовый энкодер Gemma 3 12B в пакет не входит и загружается отдельно. Модель рассчитана на создание видео по промпту и, согласно тегам, по изображению с текстовым управлением. Доступен только distilled-режим: пути dev-модели и режимы one-stage, two-stage и two-stages-hq недоступны. В README модель обозначена как предназначенная для взрослых; запрещается использовать её для незаконного контента и изображения реальных людей без согласия. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

Карточка модели Alea123/LTX-2.3-uncensored-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.

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.

Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

Карточка модели JSCreatorPro/offline-video-mochi-1 на Hugging Face совпадает с карточкой genmo/mochi-1-preview, поэтому описание составлено по ней. Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

PeachMixsRelistic_R0 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Репозиторий опубликован пользователем digiplay; в README приведено только упоминание демонстрационного изображения исходного автора, без описания происхождения или обучения модели. Модель предназначена для создания изображений по текстовым запросам. Доступные файлы представлены в форматах Diffusers, PyTorch и Safetensors; лицензия указана как other, поэтому условия её использования следует сверить с лицензией в репозитории.

Photorealistic Slider SDXL — LoRA-модель, разработанная ostris для Stable Diffusion XL. Она предназначена для text-to-image генерации изображений на базе stabilityai/stable-diffusion-xl-base-1.0 и позволяет управлять уровнем фотореализма результата. Модель рассчитана только на SDXL. Указанный диапазон веса составляет от 0 до 5,0: увеличение веса делает изображения более реалистичными, а уменьшение может приводить к менее реалистичным результатам, включая мультяшный или живописный вид. По заявлению автора, LoRA особенно полезна для промптов, которые из-за необычного или сложного содержания склонны превращаться в мультфильм; изображения в примерах создавались без использования refiner. В README не указаны размер модели, поддерживаемые языки, максимальная длина контекста и дополнительные модальности. Лицензия обозначена как other, без уточнения условий использования, поэтому точные права и ограничения необходимо проверять отдельно.

PotoPhotoRealism_v1 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Карточка содержит демонстрационные изображения исходного автора, но не сообщает разработчика, размер модели, базовый чекпойнт, архитектуру точнее семейства Stable Diffusion, языки или рекомендованные сценарии использования. Модель принимает текстовые запросы и создаёт изображения. Репозиторий содержит файлы в форматах Diffusers, PyTorch и SafeTensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в файлах репозитория.

John6666/prefect-illustrious-xl-v3-sdxl — модель генерации изображений по текстовому запросу на базе Stable Diffusion XL, опубликованная John6666; в карточке указан Goofy_Ai как создатель исходной модели. Это объединение NoobAI-XL-1.1 и Illustrious-XL-v1.0, предназначенное в том числе для создания стилизованных аниме-изображений и настройки освещения, текстур и цветового баланса. Модель доступна в формате Diffusers с весами Safetensors, использует StableDiffusionXLPipeline и содержит около 3 млрд параметров. Принимает текстовые промпты на английском языке и генерирует изображения. Карточка не приводит подробных оценок качества или специфических ограничений применения. Указана лицензия faipl-1.0-sd; условия использования следует сверять с текстом этой лицензии и лицензиями базовых моделей.

Protogen x5.3 — модель генерации изображений по текстовому описанию от darkstorm2150, основанная на Stable Diffusion 1.5 и дообученная на основе darkstorm2150/Protogen_x3.4_Official_Release. Она ориентирована на фотореалистичные изображения людей и окружения; автор отмечает улучшенную генерацию при разрешении от 768 до 1024 пикселей и пригодность для дальнейшей настройки в стиле DreamBooth. Модель принимает текстовые запросы и создаёт изображения. Доступны веса в форматах Diffusers, PyTorch и Safetensors, включая версии в fp16. Для лицензии CreativeML OpenRAIL-M действуют условия использования, приведённые в самой лицензии. Карточка предупреждает о склонности модели к откровенным изображениям и рекомендует добавлять nude и naked в негативный запрос, если такой контент нежелателен. Указанные характеристики генерации основаны на описании автора и не сопровождаются в карточке количественной оценкой качества.

mlx-community/Qwen3.5-2B-6bit — модель, преобразованная в формат MLX из Qwen/Qwen3.5-2B с использованием mlx-vlm версии 0.3.12. Разработчиком исходной модели является Qwen; конкретные сведения о команде или организации-разработчике в предоставленной карточке не уточняются. Модель предназначена для мультимодальных задач, связанных с обработкой изображений и текста, включая генерацию текстового описания изображения. Она совместима с библиотекой mlx-vlm и ориентирована на запуск в экосистеме MLX. В карточке указано, что это 6-битная версия модели объёмом 2B параметров, однако архитектура, поддерживаемые языки, размер контекста и полный перечень возможностей не описаны. Сильной стороной модели является адаптация к формату MLX и поддержка сценариев image-text-to-text. Ограничения по качеству, производительности, используемым модальностям и применению в конкретных языках из предоставленных данных определить нельзя. Модель распространяется по лицензии Apache-2.0.

jzli/realcartoonXL-v6 — модель генерации изображений по текстовому описанию в стиле мультфильмов и реалистичной иллюстрации, построенная на Stable Diffusion XL и предназначенная для запуска через Diffusers. Она принимает текстовые запросы и создает изображения; репозиторий использует формат safetensors. Карточка предлагает запуск модели и доступ к API, но не приводит дополнительных сведений о разработчике, размере, контексте или поддерживаемых языках. Условия лицензии в предоставленных данных не описаны.

RealVisXL V2.01 — модель генерации изображений по текстовому описанию от SG161222, основанная на Stable Diffusion XL. Она предназначена для создания фотореалистичных изображений; автор отмечает, что модель может создавать как изображения общего характера, так и материалы для взрослой аудитории. Репозиторий содержит веса в формате safetensors для использования с Diffusers. Автор указывает, что на момент публикации модель всё ещё обучалась и могла давать артефакты или слабые результаты в отдельных случаях. В README приведены рекомендуемые параметры генерации и увеличения разрешения. Лицензия — OpenRAIL++.

RealVisXL V3.0 — модель генерации изображений по текстовому описанию, опубликованная SG161222 и построенная на Stable Diffusion XL. Она ориентирована на создание фотореалистичных изображений; автор отмечает, что модель всё ещё находится в процессе обучения и в некоторых случаях может давать артефакты или слабые результаты. По карточке, она способна создавать изображения как безопасного, так и откровенного содержания. Репозиторий содержит веса в формате Diffusers и SafeTensors. Модель подходит для генерации реалистичных изображений по текстовым запросам и настройки результата параметрами семплирования и увеличения разрешения. В README рекомендованы 15–30 шагов и метод DPM++ SDE Karras. Лицензия — OpenRAIL++; применяйте модель с учётом её условий. Автор предупреждает, что это не финальная версия.

RealVisXL V3.0 Turbo — модель генерации изображений от SG161222, предназначенная для создания фотореалистичных изображений по текстовым запросам. Репозиторий содержит модель для Stable Diffusion XL в форматах Diffusers и Safetensors. Автор описывает её как модель, способную создавать изображения приемлемого качества, и приводит рекомендуемые параметры генерации: от 4 шагов, метод DPM++ SDE Karras и CFG 1,5–3. Модель рассчитана на создание изображений как безопасного, так и откровенного содержания. В README сказано, что на момент публикации модель ещё обучалась, не являлась финальной версией и могла давать артефакты или низкое качество в отдельных случаях. Лицензия репозитория — OpenRAIL++.

Semireal v2.8 — модель генерации изображений, созданная дообучением Stable Diffusion 1.5. Она предназначена для создания изображений по текстовым описаниям; репозиторий использует библиотеку Diffusers и содержит веса в форматах PyTorch и Safetensors. В тегах модели указаны реалистичная стилистика и английский язык. Модель распространяется по лицензии GPL-3.0. В карточке не приведены сведения о размере модели, длине контекста или конкретных ограничениях качества.

SDXL-Turbo — генеративная модель преобразования текста в изображение, разработанная Stability AI. Она предназначена для быстрого создания изображений по текстовому запросу и может выдавать результат за один проход сети. Модель дистиллирована из SDXL 1.0 Base методом Adversarial Diffusion Distillation. Обычно достаточно одного шага генерации; предпочтительный размер изображения — 512×512 пикселей. Карточка описывает также режим image-to-image. Модель не использует guidance_scale и negative_prompt. SDXL-Turbo подходит для художественных и дизайнерских задач, творческих и образовательных инструментов, а также экспериментов с генерацией изображений в реальном времени. Она не предназначена для достоверного изображения людей или событий. Модель не всегда создаёт правдоподобные лица и людей, не умеет надёжно отображать читаемый текст, не обеспечивает идеальный фотореализм; автоэнкодер вносит потери. README указывает на коммерческое и некоммерческое применение, но условия лицензии отсылают к отдельным правилам Stability AI; в метаданных лицензия обозначена как other.

Singularity-LTX-2.3_OmniCine_V1 — модель генерации видео от автора WarmBloodAban, основанная на LTX-Video 2.3 и ориентированная прежде всего на преобразование изображения в видео. Она также поддерживает генерацию видео по текстовому описанию, управление первым и последним кадрами и сценарий Reference-to-Video, при котором модель извлекает особенности персонажей и художественный стиль из референсного изображения и создаёт новые ракурсы и композиции. Модель предназначена для создания кинематографичных сцен с динамичным движением, управляемыми монтажными переходами и изменениями камеры, а также для анимации персонажей, экшен-сцен, спортивных эпизодов, киберпанка, превращений, магии и монстров. Заявлены улучшения анатомии конечностей, физической согласованности объектов и окружения, выразительности лиц и синхронизации губ во время речи. Модель рассчитана на широкий диапазон визуальных стилей, включая 2D-аниме, 3D CGI и гиперреализм. В README не указаны точный размер модели, детальная архитектура, максимальная длина контекста, перечень поддерживаемых языков и конкретные системные требования. Также заявлено, что обучение выполнено примерно на 100 000 шагов с учётом накопления градиента, поэтому характеристики и качество могут зависеть от сценария и настроек генерации. Распространение разрешено по лицензии Apache-2.0.

friedrichor/stable-diffusion-2-1-realistic — модель генерации и редактирования изображений по текстовому описанию, созданная дообучением Stable Diffusion 2.1 разработчиком friedrichor. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H; веса доступны в форматах Diffusers и safetensors. Модель рассчитана на создание реалистичных изображений, в том числе фотографических портретов и сцен, по англоязычным промптам. Она была дообучена на 120 парах изображений и текстовых описаний из friedrichor/PhotoChat_120_square_HQ; автор отмечает, что работа над ней велась как частью проекта Tiger для генерации ответов в мультимодальном диалоге. Для использования указан Diffusers. Лицензия — CreativeML Open RAIL++-M. Небольшой размер набора дообучения ограничивает основания ожидать широкую универсальность или стабильное качество за пределами близких к данным сценариев. Примеры автора рекомендуют подробные промпты и негативные подсказки для улучшения результата.

StreetCLIP — модель семейства CLIP, разработанная авторами исследования Lukas Haas, Silas Alberti и Michal Skreta для геолокализации изображений и задач, связанных с географией и климатом. Она построена на OpenAI CLIP ViT-L/14-336 и дообучена с помощью синтетических подписей, созданных из меток классов по специализированному шаблону. Модель обучалась на 1,1 млн геотегированных уличных изображений городской и сельской местности из 101 страны. StreetCLIP сопоставляет изображения с текстовыми описаниями и поддерживает классификацию без дополнительного обучения. Её можно использовать для оценки страны, региона или города, откуда происходит изображённая сцена, а также дообучать для анализа зданий, инфраструктуры и природной среды. Английский язык указан в карточке; модель принимает изображения и текстовые метки, а выдаёт оценки соответствия изображения классам. В карточке сообщается о сильных результатах на тестах IM2GPS и IM2GPS3K. Обучающие данные смещены в сторону западных стран и не включают Индию и Китай, поэтому качество может различаться в зависимости от региона и типа изображений. Авторы не рекомендуют применять модель для геолокации личных фотографий пользователей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Switti — генеративная модель Yandex Research для создания изображений по текстовому описанию. Её архитектура использует scale-wise transformer: генерация выполняется по масштабам изображения. Модель предназначена для синтеза изображений по текстовым запросам. В README приведено сравнение пользовательских предпочтений к Switti и конкурирующим моделям по разным аспектам, но численные результаты и подробности оценки в доступном тексте не раскрыты. Репозиторий содержит веса в формате safetensors; метаданные указывают поддержку английского языка. Условия лицензирования в предоставленных данных не описаны.

PAIR/text2video-zero-controlnet-canny-arcane — модель генерации изображений и видео на основе Text2Video-Zero и DreamBooth-весов для стиля Arcane. Компоненты Text2Video-Zero разработали Левон Хачатрян, Андраник Мовсисян, Ваграм Тадевосян, Роберто Хеншель, Чжанъян Ван, Шант Навасардян и Хамфри Ши; исходные DreamBooth-веса стиля Arcane создал Quiet_Joker. Модель доступна в формате Diffusers/PyTorch. Она предназначена для генерации видео по английскому текстовому описанию с управлением по контурам Canny, а также для генерации изображений с тем же стилем и управлением. Подходит для стилизованных роликов и кадров, где нужно согласовать содержание запроса с заданными очертаниями. Карточка указывает лицензию CreativeML OpenRAIL-M; отдельные ограничения генерации и длина контекста не описаны.

Карточка модели weizhou03/Wan2.1-Fun-1.3B-InP-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P-Diffusers, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — модель генерации видео из изображения, разработанная командой Wan-AI. Это 14-миллиардная модель семейства Wan2.1 в формате Diffusers, построенная на архитектуре diffusion transformer и использующая пространственно-временной вариационный автокодировщик Wan-VAE. Модель предназначена для создания видеороликов разрешением 480p на основе входного изображения и текстового описания движения или сцены; при генерации сохраняется соотношение сторон исходного изображения. Модель входит в открытую линейку видеогенерации Wan2.1. Семейство поддерживает работу с китайским и английским текстом, однако карточка этого варианта описывает именно генерацию видео из изображения. Для запуска доступны сценарии Diffusers и мног GPU-инференс. Лицензия репозитория — Apache 2.0. Вариант 480p ориентирован на сочетание скорости и качества при генерации видео. Запуск 14B-модели требует значительных вычислительных ресурсов; README описывает использование выгрузки модели с GPU и мног GPU-инференса. Результат зависит от исходного изображения и текстового запроса.

magespace/Wan2.1-I2V-14B-480P-Lightning-Diffusers — вариант Wan2.1 Image-to-Video с оптимизациями Lightx2v, разработанный для быстрого создания видео 480p по исходному изображению. Модель использует диффузионную архитектуру Transformer и предназначена для преобразования статичного изображения в видеоклип; параметры генерации позволяют сохранять соотношение сторон исходного изображения. Модель доступна в формате Diffusers с весами Safetensors и распространяется по лицензии Apache-2.0. В карточке заявлены английский и китайский языки. README описывает Lightx2v как дистиллированную и оптимизированную версию Wan2.1 для ускоренной генерации, однако не приводит конкретных параметров ускорения или результатов оценки именно этого репозитория. Модель подходит для создания коротких видеосцен из изображений и прототипирования видеоконтента. Ограничения включают целевое разрешение 480p и зависимость результата от исходного изображения и текстового промпта; точные требования к оборудованию для этой версии в предоставленных данных не приведены.

Карточка модели DEAD002/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели portbreeze1223/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Wan-AI Wan2.1-T2V-1.3B-Diffusers — модель генерации видео по текстовому описанию из семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с пространственно-временным VAE; данный репозиторий содержит вариант на 1,3 млрд параметров в формате Diffusers и Safetensors. Модель предназначена для создания коротких видеороликов по текстовым запросам. В README указана генерация видео 480p и 720p; для 1,3B-варианта рекомендуется 480p, поскольку результаты при 720p менее стабильны. Заявлена поддержка создания видимого текста на английском и китайском языках. Для генерации 5-секундного видео 480p README приводит ориентир около 8,19 ГБ видеопамяти и примерно четырёх минут на RTX 4090 без оптимизаций. Модель подходит для творческих задач и прототипирования видеоконтента, в том числе на потребительских GPU. Лицензия — Apache-2.0. Дополнительное расширение текстового запроса может улучшать детализацию, но требует отдельной модели или внешнего сервиса; качество генерации на 720p менее стабильно, чем на 480p.