I.8Изображения и компьютерное зрение

Модель dhansmair/flamingo-mini — модель семейства Flamingo, обученная для создания текстовых описаний изображений. Разработчик карточки указывает обучение на датасете Conceptual Captions 3M; в метаданных архитектура обозначена как FlamingoModel, а формат весов — PyTorch. Модель предназначена для генерации подписи к изображению. Данные подтверждают поддержку английского языка и лицензию Apache-2.0. Размер модели и длина контекста не указаны.

F Lite 7B — диффузионная модель генерации изображений по тексту, разработанная Freepik и Fal. Модель содержит 7 млрд параметров и получена дистилляцией F Lite; по заявлению разработчиков, она обеспечивает сопоставимое с более крупной моделью качество изображений при меньших затратах времени и памяти. Модель предназначена для создания изображений по описательным запросам. Она ориентирована на безопасную для авторских прав генерацию и контент без откровенных материалов. Для лучших результатов рекомендуется использовать подробные промпты и генерировать изображения размером более одного мегапикселя. Репозиторий распространяется в формате Diffusers с весами Safetensors; лицензия — CreativeML Open RAIL-M. Ограничения включают возможные искажения объектов, слабую отрисовку текста внутри изображений и потенциальные социальные и эстетические предубеждения. Короткие запросы и низкое разрешение могут ухудшать результат.

GIT-large-COCO — модель семейства GenerativeImage2Text, разработанная Microsoft и дообученная на наборе COCO. Это декодер Transformer, который использует визуальные токены изображения, полученные с помощью CLIP, и предыдущие текстовые токены для последовательной генерации текста. Размер модели — 80,1 млн параметров; в метаданных указан контекст длиной 1024 токена. Основное назначение этого чекпойнта — создание подписей к изображениям. Архитектура GIT также подходит для визуальных вопросов и ответов и генерации текстовых меток классов, однако README рекомендует эту версию прежде всего для описания изображений. Карточка сообщает о дообучении на COCO; языковая метка модели — английский. Модель принимает изображение и выдаёт текст. Она не предназначена для генерации изображений, а качество ограничено обучающими данными и задачей подписи: подробные рассуждения о сложных сценах не заявлены. Распространяется по лицензии MIT.

HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

unsloth/InternVL3-2B-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF при участии Unsloth. Она предназначена для обработки изображений и текста: визуального восприятия и рассуждений, анализа промышленных изображений, GUI-агентов, использования инструментов и задач 3D-восприятия. Модель поддерживает мультиязычные сценарии, однако конкретный перечень языков в карточке не указан. Архитектура построена по схеме ViT-MLP-LLM и включает vision-компонент InternViT-300M-448px-V2_5, MLP-проектор и языковую часть Qwen2.5-1.5B; общий размер базовой модели обозначен как 2B параметров. Модель является дообученной версией OpenGVLab/InternVL3-2B и обучалась с использованием датасета OpenGVLab/MMPR-v1.2. Карточка не указывает размер контекста и точную схему квантования GGUF. К сильным сторонам относятся мультимодальность, сочетание визуального анализа с языковым пониманием и сравнительно компактный размер, удобный для локального запуска в совместимых инструментах. Ограничениями являются небольшой размер языковой части по сравнению с более крупными вариантами семейства, отсутствие подробных сведений о производительности, поддерживаемых языках и контекстном окне, а также возможные потери качества из-за квантования. В метаданных указана лицензия Apache-2.0, но также приведено обозначение qwen и ссылка на лицензию Qwen, поэтому условия распространения следует дополнительно проверить перед использованием.

QuantStack/LTX-2.3-GGUF — квантованная в формате GGUF версия модели LTX-2.3, разработанной Lightricks. Модель предназначена для генерации и преобразования видео и аудио на основе текста, изображений и видеоматериалов: поддерживаются сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместная генерация аудио и видео. В состав решения входят основная модель LTX-2.3, текстовый энкодер Gemma 3, модуль Text Projection и общие VAE-компоненты для видео и аудио. Указаны языки: английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Модель интегрируется с ComfyUI; квантование в GGUF может упростить развёртывание и снизить требования к ресурсам, однако README не содержит сведений о размере модели, точном контекстном окне, требованиях к памяти, качестве и производительности. Основные ограничения и условия использования определяются исходной моделью Lightricks/LTX-2.3: для GGUF-версии сохраняются все оригинальные лицензионные условия и ограничения. Указана лицензия ltx-2-community-license-agreement; подробности приведены в LICENSE проекта LTX-2.

QuantStack/LTX-2-GGUF — это квантованная версия модели LTX-2 от Lightricks, преобразованная в формат GGUF. Модель предназначена для генерации и преобразования видео и аудио, включая сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio и совместной генерации аудио и видео по тексту или изображению. Модель рассчитана на использование в ComfyUI и требует нескольких компонентов: основной модели LTX-2 в формате GGUF, текстового энкодера Gemma 3, Embeddings Connector и Qwen-Image VAE для видео и аудио. В метаданных заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Размер модели, точная архитектура, модальности входов и выходов в технических деталях, а также размер контекстного окна в README не указаны. К сильным сторонам относятся поддержка широкого спектра мультимодальных задач и более компактный квантованный формат GGUF. Ограничения связаны с необходимостью устанавливать дополнительные компоненты и использовать совместимую конфигурацию ComfyUI; характеристики квантования и влияние на качество в README не раскрыты. Модель распространяется по лицензии LTX-2 Community License Agreement, при этом для квантованной версии сохраняются все исходные условия и ограничения лицензирования.

digiplay/majicMIX_realistic_v4 — модель Stable Diffusion для генерации реалистичных изображений по текстовым запросам. Репозиторий представлен в форматах Diffusers, PyTorch и Safetensors. Карточка содержит пример изображения, созданного через API Hugging Face, но не описывает обучение, точную архитектуру или рекомендуемые сценарии. Метаданные указывают задачу text-to-image; лицензия обозначена как other, поэтому условия использования следует сверить с файлами и сведениями в репозитории.

Realistic Vision — модель генерации изображений по текстовому описанию, представленная StableDiffusionAPI и доступная через API ModelsLab. В карточке показан сценарий создания фотореалистичного портрета с настройкой отрицательного промпта, размера изображения, числа шагов генерации и guidance scale; также упомянуты параметры улучшения промпта, апскейлинга, panorama и подключения LoRA или embeddings. Модель предназначена для генерации реалистичных изображений из текстовых запросов. Метаданные указывают форматы Diffusers и PyTorch, а лицензию CreativeML OpenRAIL-M. Пример API-запроса использует изображение 512×512 и 30 шагов; это параметры примера, а не заявленные ограничения модели.

Veritone/siglip2-base-patch16-384-text — текстовая башня модели SigLIP 2 Base, представленная Veritone как облегчённая копия google/siglip2-base-patch16-384. Она кодирует текстовые запросы в общее пространство эмбеддингов с изображениями и рассчитана на отдельную загрузку при поиске, когда в индексирующей части используется соответствующая модель Veritone/siglip2-base-patch16-384-vision. Такое разделение позволяет загружать только нужную башню и экономить память и время загрузки. Модель предназначена для текстовой стороны поиска по изображениям и классификации изображений по кандидатным текстовым меткам без отдельного обучения на этих метках. SigLIP 2 использует единый рецепт предобучения для улучшения семантического понимания, локализации и плотных визуальных признаков; исходная модель предобучена на WebLI. Карточка не указывает языковую специализацию текстовой башни, поэтому конкретные поддерживаемые языки не заявляются. Репозиторий содержит только текстовую башню, поэтому сам по себе не принимает изображения: для сопоставления нужны эмбеддинги изображений, полученные совместимой визуальной башней. Модель распространяется по лицензии Apache-2.0.

SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

SoM-LLaVA-v1.5-13B — мультимодальная модель на базе LLaVA-v1.5, дообученная на данных в стиле SoM с вопросами и перечислением объектов. Карточка не называет разработчика отдельно; она описывает модель как вариант LLaVA-v1.5. В метаданных указана архитектура LlavaLlamaForCausalLM, около 12,9 млрд параметров и контекст 4096 токенов. Модель предназначена для ответов на вопросы об изображениях, включая визуальные подсказки в виде тегов с идентификаторами объектов, например запросы об объекте с заданным номером. По README, улучшены результаты на визуально-языковых бенчмарках POPE, MME, SEED, MM-Vet и LLaVA-Wild, в том числе для изображений без тегов. Для обучения и оценки рекомендуется официальный репозиторий LLaVA. Вход включает текст и изображения, выход — текст. Файлы опубликованы в формате Safetensors. Лицензия в предоставленных данных не указана, поэтому условия распространения и использования по ним определить нельзя. README не приводит конкретных численных результатов бенчмарков или ограничений точности.

TF-ID-large — модель компьютерного зрения, разработанная Yifei Hu для поиска таблиц и рисунков на страницах научных статей. Это версия семейства TF-ID с 0,77 млрд параметров, дообученная на контрольных точках Microsoft Florence-2. На вход подаётся изображение одной страницы статьи; модель возвращает рамки объектов и их метки, включая подписи к таблицам и рисункам. Модель предназначена для извлечения структурных элементов научных публикаций и подготовки страниц к дальнейшему разбору или индексации. В проверке на 258 страницах статей вне обучающей выборки корректный результат получен для 253 страниц (98,06%); при этом возможны лишние или дробящие один объект рамки. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — MIT.

UForm-Gen — компактная генеративная модель «зрение—язык» от Unum Cloud для понимания изображений и создания текстовых ответов о них. Она сочетает визуальный энкодер uform-vl-english с языковой моделью Sheared-LLaMA-1.3B, настроенной на наборы инструкций; размер модели в карточке указан как 1,5 млрд параметров. Модель предназначена прежде всего для создания подписей к изображениям, краткого описания их содержимого и ответов на вопросы по изображению. Поведение можно направлять текстовыми запросами. Обучение включало MSCOCO, SBU Captions, Visual Genome, VQAv2, GQA и внутренние наборы данных. В README приведены результаты оценки на VQAv2 и показатели скорости генерации на RTX 3090; они не гарантируют аналогичное качество на других данных и оборудовании. Модель принимает изображения и текстовые инструкции, выдаёт текст; заявленный язык — английский. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0.

Image-Captioning-ML/Vit-GPT2-COCO2017Flickr-115k-12 — дообученная модель для создания текстовых описаний изображений. Она использует архитектуру vision-encoder-decoder: визуальный вход обрабатывается энкодером, а текст генерирует декодер. В метаданных указан формат safetensors и лицензия Apache-2.0. Модель подходит для автоматического создания коротких подписей к изображениям и генерации описаний для наборов фотографий. README приводит результаты оценки: длина генерации около 11,93 токена, loss 0,5262, ROUGE-1 40,547, ROUGE-2 14,9559 и ROUGE-L 36,6474. Базовая модель указана как NourFakih/Vit-GPT2-COCO2017Flickr-115k-12. Данные дообучения в README названы неизвестными, поэтому результаты нельзя уверенно переносить на другие типы изображений; языки генерации также не описаны.

Ateeqq/ai-vs-human-image-detector — модель классификации изображений, дообученная на базе SigLIP 2 для различения изображений, созданных ИИ, и изображений, созданных человеком. Для обучения использовалось по 60 000 изображений каждого типа; в карточке сообщается точность 99,23% и F1 99,23% на тестовом наборе. Модель подходит для предварительной проверки изображений в пользовательских загрузках, модерации и исследовательского анализа происхождения изображений. Модель использует архитектуру SigLIP для классификации изображений и распространяется в формате Safetensors через Transformers. В README пользователи сообщают о случаях переобучения, поэтому результаты на тестовом наборе не гарантируют такую же точность на новых источниках изображений. Лицензия — Apache-2.0.

ChartMoE — мультимодальная модель с архитектурой Mixture of Experts и коннектором на основе InternLM-XComposer2, разработанная командой IDEA-FinAI. Она предназначена для понимания диаграмм и графиков, их перерисовки, редактирования, выделения элементов и преобразования. Модель содержит 7,4 млрд параметров, принимает изображения и текст и формирует текстовые ответы; для загрузки используется библиотека Transformers с поддержкой пользовательского кода. Контекст составляет 32 768 токенов. Модель представлена на ICLR 2025 и отмечена как устный доклад. Лицензия — Apache 2.0.

Searchium обучила эту модель CLIP4Clip на первых 150 000 парах видео и текстовых описаний из WebVid. Она основана на CLIP ViT-B/32 и реализует подход из работы «CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval». Модель предназначена для поиска видео по текстовому запросу в больших коллекциях: она сопоставляет текст и видеоклипы, чтобы находить наиболее релевантные результаты. Для подготовки эмбеддингов видео README указывает на отдельную процедуру предобработки и ноутбук; веса доступны в форматах PyTorch и safetensors. В описанной авторами оценке на отложенных примерах WebVid модель показала Recall@1 50,74, Recall@5 77,30 и Recall@10 85,05. Эти результаты относятся к конкретному набору данных и протоколу оценки и не гарантируют аналогичного качества на других коллекциях. Лицензия в предоставленных данных не указана.

CLIP-fa-text — текстовый энкодер персидской версии CLIP, созданной разработчиком Sajjad Ayoubi. Модель дообучена на 400 тысячах пар «изображение — текст»; в качестве текстового энкодера использована RoBERTa-fa Фарахани. Архитектура — RoBERTa, около 145,5 млн параметров, контекст — 514 токенов. Репозиторий содержит веса PyTorch. Модель преобразует персидский текст в векторы размерности 768, сопоставимые с векторами изображений, получаемыми парным визуальным энкодером CLIP-fa. Это позволяет искать изображения по персидскому запросу и находить текстовые описания, близкие к изображению, в системах поиска и сопоставления мультимодальных данных. В карточке показан текстовый компонент; сам он принимает текст и выдаёт векторные признаки. Разработчик отмечает, что для обучения использовано меньше пар, чем для исходного CLIP, поэтому качество зависит от задачи и набора изображений. Лицензия в предоставленных сведениях не указана.

emilianJR/majicMIX_realistic_v5_preview — версия в формате Diffusers контрольной точки Stable Diffusion от emilianJR для генерации реалистичных изображений по текстовым запросам. Модель запускается через StableDiffusionPipeline из библиотеки Diffusers и предназначена для сценариев text-to-image. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. В карточке указан английский язык. Точные размер модели и длина контекста не приведены. Качество генерации зависит от формулировки запроса и настроек запуска; сведения о специальных ограничениях или гарантиях качества в карточке отсутствуют.

MAGAer13/mplug-owl-bloomz-7b-multilingual — мультиязычная модель семейства mPLUG-Owl для описания изображений и ответов на вопросы по ним. Карточка показывает, что модель использует архитектуру mPLUG-Owl и распространяется в формате PyTorch; разработчик модели в доступных сведениях не описан. Модель предназначена для сценариев, где нужно получить текстовое описание изображения или извлечь сведения из него с помощью вопросов на естественном языке. В метаданных указана поддержка английского, китайского, французского и японского языков, а также мультиязычность. Лицензия — Apache-2.0. Данные о числе параметров и длине контекста не приведены.

opencode-r2 — модель компьютерного зрения, дообученная на базе facebook/detr-resnet-50 для анализа страниц исторических газет и периодических изданий. Она обнаруживает объекты и возвращает для них классы и ограничивающие рамки в формате COCO: фотографии, иллюстрации, карты, комиксы и карикатуры, редакционные карикатуры, заголовки и объявления. Модель обучена на наборе Beyond Words от Library of Congress: 2 846 обучающих и 712 проверочных примеров. На проверочной выборке COCO mAP при IoU от 0,5 до 0,95 составила 0,2842, а AP при IoU 0,5 — 0,4189. Веса представлены в формате safetensors; лицензия — Apache-2.0. Модель подходит для разметки и поиска визуальных и редакционных элементов в оцифрованной исторической прессе. Обучение проводилось с ограниченным бюджетом на одной GPU; качество заметно различается между классами, а для очень мелких текстовых блоков точность зависит от разрешения изображения.

Карточка модели bingoman21/SkyReels-V3-A2V-19B на Hugging Face совпадает с карточкой Skywork/SkyReels-V3-A2V-19B, поэтому описание составлено по ней. SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

Xenova/trocr-small-handwritten — версия модели microsoft/trocr-small-handwritten с весами в формате ONNX, подготовленная для работы через библиотеку Transformers.js. Модель предназначена для оптического распознавания рукописного текста: на вход подаётся изображение, а на выходе генерируется распознанная текстовая строка. Модель относится к семейству TrOCR и использует задачу image-to-text. В README не указаны точные сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Пример демонстрирует распознавание короткой английской рукописной фразы, однако полноценный перечень языков и ограничений качества не приведён. Основное преимущество модели — совместимость с Transformers.js и возможность использования ONNX-весов в веб-сценариях. Лицензия в предоставленных данных не указана.

VARCO-VISION-14B — мультимодальная модель NC Research, разработанная командой Multimodal Generation Team. Это англо-корейская модель для работы с изображениями и текстом, построенная по архитектуре LLaVA-OneVision на основе Qwen/Qwen2.5-14B-Instruct и визуального энкодера google/siglip-so400m-patch14-384. Модель содержит 14 млрд параметров, принимает одно изображение вместе с текстовым запросом и генерирует текстовый ответ. Контекст — до 32 768 токенов. Модель предназначена для диалога по изображениям, распознавания текста на изображениях (OCR), локализации объектов и ответов на вопросы об объектах с учётом их расположения. Для задач grounding и referring можно задавать специальные маркеры, связанные с объектами и ограничивающими рамками. README сообщает о четырёх этапах обучения: предварительном выравнивании признаков, базовом и расширенном supervised fine-tuning и оптимизации предпочтений. Модель поддерживает английский и корейский языки. README указывает, что версия 2.0 выпущена и рекомендует использовать её вместо этой версии; демо больше недоступно. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Разработчики обозначают модель как предназначенную для исследований.

Модель Swedish Lion OCR разработана Национальным архивом Швеции. Это модель сегментации экземпляров YOLO26s, которая выделяет текстовые области в исторических рукописных документах. Она предназначена для этапа HTR-процесса: после выделения областей можно определить строки текста и передать их модели распознавания рукописного текста для транскрибирования страниц. Модель обучена на размеченном наборе из 31 000 страниц исторического шведского рукописного текста, содержащем около 1,7 млн строк. Для загрузки и применения в README указана библиотека Ultralytics. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0. Карточка не сообщает точность на тестовых данных или ограничения по типам документов, поэтому качество на других языках и стилях письма не установлено.

thwri опубликовал дообученную версию Florence-2-large от Microsoft. Модель обучена на подмножестве из 38 000 изображений датасета Ejafa/ye-pop; обучающие подписи были созданы с помощью THUDM/cogvlm2-llama3-chat-19B. Модель предназначена для создания текстовых описаний изображений и может использоваться для автоматического составления подписей к изображениям. Она основана на архитектуре Florence-2, работает с изображениями и выдаёт текст. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — MIT. Карточка не приводит оценок качества или подробностей о контексте применения; описание не позволяет судить о надёжности модели на разных типах изображений.

Карточка модели xyn-ai/dreamlike-photoreal-2.0 на Hugging Face совпадает с карточкой dreamlike-art/dreamlike-photoreal-2.0, поэтому описание составлено по ней. dreamlike-photoreal-2.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания фотореалистичных изображений по промптам; пример в карточке показывает пейзаж с церковью при ярком кинематографическом освещении. Модель доступна в форматах Diffusers, PyTorch и safetensors, а также как файл CKPT. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers; в примере модель загружается с точностью float16 и запускается на CUDA. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели. Карточка не приводит сведений о контексте или поддерживаемых языках, кроме английского в метаданных.

vantagewithai/LTX-2.5-GGUF — квантованная версия модели LTX-2.5 от Lightricks в формате GGUF, подготовленная сообществом VantageWithAI. Модель предназначена для генерации и преобразования видео и аудио, включая text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео из текста или изображений. Модель поддерживает мультимодальные сценарии и заявлена для работы с английским, немецким, испанским, французским, японским, корейским, китайским, итальянским и португальским языками. Точные сведения об архитектуре, количестве параметров, размере контекста и системных требованиях в карточке не указаны. Файлы используют смешанную точность квантования, что призвано сохранить высокое качество при несколько большем размере файлов. Модель подходит для создания видеоконтента, мультимедийных прототипов и экспериментов с генерацией аудио и видео, включая использование в ComfyUI. Ограничения связаны с отсутствием подробных технических характеристик и потенциальными компромиссами квантования между размером, скоростью и качеством. Распространение регулируется лицензией LTX-2 Community License Agreement; для доступа требуется согласие с условиями и политикой конфиденциальности Lightricks.

tsolful/LTX_2.5_INT4_W4A8_ConvRot — квантованная версия модели LTX-2.5 от Lightricks, предназначенная для генерации и преобразования видео и аудио. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео по тексту или изображениям. Она может использоваться в ComfyUI и других совместимых инструментах для создания мультимедийного контента. Модель имеет размер 15,4 ГБ и использует квантование AsymW4A8 INT4 с форматами W4A8 и ConvRot. По данным карточки, она обеспечивает около 80% качества версии INT8. Базовой моделью является Lightricks/LTX-2.5; более подробные сведения об архитектуре, длине контекста, разрешении и поддерживаемых форматах входных и выходных данных не указаны. В метаданных заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. К сильным сторонам относятся существенно уменьшенный размер по сравнению с более точными вариантами и сохранение значительной части качества INT8, что может упростить локальное развёртывание. Ограничения связаны с потерями качества из-за INT4-квантования, а также с отсутствием в карточке точных требований к аппаратному обеспечению и характеристик производительности. Модель распространяется по LTX-2 Community License Agreement; условия лицензии доступны по ссылке, указанной в карточке модели.