IV.1Ритейл, электронная коммерция и fashion-tech

TurboWan2.2-I2V-A14B-720P-ComfyUI-GGUF — это версия модели TurboWan2.2-I2V-A14B-720P в формате GGUF, подготовленная для использования с ComfyUI. Модель основана на Wan-AI/Wan2.2-I2V-A14B и распространяется автором репозитория VantageWithAI; исходная модель разработана командой TurboDiffusion. Она предназначена для генерации видео из изображений и относится к моделям диффузионного типа с конвейером image-to-video. Модель ориентирована на сценарии преобразования исходного изображения в видео с разрешением 720p. В её названии указано обозначение A14B, однако README не раскрывает точную архитектуру, число параметров, поддерживаемые языки и модальности помимо входного изображения и выходного видео, максимальную длину контекста или требования к оборудованию. К заявленным особенностям относятся ускорение диффузионной генерации, связанное с проектом TurboDiffusion, и формат GGUF, удобный для запуска в совместимой среде ComfyUI. Сильной стороной модели является сочетание image-to-video-генерации, заявленного разрешения 720p и оптимизаций TurboDiffusion, направленных на существенное ускорение вывода. Ограничения, точные показатели качества и совместимость с конкретными конфигурациями ComfyUI в README не указаны. Модель распространяется по лицензии Apache-2.0; условия применения производных компонентов и исходной базовой модели следует дополнительно проверять по их соответствующим репозиториям.

Карточка модели wolf1280/vit-age-classifier на Hugging Face совпадает с карточкой nateraw/vit-age-classifier, поэтому описание составлено по ней. nateraw разработал модель на основе Vision Transformer (ViT), дообученную для классификации возраста человека по изображению лица. Она предназначена для сценариев, где нужно автоматически отнести лицо к возрастной категории; модель содержит 113,2 млн параметров и опубликована в форматах PyTorch и Safetensors. В карточке указан датасет FairFace. Модель принимает изображение и выдаёт результат классификации. Языковой ввод и вывод не предусмотрены. Лицензия в предоставленных данных не указана.

zenlm/zen-designer-235b-a22b-instruct — специализированная мультимодальная модель Hanzo для задач дизайна интерфейсов и визуального анализа. Это дообученная на основе Qwen/Qwen3-VL-235B-A22B-Instruct модель с разреженной архитектурой MoE: 235 млрд параметров всего и 22 млрд активных. Она принимает изображения и текст и формирует текстовые ответы; поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель предназначена для проектирования макетов панелей управления, мобильных и веб-интерфейсов, работы с компонентами и дизайн-системами, а также для критики и улучшения интерфейсов по изображению. Она может выдавать CSS, компоненты React и токены дизайна. В метаданных указаны английский и китайский языки. Контекстная длина в предоставленных данных не приводится. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Она унаследовала мультимодальную основу Qwen3-VL; результаты в задачах проектирования могут зависеть от качества входного изображения и конкретного сценария. В карточке также указано применение abliteration, но его влияние и связанные ограничения не описаны.

ActionMesh — генеративная модель для создания анимированных 3D-сеток, разработанная авторами проекта ActionMesh. Она расширяет диффузионный подход для 3D временной осью и за один проход предсказывает согласованные во времени латентные представления меняющихся форм. Модель предназначена для генерации анимированной 3D-сетки по входному видео; в README также заявлена генерация по изображению, что отражено в метаданных Hugging Face. Заявлено получение готовых к производству 3D-сеток. Для запуска требуется видеокарта NVIDIA как минимум с 32 ГБ видеопамяти. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с лицензией проекта.

AnySplat — модель для преобразования изображения в 3D-представление. В карточке Hugging Face указаны задача image-to-3d и формат весов safetensors; лицензия — MIT. README содержит только ссылку на инструкции по установке в GitHub, без технического описания архитектуры, поддерживаемых сценариев, характеристик 3D-вывода или ограничений. По доступным данным можно определить назначение модели, но подробности её применения не подтверждены.

digiplay/bluePencilRealistic_v05 — модель семейства Stable Diffusion для генерации изображений по текстовому описанию. Карточка называет её «Lovely Cute Model» и содержит примеры изображений, но не сообщает подробностей об архитектуре, размере или настройках генерации. Модель предназначена для создания изображений по запросам пользователя. Репозиторий содержит веса в формате safetensors для использования с Diffusers и PyTorch. Лицензия указана как other, поэтому условия использования следует проверять в материалах репозитория.

MobileViT-XXS с головой DeepLabV3 — компактная модель семантической сегментации изображений. Архитектура сочетает свёрточные блоки в стиле MobileNetV2 с трансформерными блоками для глобальной обработки патчей; версия XXS содержит около 1,9 млн параметров. Модель разработана авторами MobileViT Сачином Мехтой и Мохаммадом Растегари и впервые опубликована в их репозитории; карточку Hugging Face подготовила команда Hugging Face. Модель предварительно обучена на ImageNet-1k, затем дообучена на PASCAL VOC2012. Она предназначена для присвоения метки класса каждому пикселю изображения. В README приведён результат 73,6 mIoU на PASCAL VOC. При работе изображения обрезаются по центру до 512×512, нормализуются в диапазон [0, 1] и должны подаваться в порядке каналов BGR. Компактная архитектура рассчитана на низкую задержку и мобильные сценарии; репозиторий содержит веса PyTorch, TensorFlow и Core ML. Модель ориентирована на сегментацию в категориях PASCAL VOC, поэтому качество на других наборах данных и предметных областях может отличаться; для специализированных задач может потребоваться дообученная версия. Лицензия указана как Apple Sample Code License.

LiheYoung/depth-anything-base-hf — базовая версия модели Depth Anything в формате Transformers, представленная авторами Depth Anything и опубликованная в репозитории LiheYoung. Она предназначена для оценки глубины по отдельному изображению, в том числе в zero-shot-сценариях. Архитектура сочетает DPT с backbone DINOv2; модель обучалась примерно на 62 миллионах изображений. Она оценивает относительную и абсолютную глубину и подходит для интеграции в компьютерное зрение и анализа сцен. Репозиторий содержит веса safetensors и использует лицензию Apache-2.0. В карточке не приведены численный размер модели и ограничения точности для конкретных условий съёмки.

Это порт весов Layer Diffusion для библиотеки Diffusers, разработанный rootonchair на основе проекта Layer Diffusion для SD WebUI. Модель расширяет генерацию изображений из текстовых запросов, позволяя получать прозрачные изображения и работать со слоями переднего плана и фона с использованием латентной прозрачности. В репозитории представлены условные веса для SDXL для преобразований переднего плана или фона в смешанное представление и обратных преобразований между смешанным представлением и фоном. README также показывает запуск с базовыми моделями SD 1.5; в качестве примера указан Juggernaut_final. Веса сохранены в формате safetensors и рассчитаны на использование через Diffusers. Лицензия репозитория — MIT. Результат зависит от выбранной базовой модели и заданного сценария; карточка не приводит оценок качества или подробных ограничений применения.

FLUX.1-dev-bnb-4bit — это квантизированный контрольный пункт модели генерации изображений FLUX.1-dev, разработанной Black Forest Labs. Модель распространяется для использования через библиотеку Diffusers и предназначена для создания изображений по текстовым описаниям, включая сцены в различных художественных стилях, например барокко, футуризме и нуаре. Вариант использует 4-битное квантование NF4 через bitsandbytes для transformer и второго текстового энкодера, а вычисления выполняются в формате bfloat16. В README приведён сценарий генерации изображений размером 1024×1024 с текстовым контекстом до 512 токенов, guidance scale 3,5 и 50 шагами инференса. Ключевые характеристики базовой архитектуры, число параметров, поддерживаемые языки и полный набор модальностей не указаны. К основному преимуществу относятся снижение требований к памяти по сравнению с полноразмерной версией при сохранении возможности использовать FLUX.1-dev в Diffusers. Ограничения включают необходимость совместимых diffusers, bitsandbytes и CUDA-устройства, а также возможное влияние 4-битного квантования на качество генерации; точные требования к ресурсам и показатели качества не приведены. Лицензия в README не указана.

FLUX.1-dev-ControlNet-Depth — модель управления генерацией изображений на основе глубины для FLUX.1-dev. Она разработана совместно исследователями InstantX Team и Shakker Labs, при спонсорской поддержке Shakker AI. Модель предназначена для text-to-image сценариев, в которых требуется сохранять пространственную структуру и композицию исходного изображения по карте глубины, одновременно изменяя содержимое по текстовому запросу. Для работы используется библиотека Diffusers и базовая модель black-forest-labs/FLUX.1-dev. Модель состоит из четырёх FluxTransformerBlock и одного FluxSingleTransformerBlock. Она обучалась на реальных и сгенерированных изображениях в разрешении 1024 с использованием Depth-Anything-V2 для извлечения карт глубины; обучение проводилось на 16 A800 в течение 70 тысяч шагов. В README указаны английский язык и рекомендуемый диапазон controlnet_conditioning_scale 0,3–0,7. Для запуска необходимы базовая модель FLUX.1-dev, совместимый пайплайн FluxControlNetPipeline и вычислительные ресурсы с поддержкой CUDA и bfloat16. Ограничения и качество для отдельных языков и сценариев отдельно не описаны; результат зависит от качества карты глубины, текстового запроса и базовой модели. Модель распространяется по лицензии flux-1-dev-non-commercial-license, обозначенной как other; лицензия предназначена для некоммерческого использования.

microsoft/focalnet-base-lrf — базовая модель компьютерного зрения FocalNet, разработанная авторами работы Focal Modulation Networks и обученная на ImageNet-1k. Она предназначена для классификации изображений по 1000 классам ImageNet и принимает изображения с разрешением 384×384. В архитектуре FocalNet механизм focal modulation заменяет self-attention: глубинные свёртки последовательно собирают визуальный контекст разных масштабов, а механизм с обучаемыми весами агрегирует его и передаёт признакам изображения. Это альтернативный Vision Transformer подход; карточка также сообщает о применении семейства FocalNet в обнаружении объектов и сегментации, но данный чекпойнт предназначен для классификации. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Учитывайте, что это классификатор ImageNet: его классы и обучение ограничивают пригодность для изображений, содержание которых отличается от ImageNet-1k; для обнаружения объектов и сегментации этот чекпойнт сам по себе не предназначен.

Ideogram 4 Unconditional LoRA — адаптер LoRA, разработанный Ostris и предназначенный для использования с условной моделью Ideogram 4. Он имитирует поведение отдельной безусловной модели Ideogram 4 во время безусловного прохода пайплайна генерации изображений, помогая получать результаты, более близкие к полной версии пайплайна. Адаптер создан на основе разницы между весами условной и безусловной моделей Ideogram 4, а затем дообучен методом student-teacher на реальных данных с послойной функцией потерь. Он рассчитан на базовую модель ideogram-ai/ideogram-4-fp8 и является облегчённой альтернативой полной безусловной модели размером 9B параметров: его применение требует меньше ресурсов, но, согласно описанию, может давать результаты хуже полной модели. Изначально LoRA обучалась для Ostris AI Toolkit. Модель предназначена для text-to-image-сценариев через экосистему Diffusers; сведения о языках, размере самого адаптера и поддерживаемых дополнительных модальностях не указаны. Распространяется по лицензии ideogram-4-non-commercial.

Realfencer IT2V Model — модель преобразования изображения в видео, разработанная на основе Wan 2.2 Image-to-Video для подсети Leoma в Bittensor. Это дообученная методом LoRA модель ранга 64, объединённая с полными весами базового чекпойнта Leoma leader Wan I2V; указан шаг обучения 500 и профиль challenge на наборе из 2 тысяч видеоклипов. Модель предназначена для генерации видео по входному изображению. В конфигурации развертывания заявлены разрешение 832×480, 81 кадр при 16 кадрах в секунду, guidance scale 5.0 и 30 шагов инференса. Для инференса в полной точности при этом разрешении обычно требуется около 80 ГБ видеопамяти; квантование или выгрузка части вычислений могут позволить локальную проверку на менее мощных GPU. Репозиторий распространяется по лицензии Apache-2.0.

Juggernaut XL v9 — GGUF — это квантизированная конверсия модели Juggernaut-XL-v9 от RunDiffusion, подготовленная в формате GGUF командой Off Grid AI. Модель предназначена для генерации изображений по текстовому описанию и запуска на устройстве через stable-diffusion.cpp, в том числе в приложении Off Grid AI Desktop. Модель относится к семейству Stable Diffusion XL (SDXL) и поддерживает сценарий text-to-image. Доступны варианты Q8_0 с более высоким качеством и Q4_K с меньшими требованиями к оперативной памяти, но потенциально более заметной потерей качества. В README приведён пример генерации изображений размером 1024×1024; сведения о поддерживаемых языках, максимальном контексте, точном размере модели и других архитектурных параметрах не указаны. К сильным сторонам относятся возможность полностью локальной генерации изображений, отсутствие необходимости передавать данные во внешний сервис и корректная загрузка конвертированных файлов в stable-diffusion.cpp. Ограничения связаны с зависимостью от совместимого программного обеспечения и аппаратных ресурсов устройства, а также с возможными компромиссами качества и потребления памяти между вариантами квантизации. Это именно конверсия и квантизация исходной модели, а не самостоятельная новая модель. Указана лицензия creativeml-openrail-m, унаследованная от оригинальной модели; её ограничения на использование применяются к данной конверсии.

Kiwi-Edit — архитектура для редактирования видео по текстовой инструкции с использованием опорного изображения. Карточка описывает управление преобразованием через семантические признаки и латентные визуальные представления; заявлены многоэтапное обучение и улучшенное следование инструкциям с сохранением соответствия референсу. Репозиторий подготовлен для работы с библиотекой diffusers и содержит веса в формате safetensors. Модель предназначена для изменения содержимого видео по запросу, например удаления объекта, с опорой на предоставленное изображение. В README приведён пример удаления обезьяны из видео. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или лицензию, поэтому эти характеристики не приводятся.

Raxephion разработал Solstice V2 — дообученный чекпойнт на базе Krea 2 Turbo для генерации изображений по текстовым описаниям. Модель предназначена для создания кинематографичных фотореалистичных сцен, портретов, фэнтези, киберпанка, гламурных и повседневных сюжетов с выразительной цветокоррекцией и гармоничной композицией. Solstice V2 сохраняет визуальный стиль V1 и добавляет возможность создавать контент для взрослых без внешних LoRA для общих сценариев. Модель следует описаниям пользователя, хорошо передаёт материалы и освещение, а также совместима с character LoRA. Доступны варианты FP8, BF16 и INT8 ConvRot; последний занимает примерно вдвое меньше места, чем обычный вариант INT8. Для более откровенного NSFW-контента автор рекомендует дополнительную LoRA; результаты в этой области пока непоследовательны. Модель распространяется по лицензии «other»; конкретные условия следует проверить в репозитории.

TheyCallMeHex/LCM-Dreamshaper-V7-ONNX — преобразованная в формат ONNX модель генерации изображений из текстовых описаний. Она основана на LCM Dreamshaper V7 и подготовлена для запуска через OnnxStack; в карточке приведены примеры генерации фантастических персонажей и автомобиля по текстовым запросам. Репозиторий содержит форматы Diffusers и ONNX, задача модели — text-to-image. Лицензия — MIT. Подробные сведения об архитектуре и числе параметров в предоставленных материалах отсутствуют.

misri/leosamsHelloworldXL_helloworldXL50GPT4V — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face. Она предназначена для создания изображений из текстовых промптов с использованием библиотеки Diffusers и конвейера StableDiffusionXLPipeline. Модель имеет размер около 3 млрд параметров и распространяется в формате Safetensors с вычислительным типом F32. Поддерживаемая модальность — текст в изображение. В карточке модели приведён пример генерации изображения по англоязычному промпту; сведения о поддерживаемых естественных языках и длине контекста не представлены. Сильная сторона модели — совместимость с экосистемой Diffusers и локальный запуск через DiffusionPipeline. Ограничения включают отсутствие содержательного README, неизвестную лицензию и отсутствие доступного провайдера инференса на момент проверки. Использование следует согласовать с автором, поскольку лицензия указана как unknown.

LHM-500M-HF — модель семейства LHM, представленная авторами работы «LHM: Large Animatable Human Reconstruction Model for Single Image to 3D in Seconds». Она восстанавливает анимируемого 3D-человека по одному изображению за секунды. Это feed-forward модель, обученная на крупномасштабном наборе видеоданных с функцией потерь реконструкции изображения; авторы отмечают её способность обобщать на разнообразные реальные сценарии. Репозиторий содержит веса в формате Safetensors. Модель предназначена для реконструкции 3D-персонажей по изображениям; для запуска README отсылает к GitHub-репозиторию проекта. Лицензия — Apache-2.0. В README не приведены конкретные требования к входным изображениям, качество анимации или ограничения реконструкции.

kkkkk26/lustify_v9 — модель генерации изображений по текстовому описанию, опубликованная пользователем kkkkk26 на Hugging Face. Карточка размечает её как text-to-image и указывает совместимость с Diffusers и StableDiffusionXLPipeline; пример использования передаёт текстовый prompt в DiffusionPipeline и получает изображение. Модель предназначена для создания изображений по запросу пользователя. Репозиторий помечен как содержащий чувствительный контент и не предназначенный для всех аудиторий. В предоставленных метаданных указаны форматы Diffusers и safetensors; сведений о лицензии, точном размере, контексте и языках карточка не предоставляет.

Moirai-1.1-R-small — версия модели прогнозирования временных рядов Moirai-1.0, представленная в обновлённом выпуске Moirai. Она предназначена для прогнозов по временным рядам; авторы сообщают об улучшении примерно на 20% по метрике NMAE на годовых и квартальных данных в оценке на 40 наборах Monash. В репозитории указано 12,4 млн параметров; веса доступны в формате Safetensors. Модель подходит для экспериментальной оценки прогнозирования низкочастотных временных рядов. Авторы сообщают, что выпуск предназначен для исследовательских целей и не оценивался для всех вариантов практического применения. Перед использованием в чувствительных сценариях требуется самостоятельно проверять точность и учитывать последствия ошибок. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

OpenFLUX.1 — экспериментальная бета-модель генерации изображений по текстовому описанию, созданная автором ostris как дообучение FLUX.1-schnell с удалённой дистилляцией. Она рассчитана на дальнейшую тонкую настройку и использует классическое guidance (CFG); для запуска требуется специализированный пайплайн open_flux_pipeline.py. В README указано, что значение CFG около 3,5 работает хорошо. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для создания изображений по текстовым запросам. Автор продолжает её обучать и может обновлять модель. Лицензия — Apache 2.0.

Qwen-Image-Edit-2511-Hyper-Realistic-Portrait — адаптер LoRA, разработанный prithivMLmods для базовой модели Qwen/Qwen-Image-Edit-2511. Это модель преобразования изображений в изображения, предназначенная для создания ультрареалистичных портретов с сохранением идентичности человека на исходной фотографии. Адаптер усиливает детализацию кожи на уровне пор, естественные отражения в глазах, влажность кожи и волос, реалистичное группирование мокрых прядей, физически правдоподобное освещение и малую глубину резкости. Он ориентирован на фотореалистичный результат без искусственного сглаживания и ретуши, с сохранением структуры лица, исходных деталей, цветовых тонов, теней и композиции. Для активации эффекта рекомендуется использовать триггерный запрос «Transform into a hyper-realistic face portrait»; также приведён расширенный англоязычный промпт для управления стилем портрета. Модель работает через библиотеку Diffusers и совместима с версиями 2509 и 2511. Для инференса требуется базовая модель Qwen-Image-Edit-2511 и входное изображение; качество сохранения лица зависит от того, насколько чётко выражена идентичность на исходном изображении. В README не указаны размер параметров, максимальный контекст или дополнительные модальности. Лицензия — Apache-2.0.

uer/roberta-base-finetuned-dianping-chinese — модель классификации китайских текстов, разработанная UER и дообученная с помощью UER-py на датасете Dianping. Она предназначена для определения тональности пользовательских отзывов, например, анализа отзывов о заведениях и услугах. Модель основана на RoBERTa-Base с архитектурой BertForSequenceClassification, содержит около 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель поддерживает китайский язык и доступна в форматах PyTorch, TensorFlow и Flax. Для работы требуется токенизатор; модель можно использовать через Transformers для классификации текста. В README описаны датасет и способ запуска, но конкретный состав меток именно этой версии не раскрыт. Лицензия в предоставленных данных не указана.

Это конвертированные для RLX веса сегментационной модели SAM ViT-B с дополнительными весами InsectSAM. Репозиторий содержит файлы safetensors и GGUF F16 и предназначен для запуска через библиотеку RLX, в частности пакет rlx-sam. Модель генерирует маски объектов на изображениях; пример запуска в карточке использует точку-указатель и веса SAM ViT-B. Веса получены преобразованием исходного чекпойнта и изменением его раскладки для RLX. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены сведения о качестве, обучающих данных или поддерживаемых категориях объектов, поэтому пригодность InsectSAM для конкретных видов насекомых по этим данным оценить нельзя.

calcuis/sd3.5-large-gguf — это квантованная в формате GGUF версия модели Stable Diffusion 3.5 Large, разработанной Stability AI. Модель предназначена для генерации изображений по текстовому описанию и интеграции с ComfyUI через узел ComfyUI-GGUF. В комплект входят основные компоненты модели: файл GGUF-квантизации diffusion-модуля Q4_0 размером около 4,77 ГБ, текстовые энкодеры CLIP-G, CLIP-L и T5-XXL, а также VAE. Указан английский язык. Квантованная версия существенно компактнее оригинальной safetensors-модели, размер которой в README приведён как 16,5 ГБ, что упрощает локальный запуск, но конкретные требования к качеству, скорости и аппаратным ресурсам не описаны. Модель подходит для локальной генерации изображений и запуска готовых рабочих процессов ComfyUI. Для работы требуется установить или использовать соответствующий пакет ComfyUI-GGUF и разместить компоненты в каталогах моделей ComfyUI. Лицензия указана как stabilityai-ai-community; подробные условия находятся в файле LICENSE. Ограничения по поддерживаемому разрешению, длине текстового контекста и другим модальностям в README не указаны.

Kelnux/seo-embedding-uczciweseo — модель эмбеддингов на базе BERT, дообученная для SEO-задач польского рынка. Она преобразует предложения и фразы в 384-мерные векторы, которые можно сравнивать по косинусному сходству для семантического поиска и группировки похожих запросов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, содержит 124,3 млн параметров и рассчитана на тексты длиной до 512 токенов. Модель обучена на польских SEO-данных, наборе SEO-GRPO и терминологии seovoc/schema.org. Она предназначена для сравнения SEO-фраз, поиска семантически близких терминов, кластеризации ключевых слов и сопоставления польских и английских формулировок. В README приведены примеры сходства для технического SEO, структурированных данных и органического трафика. Заявлена лицензия MIT. Оценки в карточке получены на описанных авторами парах фраз; README указывает на обучение на 298 парах, поэтому эти результаты сами по себе не гарантируют качество на других SEO-данных. Модель выдаёт векторы, а не готовые тексты или рекомендации.

ShadeNet 28M — компактная модель для обратного рендеринга изображений, разработанная автором репозитория singam96. Она преобразует RGB-изображение в карты материалов PBR: базовый цвет, нормали, шероховатость, металличность и глубину, а также поддерживает обратное преобразование карт материалов в реконструкцию RGB. Архитектура MobileNetUNet содержит backbone MobileNetV2, параллельный энкодер и декодер в стиле U-Net с пропусками и механизмами внимания; размер модели — 27,9 млн параметров. Обучение проводилось на парных данных Flickr8k при разрешении 512×512. Модель предназначена для извлечения приближённых свойств материалов из изображений и реконструкции изображения по этим свойствам. Репозиторий содержит ONNX-версии для развёртывания без PyTorch и описывает веб-интерфейс Gradio для интерактивного запуска. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование. Качество зависит от обучающих данных и задача модели ограничена оценкой перечисленных карт материалов; результаты не следует считать гарантированно точными физическими измерениями.

SkyReels-V1-Hunyuan-I2V — модель генерации видео из изображения, разработанная командой Skywork на основе HunyuanVideo и распространяемая в формате Diffusers с весами Safetensors. Модель дообучена на большом наборе высококачественных фрагментов фильмов и телепередач и ориентирована на видео с людьми. Она предназначена для создания коротких роликов по исходному изображению, с акцентом на естественную мимику, движения людей, композицию и кинематографическое освещение. Заявлены поддержка 33 выражений лица и более 400 сочетаний движений; в карточке указаны разрешение 544×960 пикселей, длина 97 кадров и частота 24 кадра в секунду. README отсылает к отдельному руководству по запуску и кода инференса. Модель принимает изображение и генерирует видео. Карточка приводит английский язык, однако сценарий image-to-video не требует текстового ввода. Лицензия в предоставленных данных не указана.