IV.1Ритейл, электронная коммерция и fashion-tech

SXZ D.U.C.K. (Digital Units Creation Kit) — модель генерации изображений по текстовому описанию, созданная автором карточки на основе Luma. В README указано, что LoRA была объединена с Luma 0.98VAE; автор также описывает варианты с разной степенью смешивания весов и вариант D.U.C.K.LumaOrangeMix с добавлением стиля OrangeRemix. Модель предназначена для создания изображений по текстовым запросам. Автор отмечает, что вариант с OrangeRemix может лучше передавать милые образы, но теряет в детализации; основной D.U.C.K. предлагается для смешивания с другими моделями. Репозиторий использует Diffusers и формат safetensors. Лицензия — CreativeML OpenRAIL-M.

AbstractPhil разработал DavidBeans — экспериментальную модель компьютерного зрения для классификации изображений. Архитектура объединяет ViT-подобную BEANS-основу с разреженным вниманием, управляемым через Cantor routing, и классификатор DAVID, который использует многомасштабную геометрическую проекцию с регуляризацией Cayley–Menger. В метаданных указаны архитектура типа MoE и задача image-classification. В README приведены результаты запусков на CIFAR-100: базовый вариант достиг точности 70,05%, а вариант с пятью экспертами и пятью масштабами — 68,34%. Эти результаты относятся к указанным обучающим запускам и не гарантируют аналогичного качества на других наборах изображений. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

nyxia/H3-Loras — это набор зеркал LoRA-адаптеров, от которых зависит движок MiniMax-H3. Представленный адаптер minimax_h3_turbo_v4_step600_ema.safetensors является неизменённой копией larryvrh/MiniMax-H3-Turbo-Lora и предназначен для работы с базовой моделью MiniMaxAI/MiniMax-H3 в задачах генерации аудиовизуального контента, включая text-to-video и audio-video сценарии. Адаптер содержит 518 тензоров в формате bf16, занимает около 744 МБ и использует rank 64, включая rank 16 для проекций AdaLN. Он применяется как низкоранговая добавка к весам W_eff = W + lora_B @ lora_A без alpha-параметра. По измерениям авторов, на базе int8_convrot с pinkcherry FL2VA адаптер позволил сократить генерацию 124 кадров при 24 кадрах в секунду с 50 шагов и 20 минут 40 секунд до 7 шагов и 4 минут 24 секунд на H100, при сопоставимом качестве вывода. Цена ускорения — примерно 7% дополнительных затрат на шаг, поскольку ветвь LoRA выполняется без слияния с int8-базой. Файлы используют именование ComfyUI и не загружаются напрямую через PEFT add_adapter(); требуется специальная трансляция через компонент ai-engines-h3. Адаптер распространяется по лицензии Apache-2.0. В README не указаны поддерживаемые языки, точное число параметров базовой модели, максимальный контекст или перечень аудио- и видеомодальностей на уровне архитектуры.

Hy-Embodied-RxBrain-1.0 — мультимодальная модель для воплощённого познания, разработанная Tencent Robotics X, Futian Laboratory и Tencent Hy Team. Она объединяет языковое рассуждение и визуальное воображение, чтобы отвечать на вопросы по изображениям и многокадровому видео, прогнозировать визуальные последствия действий и строить пошаговые планы с текстовыми действиями и целевыми изображениями. Модель использует архитектуру Unified Mixture-of-Transformers (MoT) с отдельными путями для текста, визуального понимания и генерации; в README указано около 6,2 млрд параметров, тогда как метаданные Hugging Face сообщают 1,8 млрд. Генерация изображений основана на flow matching и декодировании в латентное пространство FLUX VAE. Контекст — 262 144 токена. Для понимания достаточно основных весов; генерация изображений требует внешнего FLUX VAE. Репозиторий распространяется под лицензией Apache-2.0.

JoyVASA — метод генерации аудиоуправляемой анимации лица и движений головы на основе диффузии. В первой стадии система разделяет динамические выражения лица и статичное 3D-представление персонажа. Во второй стадии Diffusion Transformer генерирует последовательность движений по аудио независимо от личности персонажа, после чего генератор строит анимацию по 3D-представлению и этим движениям. Модель предназначена для анимации портретов и лиц животных; разделение внешности и движений позволяет создавать длинные видео и применять движения к разным персонажам. Для обучения использовались закрытые китайские и общедоступные английские данные, что обеспечивает многоязычную поддержку. Репозиторий использует формат PyTorch и распространяется по лицензии MIT. Авторы отмечают, что дальнейшая работа нужна для повышения скорости до реального времени и более точного управления выражениями.

rockerBOO/ltx-2.5-nvfp4-convrot — это квантизированная версия LTX-2.5, разработанной Lightricks, предназначенная для генерации видео и аудио в ComfyUI. Модель поддерживает сценарии text-to-video и image-to-video; в карточке указана базовая архитектура 22B audio-video diffusion transformer. Квантизация относится только к трансформеру, тогда как VAE и текстовые энкодеры используются из исходных репозиториев Lightricks/LTX-2.5 и Comfy-Org/gemma-4 без изменений. В большинстве весов применяется NVFP4, а для attention — INT8 с ConvRot. Блоки 0, 1, 46 и 47 сохранены в полной точности BF16; часть feed-forward слоёв также остаётся в BF16. Такой вариант должен быть меньше и быстрее оригинальной BF16-модели при минимальной заявленной потере качества, однако отдельная оценка качества не проводилась. Для инференса требуется GPU Blackwell с поддержкой SM не ниже 10.0/12.0, например RTX 50-й серии, B100 или B200. Доступный файл — distilled-вариант размером около 22 ГБ; dev-вариант планируется, но ещё не создан. Модель распространяется по LTX-2 Community License Agreement, унаследованной от Lightricks/LTX-2.5. Практическое использование ориентировано на ComfyUI и требует дополнительных VAE и текстовых энкодеров из указанных репозиториев.

MiniMax-H3 GGUF — это набор GGUF-квантизованных версий 33B-модели MiniMax-H3, разработанной MiniMaxAI и подготовленной пользователем joeygambino на основе репакетов Comfy-Org. Модель предназначена для генерации видео и аудио в ComfyUI, включая сценарии text-to-video, image-to-video и генерацию по первому и последнему кадру. Вариант ref2va поддерживает генерацию с учётом референсов: до 9 изображений, 3 видео с аудиодорожками и 3 голосовых клипов для сохранения идентичности и характеристик персонажей. Доступны варианты fl2va и ref2va в форматах Q5_1 и Q4_0 размером примерно 25,9 и 19,9 ГБ соответственно. Q5_1 рассчитан на видеокарты с 24–32 ГБ памяти, а Q4_0 — на карты с 16 ГБ с потоковой загрузкой части модели. Архитектура minimax_h3 использует скрытую размерность 2688; K-квантизации для этой архитектуры не применяются из-за ограничений размерности строк. Модель может работать в ComfyUI с ComfyUI-GGUF и пакетом ComfyUI-H3-Multishot версии 1.5.2 или новее. Сильные стороны модели — поддержка видео с аудио, многокадровых и референсных сценариев, а также возможность запуска на видеокартах с ограниченным объёмом памяти благодаря потоковой загрузке. Ограничения включают крупный размер файлов, необходимость специальной интеграции с ComfyUI и компромисс между качеством и требованиями к памяти при выборе уровня квантизации. В README указана лицензия minimax-h3-community; подробные условия доступны по ссылке на лицензию MiniMaxAI.

MiniMax-H3 x Z-Image Hybrid — экспериментальная гибридная версия MiniMax-H3, созданная hoidhxd. В ней блоки трансформера B00–B24 и B50+ взяты из ветви FL2VA, а блоки B25–B49 — из REF2VA; модель предназначена для генерации видео из изображения и экспериментов с объединением этих ветвей в одном чекпойнте. Репозиторий содержит веса BF16 и INT8 в формате safetensors; отдельно упоминается конверсия BF16-версии в GGUF для совместимых рабочих процессов ComfyUI. Модель основана на MiniMaxAI/MiniMax-H3 и распространяется по лицензии Apache-2.0. Это неофициальная экспериментальная сборка, а не релиз MiniMax. README сообщает о проверке тензорного содержимого BF16-версии, но не приводит сравнительных оценок качества или подробных инструкций по использованию; сведения о языковой поддержке и длине контекста для этой задачи не указаны.

Mini Photo Colorizer v3.0 — компактная модель автоматической колоризации фотографий, разработанная владельцем репозитория User-2468. Она принимает чёрно-белое изображение и предсказывает правдоподобные цвета; модель предназначена для обычных фотографий и пользовательских приложений для работы с фото. Для вывода доступны веса Safetensors и эквивалентный граф ONNX, а также Python API, CLI и приложение на Gradio. Архитектура включает энкодер MobileNetV3 Large, пирамиду признаков шириной 128 каналов, 16 цветовых запросов и два блока внимания. Всего модель содержит 3 994 676 обученных параметров. По умолчанию изображение обрабатывается с максимальной стороной 256 пикселей, сохраняя пропорции; результат сохраняет исходное разрешение, ориентацию и альфа-канал для изображений до 12 мегапикселей. Сеть предсказывает цветовые компоненты Lab, а исходная яркость сохраняется. Модель обучалась на фотографиях из Imagenette и COCO, с использованием предварительно обученного энкодера ImageNet и художественных целевых цветов DDColor. Результаты могут быть полезны для раскрашивания обычных фотографий, но предсказанные цвета не являются восстановленным историческим фактом: для одного чёрно-белого снимка возможны разные правдоподобные варианты. Известные недостатки — приглушённые или тёплые оттенки, неверные цвета одежды и объектов, цветовые ореолы у мелких деталей и слабые результаты на необычных поверхностях и сценах; модель не чинит царапины и не восстанавливает утраченные детали. Лицензия — Apache-2.0.

MonST3R — модель Junyi Zhang и соавторов для оценки геометрии сцены при наличии движения. Она предназначена для восстановления трёхмерной структуры по изображениям и видео, в том числе при движении объектов и камеры. Модель построена на архитектуре AsymmetricCroCo3DStereo и использует библиотеку dust3r; файлы весов представлены в формате safetensors. Модель подходит для задач оценки геометрии и построения 3D-представления динамичных сцен. Карточка ссылается на исследовательскую работу 2024 года. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и не допускает коммерческое использование.

MoviiGen 1.1 — модель генерации видео по тексту от разработчиков проекта MoviiGen, созданная на основе Wan2.1 T2V-14B и связанная в метаданных с Wan-AI/Wan2.1-T2V-14B. Она предназначена для создания видеороликов с кинематографической эстетикой, выразительной атмосферой, движением камеры и сохранением деталей объектов; авторы сообщают об оценке модели профессиональными кинематографистами и создателями AIGC по 60 эстетическим измерениям. Модель использует архитектуру диффузионного трансформера Wan2.1 и работает в библиотеке Diffusers. В README заявлена генерация видео в разрешениях 720p и 1080p, с рекомендацией 1080p и формата кадра 21:9 для кинематографической подачи. Основной сценарий — создание визуальных материалов для творческих проектов и видеопроизводства. Карточка не описывает поддержку входных изображений или аудио. Авторы отмечают качество атмосферы, движения камеры, чёткости и реализма; по их оценке, Wan2.1 может лучше подходить для плавности, композиционной согласованности и художественного стиля. Эти заявления основаны на оценках, описанных авторами. Модель распространяется по лицензии Apache-2.0.

NEPA-DiT-XL — модель генерации изображений, опубликованная SixAILab. Она создаёт изображения размером 256×256 с условием по классу ImageNet-1K. Модель состоит из энкодера условий NEPA-XL с 28 слоями и размерностью 1152, денойзера Flux2-style MMDiT и декодера VAE из пространства латентов Stable Diffusion. Обучение проводилось методом flow matching с REPA; опубликованы EMA-веса после 400 тысяч шагов. Для генерации используются flow-matching Euler ODE и classifier-free guidance с нулевым классом. Репозиторий содержит компоненты для запуска; в README приведены проверенные версии Diffusers и Transformers. Увеличение guidance scale усиливает соответствие условию, но уменьшает разнообразие; при значениях выше 1 растут вычислительные затраты. Лицензия в предоставленных данных не указана.

Это чат-модель Qwen1.5-0.5B, дообученная автором репозитория panzarasa на наборе WebSight для генерации HTML-страниц по текстовому описанию на английском языке. Она принимает идею страницы и выдаёт самодостаточный HTML с классами Tailwind CSS. В основе — плотная архитектура Qwen2ForCausalLM примерно на 463,9 млн параметров; модель распространяется в формате safetensors, а контекстная длина по метаданным — до 32 768 токенов. Для обучения использовался QLoRA, а в репозитории доступны объединённые 16-битные веса и отдельный LoRA-адаптер. Модель подходит для быстрого создания каркасов веб-страниц: обычно формирует основные секции, разметку и Tailwind-классы. Обучение велось на синтетических шаблонных страницах, поэтому результат склонен повторять типовые макеты и может содержать заглушки вместо содержимого или не соблюдать точные указания по стилю. Модель текстовая и не принимает скриншоты; README указывает, что при обучении примеры длиннее 1024 токенов отбрасывались, поэтому модель рассчитана на короткие и средние страницы. Лицензия в метаданных обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Tater86/room-classifier-v1 — классификатор изображений, созданный автоматически с помощью HuggingPics. По названию модель предназначена для распознавания типов или категорий комнат на изображениях. Карточка подтверждает задачу классификации изображений, но не сообщает список классов, архитектуру, размер модели или языковые характеристики.

SPLASH-3B — мультимодальная языковая модель с тактильным восприятием, разработанная командой SPLASH и основанная на Qwen2.5-VL-3B-Instruct. Она использует обучение с масочной изоляцией для согласования тактильных данных с представлениями модели и предназначена для тактильных рассуждений вместе с сохранением общих возможностей работы с изображениями и текстом. Модель подходит для диалоговых сценариев, где нужно анализировать тактильные входы и сопоставлять их с визуальной информацией. В README не приведены сведения о лицензии и длине контекста; метаданные указывают архитектуру Qwen2.5-VL, библиотеку Transformers и формат safetensors.

VGG-T³ — модель NVIDIA, University of Toronto и Vector Institute для прямого восстановления 3D-геометрии и параметров камер по коллекциям изображений и видео. Это дообученная на основе facebook/VGGT-1B модель с архитектурой Vision Transformer и примерно 1,19 млрд параметров. Модель принимает RGB-изображения или видео и предсказывает облако точек с координатами XYZ — по одной 3D-точке на пиксель — и параметры камеры для каждого изображения. Она предназначена для быстрого feed-forward восстановления без итерационной оптимизации; вычислительная сложность растёт линейно с числом изображений. Среди сценариев — подготовка данных для Gaussian Splatting и NeRF, инициализация SfM-процессов, пространственное восприятие в робототехнике и создание 3D-активов. Максимальное разрешение изображения — 518×518; модель оптимизирована для GPU NVIDIA и поддерживает Linux. Карточка описывает модель как исследовательскую и предназначенную для исследований и разработки. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория. Качество и пригодность для конкретного сценария требуют проверки на соответствующих данных.

Модель ViT Base, дообученная Эдуардо Муньосом (Eduardo Muñoz) для классификации изображений CIFAR-100. В основе — Vision Transformer с архитектурой трансформерного энкодера, предварительно обученный на ImageNet-21k для изображений размером 224×224 пикселя; модель содержит 113,2 млн параметров. Модель предназначена для отнесения изображений к 100 классам CIFAR-100, сгруппированным в 20 суперклассов. В карточке указана точность 0,9148. Обучение выполнено с помощью Amazon SageMaker и контейнера Hugging Face Deep Learning; заявлена классификация изображений с испанскими метками. Модель принимает изображения и выдаёт предсказания классов. Она специализирована на CIFAR-100, поэтому её применение к другим наборам изображений может потребовать дополнительной настройки. Распространяется по лицензии Apache-2.0.

Wan2.1-T2V-1.3B-GGUF — это GGUF-конверсия модели Wan2.1-T2V-1.3B, разработанная samuelchristlie на основе открытой серии видеомоделей Wan от Wan-AI. Модель предназначена прежде всего для генерации видео по текстовому описанию и интегрируется с библиотекой Diffusers. Серия Wan также поддерживает генерацию видео по изображению и редактирование видео, однако README не уточняет, доступны ли эти возможности именно в данной GGUF-конверсии. Известно, что модель относится к классу text-to-video и имеет размер 1,3 млрд параметров. Формат GGUF ориентирован на более удобное распространение и использование, в том числе на потребительских GPU. В README указан английский язык, но сведения о длине контекста, архитектуре, поддерживаемых разрешениях, длительности генерируемых видео, требованиях к памяти и точных характеристиках инференса отсутствуют. Модель может быть полезна для экспериментальной генерации видеоконтента из текстовых промптов на совместимом оборудовании. К ограничениям относятся отсутствие подробных технических характеристик и результатов оценки качества, а также неопределённость относительно всех функций исходной серии в данной конверсии. Модель распространяется по лицензии Apache 2.0, как производная работа оригинальной модели.

mlboydaisuke/xfeat-litert — LiteRT-версия XFeat (Accelerated Features), созданная для извлечения локальных признаков и сопоставления изображений. Модель основана на официальных весах XFeat; автор репозитория заново описал вычислительный граф для GPU через litert_torch. Это компактная чистая CNN примерно на 1,5 млн параметров, опубликованная в формате TFLite с точностью FP16 и размером файла 1,4 МБ. Модель принимает нормализованное одноканальное изображение размером 480×640 в формате NHWC. Она выдаёт плотные дескрипторы, логиты ключевых точек и карту надёжности на сетке 60×80. Подавление немаксимумов, выборка дескрипторов и сопоставление взаимно ближайших соседей выполняются на стороне приложения. Репозиторий сообщает о полной работе на GPU LiteRT на Pixel 8a и совпадении результатов GPU с CPU/PyTorch с корреляцией 0,9999. Модель предназначена для сопоставления изображений, SLAM, дополненной реальности и регистрации изображений, включая выполнение на устройстве. Она выдаёт геометрические признаки и, согласно карточке, не распознаёт лица или личности. Лицензия — Apache-2.0. Заявленные показатели производительности проверены на Pixel 8a и сами по себе не гарантируют ту же скорость на других устройствах.

AlayaWorld — веса для инференса модели генерации длительных интерактивных видеосцен, разработанной Alaya Lab. Репозиторий содержит единый файл merged_infer.safetensors с DiT, VAE, текстовым энкодером и энкодером истории; по метаданным модель основана на Lightricks/LTX-2.3 и доступна в формате Diffusers. Основной сценарий — генерация видео по исходному изображению. README также указывает на назначение для создания интерактивных, управляемых сцен, но не приводит подробностей об управлении или длительности генерации. Текстовый энкодер Gemma-3 и модель глубины пространственной памяти Depth-Anything-3 в набор весов не включены: их нужно получить из исходных репозиториев согласно инструкции в репозитории кода. Лицензия обозначена как other, конкретные условия использования в доступных данных не раскрыты.

Marianodo/BatchAllTripletLoss-job-title — модель на базе MPNet, опубликованная в формате PyTorch и обученная с функцией потерь BatchAllTripletLoss. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель подходит для построения поиска по названиям должностей и сопоставления похожих формулировок. Контекст модели составляет 514 токенов, число параметров — 136,7 млн. Модель принимает текст и выдаёт эмбеддинги; для работы README рекомендует библиотеку Sentence-Transformers. Язык обучающих данных и лицензия в доступных сведениях не указаны, поэтому языковую поддержку и условия распространения определить нельзя.

ControlNet v1.1 Scribble — дополнительная нейросетевая модель для управления генерацией изображений в диффузионных моделях. Её разработали Lvmin Zhang и Maneesh Agrawala; данный репозиторий содержит конвертацию исходной контрольной точки в формат diffusers. Модель предназначена для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель принимает изображение-условие в формате Scribble и помогает направлять генерацию изображения по структуре и наброску, заданным пользователем. Она подходит для image-to-image и управляемой text-to-image генерации, например для создания сцен, иллюстраций и художественных вариантов по черновому рисунку. Это не самостоятельная text-to-image модель, а модуль ControlNet, подключаемый к базовой диффузионной модели через StableDiffusionControlNetPipeline. В README указано, что основным языком является английский; размер, точное число параметров, максимальный контекст и другие архитектурные характеристики не приведены. Сильная сторона модели — дополнительный контроль композиции и формы изображения по скетчу при сохранении возможностей базовой Stable Diffusion. Для подготовки управляющего изображения могут потребоваться внешние инструменты, например controlnet_aux. Модель обучалась для Stable Diffusion v1.5, поэтому совместимость с другими диффузионными моделями может быть ограниченной и не гарантируется. Лицензия — CreativeML OpenRAIL M.

facebook/dpt-dinov2-small-kitti — модель оценки глубины по изображениям, опубликованная Facebook. Она использует архитектуру Dense Prediction Transformer (DPT) с визуальным бэкбоном DINOv2 и предназначена для предсказания глубины сцены; карточка отмечает её как демонстрацию возможностей DPT с DINOv2. Модель подходит для задач компьютерного зрения, где требуется получить карту глубины из изображения. Весы доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Сведения о размере, контексте и поддержке языков в карточке не приведены; это визуальная модель, поэтому языковая поддержка не указана.

Facial-Emotion-Detection-SigLIP2 — модель классификации изображений, опубликованная пользователем prithivMLmods и дообученная на базе визуального энкодера Google SigLIP 2 Base с архитектурой SiglipForImageClassification. Она присваивает изображению лица одну из шести меток эмоций: Ahegao, Angry, Happy, Neutral, Sad или Surprise. Модель рассчитана на распознавание выражений лица в сценариях человеко-компьютерного взаимодействия и анализа изображений; README также перечисляет мониторинг благополучия и видеонаблюдение как возможные сценарии. Модель принимает изображения и выдаёт метку класса. Карточка заявляет одно-меточную классификацию, а веса доступны в формате safetensors. Лицензия — Apache-2.0. Классы ограничены шестью метками из карточки; точность и надёжность выводов об эмоциональном состоянии в предоставленных материалах не описаны.

Qrzysztof/functiongemma-270m-it-prepaid-cards — дообученная компанией или автором Qrzysztof модель Google FunctionGemma 270M IT, созданная с помощью TRL. Это компактная плотная текстовая модель с архитектурой Gemma 3 и 257 млн параметров; она рассчитана на генерацию текста в диалоговом формате и специализирована на теме предоплаченных карт. Модель может использоваться для ответов на вопросы и диалоговых сценариев в этой области. Модель принимает текст и генерирует текст; базовая модель поддерживает контекст до 32 768 токенов. В карточке указана библиотека Transformers и формат весов safetensors. README не приводит подробных результатов обучения или оценки качества. Лицензия и отдельные условия использования этой версии в предоставленных данных не указаны.

HunyuanVideo-Foley — модель Tencent Hunyuan для генерации звукового сопровождения к видео. Она предназначена для авторов видеоконтента и подходит для создания звуковых эффектов в коротких роликах, кино, рекламе и играх. По карточке модель принимает видео и текстовое описание сцены, а выдаёт синхронизированный с видео звук; в метаданных основная задача обозначена как text-to-audio, а среди языков указаны английский и китайский. Архитектура сочетает мультимодальные трансформерные блоки для совместной обработки визуального и аудиопотоков с аудио-блоками для уточнения звука. Видеокадры и текст кодируются предварительно обученными энкодерами, а для временной синхронизации используется подход на основе Synchformer. Карточка заявляет генерацию аудио с частотой 48 кГц и высокое качество, однако параметры размера модели и контекстного окна не приведены. Модель рассчитана на генерацию фоли-звука, семантически соответствующего содержимому видео и текстовой подсказке. В README заявлены хорошие результаты по качеству звука и синхронизации, но доступные фрагменты таблиц не позволяют независимо проверить эти утверждения. Для запуска рекомендованы CUDA 11.8 или 12.4 и Linux; лицензия в метаданных указана как other, поэтому конкретные права использования следует уточнять в условиях репозитория.

SoulX-LiveAct — модель и система генерации анимационных видео с участием человека, разработанная командой Soul-AILab. Она создаёт потоковое видео в реальном времени под мультимодальным управлением; репозиторий основан на Wan2.1 I2V-14B-480P и включает дополнительный аудиомодуль. В README описаны генерация при 720×416 или 512×512, а также режим для потребительских видеокарт RTX 4090 и RTX 5090. Для последовательной генерации применяются Neighbor Forcing — согласование соседних латентов на шагах диффузии — и ConvKV Memory, механизм сжатия памяти для длительной генерации. По заявлению авторов, система достигает 20 кадров в секунду на двух GPU H100/H200; для 18B-модели указана скорость 6 кадров в секунду на одной RTX 5090. Модель предназначена для потоковой анимации человека в сценариях вроде подкастов, музыкальных шоу и видеозвонков. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README сообщает, что FP8 KV-кэш может немного снижать качество, а код обучения пока не опубликован. Для запуска на описанных конфигурациях требуется подходящее GPU-оборудование и программные зависимости проекта.

Это сериализованный трансформер MiniMax-H3 FL2VA — компонента конвейера, который создаёт видео по первому и последнему кадрам и текстовому условию. Модель подготовлена автором репозитория pottokao для запуска через vLLM-Omni и Diffusers; в неё слита LoRA Turbo 4-step v1.2 для генерации видео в разрешении 768p. Трансформер MiniMaxH3DiTModel содержит 50 слоёв и сохранён в трёх шардах формата safetensors. Веса квантованы методом SVDQuant до NVFP4 с низкоранговой коррекцией rank-32; README указывает W4A4 для активаций. Для работы нужны vLLM-Omni с поддержкой SVDQuant и совместимое оборудование Blackwell, а также отдельный текстовый энкодер. Репозиторий распространяется по лицензии Apache-2.0. Модель предназначена для использования как часть стека MiniMax-H3 FL2VA, а не как самостоятельный универсальный генератор. README называет конвейер abliterated/uncensored, поэтому он может выдавать контент без обычных ограничений безопасности. Для этого варианта заявлена генерация за четыре шага; качество и скорость могут зависеть от совместимого программного и аппаратного окружения.

OneReason-8B-Pretrain (Competition) — предварительно обученная модель рекомендаций семейства Qwen3, выпущенная OpenOneRec для исследовательских задач и соревнований по генеративным рекомендациям. Модель содержит 7,7 млрд параметров и использует архитектуру плотной авторегрессионной языковой модели. Контекст — до 131 072 токенов; доступны веса в формате safetensors для Transformers. Модель связывает естественный язык, поведение пользователей и компактные itemic-токены, представляющие объекты рекомендаций. Она предназначена для изучения понимания и сопоставления таких токенов, продолжения предобучения и дообучения под новые домены, а также для создания базовых систем генеративных рекомендаций. В карточке заявлены домены коротких видео, электронной торговли и рекламы; языки карточки — английский и китайский. Это именно чекпойнт этапа предобучения, а не готовая модель для сложного рекомендательного рассуждения: для лучшего качества README рекомендует последующее SFT/RL или дообучение на целевых данных. Практическое сопоставление itemic-токенов с реальными товарами требует отдельного токенизатора и каталога объектов, а сгенерированные последовательности нужно проверять. Модель требует существенных вычислительных ресурсов; README ограничивает назначение исследованиями и соревнованиями. Условия лицензии в предоставленных данных не приведены.

Pi3X — разработанная авторами проекта Pi3 улучшенная версия модели π³ для восстановления визуальной геометрии по набору изображений. Это нейросеть прямого прохода с архитектурой, эквивариантной относительно перестановок: она обрабатывает изображения без фиксированного опорного кадра и предсказывает положения камер и локальные карты точек, устойчивые к масштабу. Репозиторий содержит веса в формате safetensors. Модель предназначена для реконструкции геометрии сцены по неупорядоченному набору изображений. В Pi3X добавлены свёрточная голова для уменьшения сетчатых артефактов, возможность учитывать позы и внутренние параметры камер и данные глубины, непрерывная оценка качества для фильтрации шума и поддержка приблизительного восстановления метрического масштаба. Для использования требуются официальный репозиторий Pi3 и его зависимости. Модель опубликована по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.