IV.9Медиа, журналистика, культура, архивы и игры

Это дистиллированная модель Hunyuan-DiT от Tencent, опубликованная в формате Diffusers. Она предназначена для генерации изображений по текстовым запросам и поддерживает создание изображений за 25 шагов. В README отдельно показаны сценарии с китайскими элементами и длинными текстовыми запросами. Модель относится к семейству Diffusion Transformer и использует конвейер HunyuanDiTPipeline. Репозиторий содержит веса в формате safetensors. Карточка указывает лицензию «other», поэтому конкретные условия использования следует сверять с лицензией репозитория.

HunyuanVideo — разработанная Tencent открытая модель генерации видео по текстовому описанию. Репозиторий содержит определения модели на PyTorch, предварительно обученные веса и код для инференса; также выпущена версия для генерации видео на основе изображения. Модель использует Transformer с полным механизмом внимания и объединённую архитектуру для изображений и видео: сначала текстовые и визуальные токены обрабатываются раздельно, затем совместно. Текстовые запросы кодируются мультимодальной языковой моделью, а генерация выполняется в сжатом пространственно-временном латентном представлении с помощью причинного 3D VAE. В карточке заявлено более 13 млрд параметров. Репозиторий включает веса FP8 для снижения потребления видеопамяти и поддержку инференса на нескольких GPU. Модель предназначена для создания видео с заданными сценой, объектами и движением; авторы отмечают качество изображения, разнообразие движения, соответствие запросу и стабильность генерации. Лицензия в метаданных указана как other, поэтому перед использованием следует ознакомиться с условиями лицензии в репозитории. README не сообщает поддерживаемые языки запросов и длину контекста.

Gerchegg/hyphoria_qwen_v1-Diffusers — пакет модели для библиотеки Diffusers, созданный на основе чекпойнта chapel/hyphoria_qwen_v1.0. В сборке используются компоненты Qwen/Qwen-Image: планировщик, текстовый энкодер, токенизатор и VAE, а веса трансформера заменены на пользовательские веса Hyphoria в формате BF16 Safetensors. Модель предназначена для генерации изображений по текстовым описаниям через QwenImagePipeline. Она основана на Qwen-Image, модели генерации и редактирования изображений с акцентом на точное отображение текста и композиции. Репозиторий распространяется под лицензией Apache-2.0.

ICver6dcocoswingpt250Bpc1e — модель преобразования изображений в текст на основе архитектуры VisionEncoderDecoder. Она дообучена VK246 на датасете COCO от базовой модели VK246/IC_ver6c_coco_swin_gpt2_50Apc_1e. Модель предназначена для генерации текстовых описаний изображений; карточка приводит результаты оценки на тестовом наборе COCO: Loss 0,7897, ROUGE-1 42,1846, ROUGE-2 16,6343, ROUGE-L 38,2927 и BLEU 10,4949. Размер модели, поддерживаемые языки и условия лицензии в доступных сведениях не приведены. Описание модели и её ограничений в карточке не раскрыто; качество может зависеть от изображений и распределения данных.

Idefics2-8b-chatty — мультимодальная модель компании Hugging Face для работы с изображениями и текстом. Она принимает текстовые запросы вместе с одним или несколькими изображениями, в том числе чередуя изображения и текст, и генерирует текстовые ответы. Версия chatty дополнительно дообучена на длинных диалогах и обычно подходит лучше базовой версии, когда нужны более развёрнутые ответы. Модель содержит 8 млрд параметров и использует архитектуру Idefics2: визуальный энкодер обрабатывает изображения, после чего их признаки объединяются с текстовыми представлениями для языковой модели. Модель рассчитана прежде всего на английский язык. Она подходит для описания изображений, визуальных вопросов и ответов, чтения текста на изображениях и документах, а также анализа графиков и диаграмм. Генерировать изображения она не умеет. Модель распространяется по лицензии Apache 2.0. Для работы с Transformers следует использовать версию вне диапазона 4.41.0–4.43.3 включительно: в этих версиях Idefics2 не работает. Как и другие языковые модели, она может давать ошибочные или предвзятые ответы; для специализированных задач рекомендуется дообучение на подходящих данных.

InstructPix2Pix — модель редактирования изображений по текстовым инструкциям, разработанная Тимом Бруксом и соавторами. Она принимает исходное изображение и текстовое описание желаемого изменения и создаёт отредактированное изображение. Модель предназначена для сценариев интерактивного редактирования: например, изменить стиль или цвет объекта, добавить либо убрать элементы, сохранив связь результата с исходным изображением и инструкцией. Репозиторий содержит веса в формате Diffusers, PyTorch и Safetensors; для запуска используется StableDiffusionInstructPix2PixPipeline из библиотеки Diffusers. Модель распространяется по лицензии MIT. В предоставленной карточке не приведены сведения о её ограничениях качества или поддерживаемых языках; надёжность результата может зависеть от формулировки инструкции и содержания исходного изображения.

radames/instruct-pix2pix-img2img — модель редактирования изображений по текстовым инструкциям, основанная на InstructPix2Pix и предназначенная для использования с библиотекой Diffusers. Пользователь передаёт исходное изображение и описывает требуемые изменения, а модель создаёт отредактированное изображение. Модель подходит для преобразования изображений по запросу на естественном языке. В метаданных основная задача указана как image-to-image; классификатор каталога также отмечает text-to-image, однако README описывает именно редактирование существующего изображения. Репозиторий распространяет веса в формате Diffusers, включая safetensors. Лицензия — MIT. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста и конкретные ограничения качества. Для запуска README приводит зависимости diffusers, accelerate, safetensors и transformers.

InternVL2_5-1B — компактная мультимодальная модель семейства InternVL 2.5, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px-V2_5 и языковую модель Qwen2.5-0.5B-Instruct по схеме ViT-MLP-LLM; карточка указывает объединение этих базовых моделей. Модель поддерживает диалоговые запросы с текстом и изображениями, в том числе несколькими изображениями, а архитектура семейства также предусматривает обработку видео по кадрам. Модель предназначена для описания и анализа изображений, визуальных вопросов и ответов, а также мультимодального диалога. Динамическое разбиение изображений на тайлы 448×448 помогает работать с высоким разрешением; README также отмечает улучшения визуального восприятия и сохранения языковых возможностей относительно InternVL 2.0. Данных о размере контекстного окна в предоставленных источниках нет. Модель распространяется по лицензии MIT.

InternVL3-38B — мультимодальная модель OpenGVLab для диалога и анализа изображений вместе с текстом. Она построена по схеме ViT-MLP-LLM: визуальная часть InternViT соединена с языковой моделью через MLP-проектор; стратегия динамического разрешения разбивает изображения на фрагменты 448×448, а V2PE улучшает работу с длинными последовательностями визуальных токенов. Размер модели — 38 млрд параметров. Модель предназначена для ответов на вопросы по изображениям, визуального рассуждения, понимания нескольких изображений и видео, а также текстовых задач. В README семейство также описано как подходящее для работы с инструментами, GUI, промышленными изображениями и 3D-сценами. Метаданные указывают дообучение на базе OpenGVLab/InternVL3-38B-Instruct и поддержку чата; модель распространяется в формате safetensors через Transformers. Карточка сообщает о мультиязычной поддержке, но не перечисляет конкретные языки или длину контекста. Лицензия — Apache 2.0. Практическое ограничение: обработка нескольких изображений увеличивает число входных токенов и может требовать большего окна контекста.

Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

JarvisArt-Preview — мультимодальная модель-агент для интеллектуальной ретуши фотографий, разработанная исследователями из Сямэньского университета и других университетов и организаций. Она принимает изображения и инструкции на естественном языке, а также может использовать ограничивающие рамки для задания областей редактирования. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. JarvisArt предназначена для многоэтапного редактирования изображений: от общей коррекции сцены до локальной ретуши отдельных областей. В оригинальной системе агент координирует более 200 инструментов Adobe Lightroom; обучение включало дообучение с цепочками рассуждений и оптимизацию GRPO-R на наборе MMArt. В карточке этого репозитория не указаны условия лицензии, поэтому их нельзя определить по доступным данным.

KamCastle/jugg — модель генерации изображений по текстовому описанию, опубликованная пользователем KamCastle на Hugging Face. Файл модели называется juggernaut_reborn.safetensors, а метаданные относят её к семейству StableDiffusionPipeline и библиотеке Diffusers. Модель предназначена для text-to-image сценариев: создания изображений на основе текстовых промптов, включая реалистичные и художественные композиции. Объём модели составляет около 0,9 млрд параметров. Поддерживается формат SafeTensors и запуск через совместимые инструменты Diffusers. Модель работает с текстовыми запросами на естественных языках, однако конкретный перечень поддерживаемых языков в доступных источниках не установлен. Лицензия в доступных метаданных и результатах поиска не подтверждена.

Juggernaut Reborn — модель генерации изображений по текстовому описанию, доступная через ModelsLab API и оформленная для использования с Diffusers. Карточка показывает сценарий text-to-image с настройками промпта, отрицательного промпта, размера изображения, числа шагов генерации и guidance scale; модель позиционируется для создания фотореалистичных изображений и портретов. В примере API указаны размер 512×512 и 30 шагов генерации. README также демонстрирует параметры усиления промпта, апскейлинга и подключения LoRA или embeddings. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; фактические условия распространения и использования следует сверять с её текстом.

Juggernaut XI Lightning — модель генерации изображений по текстовому описанию, созданная KandooAI совместно с RunDiffusion. Она основана на Stable Diffusion XL Base 1.0 и представляет собой ускоренную версию Juggernaut XI v11, дистиллированную с использованием SDXL Lightning. Модель предназначена для быстрого создания фотореалистичных изображений и итеративного подбора промптов. Она наследует улучшения Juggernaut XI в детализации лиц, рук и анатомии, следовании запросу и отображении короткого текста на изображениях. Поддерживает промпты на естественном языке и в формате тегов; для генерации рекомендованы 5–7 шагов и CFG 1,5–2,0. По сравнению со стандартной Juggernaut XI модель быстрее и требует меньше видеопамяти при генерации, однако README рекомендует стандартную XI v11, если важнее максимальное качество отдельного изображения. Репозиторий распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии CC BY-NC-ND 4.0, которая запрещает коммерческое использование и распространение производных версий.

Juggernaut XI v11 — модель KandooAI, созданная в сотрудничестве с RunDiffusion, для генерации изображений по текстовым запросам. Это дообучение Stable Diffusion XL Base 1.0, распространяемое для библиотеки Diffusers в форматах PyTorch и Safetensors. Модель ориентирована на фотореалистичные изображения и фотографии с выразительным освещением и композицией. Она принимает запросы на естественном языке или в виде тегов; среди заявленных улучшений — следование запросу, прорисовка лиц, глаз и рук, различение типов кадра и рендеринг коротких надписей. Рекомендуемое разрешение — 832 × 1216 для портретной ориентации и 1216 × 832 для альбомной. Для локальной загрузки требуется принять условия доступа на Hugging Face и аутентифицироваться. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных материалов согласно её условиям. Заявленные улучшения и качество зависят от запроса и настроек генерации.

Juggernaut XL Lightning — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на базе SDXL Lightning и Stable Diffusion XL Base 1.0. Это ускоренный вариант семейства Juggernaut, ориентированный на фотореалистичные изображения и быстрый цикл генерации. Модель предназначена для пакетного создания вариантов, быстрой проверки промптов, интерактивной генерации и демонстраций с низкой задержкой. В README указано, что обычно достаточно 5–7 шагов инференса вместо 30–40 у стандартных вариантов; рекомендуются DPM++ SDE или DPM++ SDE Karras и CFG 1,5–2,0. Меньшее число шагов также может снизить нагрузку на видеопамять. Используется через Diffusers и интерфейсы ComfyUI, Forge, Automatic1111, Fooocus, InvokeAI и SwarmUI. Модель рассчитана на англоязычные текстовые запросы и выдаёт изображения. По сравнению с полношаговым Juggernaut XL v9 README отмечает небольшую потерю деталей ради скорости. Лицензия CreativeML Open RAIL-M допускает личное и творческое использование; размещать модель за платными API-сервисами нельзя без отдельного разрешения.

Kandinsky 2.1 — модель генерации и преобразования изображений, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Этот репозиторий предоставляет модель для image-to-image на базе Diffusers; архитектура Kandinsky 2.1 сочетает unCLIP и latent diffusion, включая трансформерный image prior, диффузионный UNet и декодер MoVQGAN. CLIP используется для кодирования текста и изображений. Модель предназначена для текстово управляемого преобразования изображений, генерации изображений по тексту и интерполяции между изображениями. Для обучения image prior использовались данные LAION Improved Aesthetics с последующим дообучением на LAION HighRes; основная диффузионная модель обучалась на парах текста и изображений LAION HighRes и дополнительно на высококачественных изображениях с описаниями. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии Apache-2.0.

Karlo v1 alpha — модель генерации изображений по тексту от Kakao Brain на основе архитектуры unCLIP от OpenAI. Она также поддерживает создание вариаций изображения. Модель состоит из prior, декодера и модуля суперразрешения; для генерации использует текстовый энкодер CLIP ViT-L/14. Модуль суперразрешения увеличивает изображение с 64 до 256 пикселей за семь шагов, применяя дополнительный шаг для восстановления высокочастотных деталей. Компоненты обучены с нуля на 115 млн пар изображений и текстов. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; лицензия — CreativeML Open RAIL-M. Карточка приводит результаты оценки на CC3M и MS-COCO, но не описывает языковой охват запросов или ограничения на содержание изображений.

Kolors-Inpainting — модель генерации и редактирования изображений с заполнением замаскированных областей, разработанная командой Kwai. Веса и код вывода инициализированы из Kolors-Basemodel. Архитектура основана на UNet; для обработки маски к входу добавлены пять каналов: четыре для закодированного изображения с маской и один для самой маски. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для восстановления или замены содержимого выбранной области изображения по текстовому запросу. В README описано обучение с разнообразными масками, включая случайные, прямоугольные, сегментационные и расширенные морфологическими операциями. В приведённой пользовательской оценке на наборе из 200 примеров Kolors-Inpainting получила наивысший общий балл среди сравниваемых моделей; сравнение использовало китайские запросы для Kolors и английские для SDXL-Inpainting. Модель поддерживает китайский и английский языки запросов. Карточка описывает результаты редактирования по маске, однако метаданные Hugging Face классифицируют её как text-to-image. Сравнительная оценка ограничена небольшим набором примеров и разными языками запросов между моделями.

Raxephion/Krea2-Serendipity-V3 — дообученная текстово-графическая модель для генерации изображений по текстовым описаниям, созданная на основе Krea 2 Turbo. Автор дообучил LoRA на отобранных и размеченных вручную фотографиях, затем объединил её с базовой моделью. Модель распространяется в вариантах fp8, int8convrot и bf16. Serendipity V3 ориентирована на кинематографичные сцены и точное управление композицией: положением камеры и объектов, глубиной переднего, среднего и заднего планов, перспективой, освещением и взаимодействием персонажей. Подходит для раскадровок, кадров в стиле кино, комиксов, концепт-арта, динамичных сцен и многоплановых композиций. README также заявляет улучшенное следование композиционным инструкциям и генерацию NSFW-контента без дополнительных LoRA. Модель принимает текстовые запросы и выдаёт изображения. Лицензия — KREA 2 License Agreement; перед использованием необходимо соблюдать её условия. По заявлению автора, модель предназначена для общего NSFW-контента, но не для откровенной эротики; для более специализированного контента рекомендуется отдельная LoRA.

Solstice V1 — производная от Krea 2 Turbo модель генерации изображений, опубликованная Raxephion. Она предназначена для создания изображений по текстовым описаниям с акцентом на кинематографичный фотореализм, гармоничную композицию и выразительную подачу объектов. По сравнению с базовой моделью она стремится передавать фантастические и стилизованные сцены как фотографии, а не иллюстрации или компьютерную графику. Модель подходит для портретов, фэнтези, киберпанка, экшена, неонуара и редакционных изображений. Она ориентируется на естественное кинематографичное освещение, насыщенную цветовую гамму, детализацию кожи, волос, ткани, металла и стекла, а также на ясную иерархию объектов в кадре. В README заявлена хорошая точность следования промпту и совместимость с LoRA персонажей. Доступны варианты FP8, BF16 и INT8 ConvRot; метаданные указывают библиотеку Diffusers и формат safetensors. Solstice основана на Krea 2 Turbo и создана с использованием независимо обученных LoRA, отобранных и объединённых с базовой моделью. Для использования применяются условия лицензии KREA 2; перед использованием весов следует ознакомиться с её официальными условиями. Автор отмечает, что возможности версии V1 для NSFW-контента нестабильны.

Krea 2 Turbo — модель генерации изображений по текстовому описанию от Krea.ai, Inc. Это чекпойнт семейства Krea 2 версии 1.0, выпущенный в июне 2026 года. Модель построена на архитектуре Diffusion Transformer и содержит 12 млрд параметров; для запуска доступны веса safetensors и интеграция с Diffusers через Krea2Pipeline. Модель предназначена для создания изображений по запросам на естественном языке, в том числе для разработки концепций, исследования дизайна, визуального производства и интеграции в творческие приложения. Turbo — дообученный и дистиллированный чекпойнт с режимом быстрого вывода; README приводит пример генерации за 8 шагов при CFG 0 и разрешении 2048 × 2048. В карточке заявлена поддержка английского языка. Модель может не следовать запросу и создавать неточные или нежелательные изображения; она не предназначена для выдачи фактической информации. Для самостоятельного развертывания разработчикам следует проводить проверку безопасности и применять фильтры. Условия использования задаются Krea 2 Community License и Acceptable Use Policy; карточка исключает незаконное и вредоносное применение.

Latte-1 — предварительно обученная модель генерации видео по тексту из проекта Latte, разработанного авторами исследования Latte: Latent Diffusion Transformer for Video Generation. Она построена на латентной диффузии с трансформером и распространяется в формате Diffusers с весами Safetensors. Модель предназначена для создания видео по текстовым запросам; README также сообщает о поддержке генерации изображений по тексту. Latte-1 подходит для экспериментов и приложений, которым нужно создавать визуальные материалы из текстовых описаний. В карточке не приведены размер модели, длина контекста и перечень поддерживаемых естественных языков. Модель распространяется по лицензии Apache-2.0.

Это версия Llama 3.2 Vision, размещённая Unsloth и основанная на Meta Llama 3.2 11B Vision. Модель использует плотную мультимодальную архитектуру Mllama и предназначена для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Репозиторий содержит веса в формате safetensors и пример ноутбука Unsloth для дообучения модели с меньшими затратами памяти. Модель подходит для визуальных вопросов и ответов, описания изображений и других диалоговых сценариев, где нужно связать изображение с текстом. В карточке Unsloth не приведены отдельные параметры длины контекста или точные языковые характеристики именно этой версии. В README Llama 3.2 перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский как официально поддерживаемые языки. Использование регулируется лицензией Llama 3.2 Community License — специальной лицензией с коммерческими условиями.

Мультимодальная чат-модель семейства Llama 3.2 Vision, опубликованная mlx-community. Это конверсия в формат MLX модели huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated; в метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct. Архитектура — плотная MllamaForConditionalGeneration, размер — 11 млрд параметров. Модель принимает текст и изображения и генерирует текстовые ответы в диалоге, в том числе ответы на вопросы по изображениям. Она рассчитана на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Конверсию выполнили с помощью mlx-vlm версии 0.1.4; репозиторий содержит веса в safetensors. Лицензия — Llama 3.2 Community License.

Llama 4 Scout — мультимодальная инструкционная модель Meta на архитектуре Mixture of Experts с ранним объединением текстовой и визуальной информации. Репозиторий Unsloth содержит вариант, описанный как исходная модель Llama 4 Scout без изменений, подготовленный для дообучения средствами Unsloth; метаданные указывают базовую модель meta-llama/Llama-4-Scout-17B-16E-Instruct. В README Scout описана как модель с 17 млрд параметров и 16 экспертами. Модель предназначена для диалогов с ассистентом, понимания изображений и визуальных рассуждений: она может описывать изображения, распознавать визуальное содержимое и отвечать на вопросы о нём. Заявлена поддержка арабского, английского, французского, немецкого, хинди, индонезийского, итальянского, португальского, испанского, тагальского, тайского и вьетнамского языков. README сообщает, что модель тестировалась на входах до пяти изображений. Модель доступна по пользовательской лицензии Llama 4 Community License Agreement с условиями коммерческого и исследовательского использования и соблюдением Acceptable Use Policy. К ограничениям относятся статичный обучающий набор, отсутствие гарантии будущих обновлений и необходимость дополнительного тестирования при подаче более пяти изображений или использовании за пределами явно поддерживаемых языков и возможностей.

LLaVA-Llama-3-8B-v1.1 — мультимодальная модель XTuner для диалога по изображениям. Она дообучена на Meta-Llama-3-8B-Instruct и использует визуальный энкодер CLIP ViT-Large/14 с разрешением 336 пикселей и MLP-проектором. Для обучения использовались ShareGPT4V-PT и InternVL-SFT; модель доступна в формате Hugging Face LLaVA и сохранена в safetensors. Модель принимает изображение вместе с текстовым запросом и генерирует текстовый ответ. Она подходит для описания изображений, ответов на вопросы о визуальном содержимом и анализа диаграмм или учебных изображений. В README приведены результаты на мультимодальных тестах, включая MMBench, AI2D и TextVQA. Лицензия в предоставленных данных не указана.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная чат-модель, разработанная Haotian Liu, Chunyuan Li, Yuheng Li, Bo Li, Yuanhan Zhang, Sheng Shen и Yong Jae Lee. Она объединяет языковую модель Vicuna-13B с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. Модель принимает изображения и текстовые запросы, а ответы формулирует текстом. По сравнению с LLaVA-1.5 в ней используются динамическое высокое разрешение и более разнообразные данные визуальной настройки инструкций; заявленные сценарии включают описание изображений, визуальные вопросы и ответы, распознавание текста на изображениях и мультимодальный чат. Репозиторий содержит веса в формате Safetensors. Лицензия указана как Llama 2. Возможные ограничения включают ошибки в распознавании деталей изображения и текста, а также неточности в ответах; отдельные количественные оценки качества в карточке не приведены.

LongCat-Image-Edit-Turbo-GGUF — квантованная версия модели LongCat-Image-Edit-Turbo, разработанной командой Meituan LongCat и адаптированной для использования в ComfyUI. Это модель image-to-image для редактирования изображений по текстовым инструкциям. Модель предназначена для глобального и локального редактирования, изменения текста на изображении, а также редактирования с использованием референсных изображений. Она ориентирована на точное следование инструкциям, сохранение компоновки, текстур, цветовой гаммы и идентичности объектов в неизменяемых областях, включая многошаговое редактирование. Дистиллированная версия выполняет инференс примерно за 8 NFE (Number of Function Evaluations), что обеспечивает низкую задержку. В README указаны поддерживаемые языки English и Chinese, библиотека Transformers и формат GGUF. Сведения о размере модели, конкретной архитектуре и максимальном контексте не приведены. Модель предназначена для генерации и редактирования изображений, поэтому её ограничения включают зависимость качества от исходного изображения и точности инструкции; количественные результаты приведены только в общем виде, без конкретных метрик. Распространяется по лицензии Apache-2.0.

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.