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

UNISON — разработанная авторами проекта единая модель для генерации и редактирования аудио и речи. Она поддерживает создание звуков по текстовому описанию, синтез речи, клонирование голоса по образцу, генерацию сцен с речью и фоновыми звуками, а также редактирование аудио и речи в сцене. Задача задаётся в текстовом промпте, а исходное аудио при необходимости подаётся как условие. Модель использует латентное сопоставление потоков, архитектуру MM-DiT и общий VAE-кодировщик и декодировщик для разных задач. Текстовые признаки поступают от замороженного Qwen2.5-Omni-7B через послойное объединение с блоками MM-DiT. В репозитории представлены варианты с VAE на 44 и 16 кГц; оба используют текстовый энкодер Qwen2.5-Omni-7B. Карточка указывает поддержку английского и китайского языков. Лицензия — Apache-2.0.

abdalrahmanshahrour/auto-arabic-summarization — модель суммаризации на архитектуре mBART, обученная с помощью AutoTrain. Она предназначена для автоматического составления краткого содержания арабского текста; карточка также указывает сценарии генерации заголовков арабских новостей и перефразирования. Модель содержит 95 млн параметров, принимает текст с контекстом до 1024 токенов и выдаёт текст. Основной язык — арабский, в частности современный литературный арабский (MSA). Вес опубликован в формате PyTorch. В README приведены метрики валидации: loss 0.829, ROUGE-1 1.132, ROUGE-2 0.127, ROUGE-L 1.137 и ROUGE-Lsum 1.129. Условия лицензии в доступных данных не указаны, поэтому их нельзя установить по этой карточке.

NbAiLab/borealis-12b — мультимодальная инструкционная модель на 12 млрд параметров, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket, NB). Это дообучение google/gemma-3-12b-it для следования инструкциям с ориентацией на норвежский язык; модель использует архитектуру Gemma 3 и распространяется в формате safetensors для Transformers. Она принимает текст и изображения и формирует текстовые ответы. Модель предназначена для задач ассистента на норвежском языке: написания и редактирования текстов, составления заголовков и вводных абзацев новостей, суммаризации, ответов на вопросы и несложных рассуждений. Также её можно применять для оценки качества норвежского письма и работы с букмолом и нюношком. В обучении использован набор NbAiLab/aurora-sft; эта версия включает ограниченный объём заданий на основе защищённых авторским правом норвежских газетных материалов, с отсечкой публикаций на 1 января 2025 года. Основная языковая ориентация — норвежский, включая букмол и нюношк; модель также оценивается на английских задачах. Это не специализированная модель рассуждений. Она может выдавать неверные, предвзятые или неподходящие ответы, а качество за пределами норвежского и английского языков изучено не полностью; для критически важных решений нужны дополнительная проверка и меры безопасности. Лицензия указана как other; условия использования следует сверять с карточкой модели и условиями базовой Gemma 3.

NbAiLab/borealis-1b — компактная инструктивная языковая модель семейства Borealis, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket). Это дообучение Gemma 3 с 1 млрд параметров; версия в репозитории распространяется в формате Safetensors и поддерживает контекст до 32 768 токенов. Модель ориентирована на работу с норвежским языком, включая букмол и нюношк, а также поддерживает сценарии на английском языке. Модель предназначена для диалоговых задач помощника: написания и редактирования текстов, суммаризации, ответов на вопросы и лёгких рассуждений. Она также подходит для создания заголовков и вводных текстов новостных статей, а также для оценки качества письменного норвежского. Обучение выполнено на инструктивном наборе NbAiLab/aurora-sft; полный выпуск включает ограниченный набор задач, созданных на основе защищённых авторским правом норвежских газетных материалов. Модель может выдавать неверные сведения, предвзятые или неподходящие ответы; её не следует применять в критически важных сценариях без дополнительной проверки и защитных мер. Качество за пределами норвежского и английского языков изучено недостаточно. В метаданных указана лицензия «other»; README не приводит её конкретные условия, поэтому перед использованием следует проверить лицензионные условия репозитория и базовой Gemma 3.

NbAiLab/borealis-27b — мультимодальная инструкция-модель на 27 млрд параметров из семейства Borealis, разработанная Национальной библиотекой Норвегии. Она дообучена методом supervised fine-tuning на базе google/gemma-3-27b-it для следования инструкциям и работы в роли помощника с упором на норвежский язык. Модель предназначена для подготовки и редактирования текстов, суммаризации, ответов на вопросы и лёгких рассуждений на норвежском языке, включая букмол и нюношк; также заявлены английские оценки и применение. Архитектура Gemma 3 поддерживает обработку изображений наряду с текстовым диалогом. В обучении использован набор NbAiLab/aurora-sft; полный релиз включает ограниченный набор заданий, созданных на основе защищённых авторским правом норвежских газетных материалов с отсечкой 1 января 2025 года. Модель не позиционируется как специализированная модель рассуждений. Она может галлюцинировать, выдавать неверные, предвзятые или неподходящие ответы; её безопасность не гарантирует отсутствия вредного контента, а качество за пределами норвежского и английского языков изучено недостаточно. Лицензия указана как other; перед использованием следует проверить условия репозитория и базовой модели.

NbAiLab/borealis-4b — инструктивная мультимодальная модель на 4 млрд параметров из семейства Borealis, разработанная Национальной библиотекой Норвегии. Она дообучена методом SFT на базе google/gemma-3-4b-it для следования инструкциям с акцентом на норвежский язык, включая букмол и нюнорск. Модель принимает текст и изображения и отвечает текстом; карточка указывает архитектуру Gemma 3 и поддержку диалогового режима и зрения. Модель предназначена для норвежских ассистентских сценариев: написания и редактирования текстов, создания заголовков и вводных абзацев новостей, суммаризации, ответов на вопросы и несложных рассуждений. Также её можно использовать для оценки качества норвежского письма. В обучении использован набор NbAiLab/aurora-sft, в том числе ограниченный объём материалов защищённых авторским правом норвежских газет; для этого релиза указан срез публикаций до 1 января 2025 года. Модель может ошибаться, галлюцинировать и выдавать предвзятый, вредный или неуместный контент; согласование безопасности снижает эти риски, но не устраняет их. Это не специализированная модель для сложных рассуждений, а её качество за пределами норвежских и английских сценариев полноценно не оценено. Лицензия указана как other; конкретные условия использования следует проверять в карточке модели и связанных условиях Gemma 3.

NbAiLab/borealis-open-27b — открытая инструкция-настроенная модель семейства Borealis, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket). Это дообучение мультимодальной Gemma 3 27B для работы в роли помощника с акцентом на норвежский язык; репозиторий содержит веса Safetensors для Transformers. Модель предназначена для написания и редактирования текстов на норвежском, суммаризации, ответов на вопросы, лёгких рассуждений и диалога. Поддерживает норвежский букмол и нюнорск, а также английский; архитектура Gemma 3 позволяет работать с изображениями и текстом. В открытой версии не используются материалы, предоставленные по соглашению с правообладателями; настройка выполнена на открытом наборе NbAiLab/aurora-sft-open. Модель может галлюцинировать и выдавать неверные, предвзятые или неподходящие ответы; выравнивание безопасности не исключает вредные результаты. Качество за пределами норвежского и английского языков изучено недостаточно, а модель не предназначена для сложных рассуждений или критически важных решений. Лицензия — Gemma; перед использованием следует учитывать её условия.

Clear — модель Desert Ant Labs для локального улучшения речи в аудиозаписях. Она подавляет шум, уменьшает реверберацию и нормализует громкость, чтобы записи с телефонных и ноутбучных микрофонов, Bluetooth-гарнитур и в необработанных помещениях звучали чище. Поддерживает моно- и стереоаудио с частотой 48 кГц; доступны варианты clear-studio с более тихими паузами и clear-natural, сохраняющий звучание комнаты, дыхания и губных шумов. Модель поставляется в форматах Core ML, ONNX и TensorFlow Lite для локального выполнения на мобильных и других устройствах. Для Core ML заявлена оптимизация под Apple Neural Engine. По карточке, модель ориентирована на подкасты, озвучивание, видеозаписи, голосовые приложения и очистку записей встреч. Лицензия указана как other, конкретные условия в карточке не описаны.

glinermediumnews-v2.1 — модель извлечения сущностей, разработанная Emergent Methods как дообучение GLiNER на новостных данных. Она предназначена для обнаружения в тексте сущностей заданных типов, включая организации, людей, местоположения, даты, числа и транспортные средства. Модель использует архитектуру на основе DeBERTa и поддерживает zero-shot извлечение сущностей; дообучение на разнообразных новостных примерах улучшило точность на 18 наборах тестов, по данным авторов, вплоть до 7,5% относительно базовой GLiNER. Модель рассчитана на извлечение сущностей из новостей и текстов широкого круга тематик, в том числе в сценариях с длинным контекстом и высокой пропускной способностью. README указывает английский как основной язык, а также упоминает тексты и переводы с испанского, португальского, немецкого, русского, французского, арабского, итальянского, украинского, норвежского, шведского и датского языков. Доступна по лицензии Apache 2.0. Данные для дообучения были синтетически созданы на основе новостных материалов AskNews: WizardLM 13B v1.2 использовалась для перевода и суммаризации, а Llama 3 70B Instruct — для извлечения сущностей при подготовке данных. Авторы отмечают сохраняющийся перекос в сторону западных языков и стран, а также возможное наследование смещений генераторов синтетических данных.

Llama 4 Maverick — мультимодальная модель Meta для диалога и понимания изображений. Она использует авторегрессионную архитектуру mixture-of-experts с 17 млрд параметров и 128 экспертами, а также раннее объединение модальностей для работы с текстом и изображениями. В репозитории доступны веса Safetensors для Transformers. Модель предназначена для коммерческих и исследовательских сценариев: чат-помощников, визуального анализа, распознавания объектов и сцен, описания изображений и ответов на вопросы по ним. Она поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. Модель проверена для анализа до пяти изображений на вход. Для использования действует пользовательская Llama 4 Community License Agreement. Модель обучена на статичном офлайн-наборе данных. Возможности и качество могут различаться в зависимости от языка и сценария; для работы с большим числом изображений, чем проверенное, требуется дополнительная проверка и настройка.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Joemgu/mlong-t5-base-sumstew — модель суммаризации на архитектуре LongT5, разработанная автором репозитория и дообученная на наборе данных Joemgu/sumstew. Она принимает документ с инструкцией «Summarize:» или «Write a title and summarize:» и генерирует краткое изложение либо заголовок вместе с изложением. Модель содержит 296 млн параметров, принимает текст с контекстом до 4096 токенов и распространяется в форматах PyTorch и Safetensors через библиотеку Transformers. Модель подходит для сокращения длинных текстов и автоматической подготовки заголовков с кратким содержанием. В метаданных перечислены английский, немецкий, французский, итальянский и испанский языки. Лицензия Apache-2.0 разрешает использование, изменение и распространение при соблюдении её условий. Качество результатов может зависеть от языка и тематики входного документа; отдельные оценки качества в карточке не приведены.

BRIA RMBG-2.0 — модель сегментации изображений для удаления фона, разработанная BRIA AI на архитектуре BiRefNet. Она отделяет передний план от фона на изображениях с объектами, людьми и животными, в том числе для материалов электронной коммерции, игр, рекламы и создания контента. На выходе модель формирует одноканальную 8-битную карту прозрачности: значение каждого пикселя задаёт степень его непрозрачности, поэтому порог отделения переднего плана можно выбирать самостоятельно. Модель обучена на более чем 15 000 лицензированных изображений с попиксельной разметкой; в обучающих данных представлены фотореалистичные и нефотореалистичные изображения, сплошной и сложный фон, одиночные и множественные объекты. Доступны веса и варианты в форматах PyTorch, Safetensors и ONNX. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; для коммерческого применения требуется отдельное соглашение с BRIA.

Stable Audio 3 Medium — модель семейства Stable Audio 3, разработанная Stability AI для генерации и редактирования аудио по текстовым описаниям. Это модель латентной диффузии на основе трансформера, использующая семантико-акустический автоэнкодер и текстовое кондиционирование с помощью предварительно обученной T5Gemma. Модель поддерживает генерацию аудио переменной длительности, продолжение коротких записей и локальное редактирование аудио методом inpainting. Модель предназначена для создания музыки и звуковых эффектов; веса Medium рассчитаны в том числе на запуск на потребительском оборудовании. Разработчик сообщает о генерации за секунды на H200 и MacBook Pro M4. В обучении использованы лицензированные записи AudioSparx и материалы Freesound с лицензиями CC-0, CC-BY и CC-Sampling+. Модель ориентирована на английские текстовые запросы. Для использования действуют Stability AI Community License и условия Gemma Terms of Use для T5Gemma; коммерческое применение требует обращения к Stability AI за коммерческой лицензией.

SummLlama3.1-70B — модель DISLab для суммаризации текста, дообученная на базе meta-llama/Llama-3.1-70B-Instruct методом Direct Preference Optimization (DPO). Обучение использовало более 100 тысяч примеров обратной связи о качестве суммаризаций для текстов разных типов и длины, включая диалоги и недиалоговые документы из новостей, повседневной жизни, отчётов, медицины, интервью и встреч. Модель содержит 69,5 млрд параметров, построена на плотной архитектуре Llama и поддерживает контекст до 131 072 токенов. Она предназначена для создания кратких сводок с акцентом на точность относительно источника, полноту ключевой информации и лаконичность; в README рекомендован конкретный формат запроса с инструкцией summarize. Метаданные также отмечают интерфейсы чата и вызова инструментов, но основное назначение модели — суммаризация. README сообщает об оценках качества на человеческих и автоматизированных тестах, однако приведённые таблицы содержат результаты других конфигураций SummLlama и не позволяют установить отдельные численные результаты для версии 3.1-70B. Лицензия в предоставленных данных не указана.

VACE-Wan2.1-1.3B-Preview — модель Tongyi Lab для создания и редактирования видео, дообученная на базе Wan2.1-T2V-1.3B. Она объединяет генерацию видео по референсным изображениям, редактирование видео по видео и редактирование с маской. Можно комбинировать сценарии, например перемещать или заменять объекты, анимировать изображения и расширять видео. Модель принимает текстовый запрос и, в зависимости от сценария, видео, маску и изображения; результатом служит видео. В README для этой версии указан ориентир размера ролика около 81 кадра при разрешении 480 × 832; поддерживаются и другие разрешения, но оптимальные результаты ожидаются в заданном диапазоне. Метаданные указывают английский и китайский языки. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

Карточка модели amandabenson/acestep-transcriber-fork на Hugging Face совпадает с карточкой ACE-Step/acestep-transcriber, поэтому описание составлено по ней. ACE-Step Transcriber — мультиязычная модель транскрибации, используемая ACE-Step v1.5 для разметки обучающих данных. В карточке указана архитектура Qwen2.5-Omni; модель принимает аудио и формирует структурированный текст с распознанной речью или текстом песен, а также пометками частей композиции, например куплетов, припева и инструментальных фрагментов. Модель предназначена для распознавания речи и пения, извлечения текста песен, создания субтитров и анализа музыкальной структуры. Она поддерживает более 50 языков, включая китайский, японский, корейский, вьетнамский, тайский, индонезийский, малайский, филиппинский, хинди, бенгальский, тамильский и урду. Репозиторий содержит веса в формате Safetensors, используется библиотека Transformers. Лицензия — MIT.

BEN2 (Background Erase Network 2) — модель сегментации переднего плана и удаления фона, разработанная PramaLLC. Она использует конвейер Confidence Guided Matting: сеть-уточнитель обрабатывает пиксели с низкой уверенностью базовой модели, улучшая маски и края объектов. Модель обучена на DIS5k и внутреннем наборе данных из 22 тысяч примеров сегментации. BEN2 предназначена для отделения объектов от фона, в том числе при обработке волос и сложных контуров; README также описывает пакетную обработку изображений и сегментацию видео. Указана поддержка обработки изображений с разрешением до 4K. В репозитории представлены форматы ONNX и safetensors. Открытая базовая модель доступна по лицензии MIT. Полная версия предлагается через веб-демо или API. README не сообщает подробностей о поддерживаемых языках и ограничениях качества.

Модель textattack/bert-base-uncased-ag-news — классификатор текстов на базе BERT, дообученный командой TextAttack на наборе данных AG News. Она предназначена для отнесения новостных текстов к тематическим категориям. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов; при обучении использовалась максимальная длина 128 токенов. В карточке указана точность 0,9514 на оценочной выборке. Модель подходит для автоматической сортировки новостей и тематической разметки текстовых публикаций. Данных о лицензии в предоставленных источниках нет.

Карточка модели sshleifer/distilbart-cnn-12-3 на Hugging Face совпадает с карточкой sshleifer/distilbart-cnn-12-6, поэтому описание составлено по ней. sshleifer/distilbart-cnn-12-6 — англоязычная модель суммаризации текста на базе BART, представленная в семействе DistilBART. Вариант 12-6 использует 12 слоёв кодировщика и 6 слоёв декодировщика; размер модели по метаданным — 252,8 млн параметров. Она предназначена для сокращения документов и статей до краткого связного пересказа. Модель обучена для суммаризации на данных CNN/DailyMail; в карточке также приведены метрики для вариантов DistilBART, включая оценки ROUGE и времени вывода. Она принимает текст и генерирует текстовое резюме, поддерживает контекст до 1024 токенов и доступна в форматах PyTorch и Flax. Лицензия — Apache 2.0. Модель рассчитана на английский язык. Контекстное окно ограничивает длину обрабатываемого текста, а качество и скорость зависят от длины входа и выбранного варианта; приведённая таблица метрик относится к нескольким вариантам DistilBART и не даёт отдельной оценки именно для distilbart-cnn-12-6.

Карточка модели banmaoycrane/HunyuanVideo-1.5 на Hugging Face совпадает с карточкой tencent/HunyuanVideo-1.5, поэтому описание составлено по ней. HunyuanVideo-1.5 — модель генерации видео от Tencent с 8,3 млрд параметров. Она использует архитектуру Diffusion Transformer (DiT), 3D causal VAE и механизм Selective and Sliding Tile Attention (SSTA), который снижает вычислительные затраты при работе с длинными видеопоследовательностями. Модель поддерживает генерацию видео по текстовому описанию и по изображению, а также разные длительности и разрешения; сеть суперразрешения повышает результат до 1080p. Модель предназначена для создания роликов с согласованным движением, следованием инструкциям и визуально проработанными сценами. README описывает двуязычное понимание английского и китайского, а также поэтапное обучение и оптимизацию вывода. Для запуска доступны веса в формате safetensors и интеграция с Diffusers; заявленная скорость измерялась на восьми GPU H800, поэтому она не гарантирует аналогичную производительность на потребительском оборудовании. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория перед применением или распространением модели.

JoyAI-Video-Edit — система потокового редактирования видео по текстовым инструкциям, разработанная командой JoyAI. Она принимает видеопоток с камеры или загруженный ролик и последовательно изменяет кадры по мере их поступления, поддерживая открытые по длительности потоки и не ожидая обработки всего видео. Архитектура включает MLLM-кодировщик условий, каузальный видео-VAE и мультимодальный диффузионный трансформер на 16 млрд параметров с авторегрессионной генерацией. Заявлена производительность до 30 кадров/с при разрешении 720 × 1248 в развернутом конвейере. Модель предназначена для редактирования объектов и отдельных областей, изменения фона и движения, переноса стиля, а также редактирования с опорным изображением. Разработчики сообщают об улучшенной сохранности объектов и их идентичности при работе с референсом и о повышении временной согласованности длинных потоков. Для запуска нужны опубликованные веса и код развертывания; производительность зависит от оборудования и конфигурации. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели unsloth/Llama-4-Maverick-17B-128E на Hugging Face совпадает с карточкой meta-llama/Llama-4-Maverick-17B-128E, поэтому описание составлено по ней. Llama 4 Maverick — мультимодальная модель Meta для диалога и понимания изображений. Она использует авторегрессионную архитектуру mixture-of-experts с 17 млрд параметров и 128 экспертами, а также раннее объединение модальностей для работы с текстом и изображениями. В репозитории доступны веса Safetensors для Transformers. Модель предназначена для коммерческих и исследовательских сценариев: чат-помощников, визуального анализа, распознавания объектов и сцен, описания изображений и ответов на вопросы по ним. Она поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. Модель проверена для анализа до пяти изображений на вход. Для использования действует пользовательская Llama 4 Community License Agreement. Модель обучена на статичном офлайн-наборе данных. Возможности и качество могут различаться в зависимости от языка и сценария; для работы с большим числом изображений, чем проверенное, требуется дополнительная проверка и настройка.

LTX-2.5 — модель Lightricks с открытыми весами для генерации видео и синхронизированного аудио по тексту, изображениям и видео. Модель предназначена для локального запуска и дообучения; семейство использует диффузионный трансформер DiT размером 22 млрд параметров и текстовый энкодер Gemma 4 12B. В репозитории представлены отдельные файлы компонентов в формате safetensors, включая полную и дистиллированную версии трансформера. Модель поддерживает генерацию связанных сцен с сохранением персонажей, окружения, освещения, голоса и стиля между кадрами, а также улучшенное следование сложным промптам. Предусмотрены генерация видео по изображению и управление длительностью клипа. Основной сценарий — создание видеороликов с аудио для локальных рабочих процессов; применение в робототехнике и физическом ИИ пока развивается. Текстовый энкодер заявлен для нескольких языков, включая английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Для компаний с годовой выручкой менее 10 млн долларов README описывает бесплатное коммерческое и производственное использование по лицензии LTX-2.x Community License; передача дообученных моделей может требовать платной лицензии. Для организаций с выручкой свыше 10 млн долларов указано отдельное платное коммерческое соглашение. Модель не предназначена для выдачи фактической информации; качество соответствия промпту зависит от формулировки, а генерация может быть неточной и содержать неприемлемый или оскорбительный контент.

LTX-2.5 — видеомодель с открытыми весами от Lightricks для локального запуска и дообучения. Она генерирует синхронизированные видео и аудио по текстовым, графическим и видеоусловиям; также README указывает на новые возможности многокадровой генерации с сохранением персонажей и стиля между сценами. Применение в робототехнике и физическом ИИ пока развивается. Модель семейства LTX использует диффузионный трансформер и набор отдельных компонентов в формате safetensors. В состав входят текстовый энкодер Gemma 4 12B и видеодекодер DiffVAE; доступны полная и дистиллированная версии трансформера, включая ускоренный 8-шаговый вариант. README описывает обработку текста, изображений и видео, а метаданные перечисляют языковые теги en, de, es, fr, ja, ko, zh, it и pt. Длина контекста не указана. Модель рассчитана на создание видеороликов по текстовым запросам и исходным изображениям или видео, в том числе сцен с несколькими связанными планами. README предупреждает, что точное следование запросу не гарантируется, результат зависит от формулировки запроса, а модель не предназначена для получения фактической информации и может воспроизводить предвзятость или создавать неподходящий контент. Лицензия LTX-2.x Community License разрешает бесплатное коммерческое и производственное использование организациям с годовой выручкой менее 10 млн долларов; для более крупных организаций требуется платное соглашение, а передача дообученных моделей может требовать отдельной лицензии.

october-sd/mbart-large-50-finetuned-mr-sum — модель суммаризации на архитектуре mBART-50, разработанная пользователем october-sd и дообученная на базе mBART. Она предназначена для автоматического составления краткого пересказа текста. В README указана оценка Loss 1.9896 на наборе оценки, но сведения о данных обучения и подробные результаты отсутствуют. Модель содержит 457,4 млн параметров, принимает текст с контекстом до 1024 токенов и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия MIT разрешает использование на её условиях.

Карточка модели A1Azmi/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели baselquants/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели BIGJUTT/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.