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

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входным данным. В репозитории представлены два специализированных чекпойнта H3-Base-FL2VA и H3-Base-Ref2VA; архитектура объединяет текстовый энкодер, визуальный и аудио VAE и Omni Transformer, который совместно предсказывает видео- и аудиолатенты. Модель принимает текст, изображения, видео и аудио, а генерирует видео и аудио. Длительность результата составляет 4–15 секунд; заявлены разрешения до 2K через дополнительный модуль H3-Regenerate-2K. H3-Base-FL2VA поддерживает генерацию по тексту, первому или последнему кадру, а также по паре начального и конечного кадров. H3-Base-Ref2VA позволяет использовать смешанные референсы: до девяти изображений, трёх видеоклипов и трёх аудиоклипов при общем лимите в 12 файлов. Репозиторий содержит веса в форматах Diffusers и Safetensors. Для сложных свободных мультимодальных запросов разработчик рекомендует H3-Context-IR, который разбирает и структурирует контекст, но этот компонент не входит в открытую поставку и доступен через размещённый сервис/API. Для открытого релиза указана лицензия other; её конкретные условия следует проверять в карточке модели.

Карточка модели Exmanq/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 nahxa/MiniMax-H3 на Hugging Face совпадает с карточкой Xdp99/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Представленная карточка описывает открытые чекпойнты H3-Base для генерации видео с синхронным стереозвуком по тексту и мультимодальным входам: изображениям, видео и аудио. Модель поддерживает клипы длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет повторно генерировать результат с разрешением до 2K. Архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в мультимодальную последовательность, обрабатываемую H3-Omni-Transformer. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Вариант FL2VA принимает ноль, одно или два изображения для генерации от текста, первого или последнего кадра либо от пары начального и конечного кадров. Вариант Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при ограничении до 12 файлов всего; аудио нельзя подавать без изображения или видео. Для работы со сложными свободными мультимодальными инструкциями разработчик рекомендует предварительную обработку через H3-Context-IR, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. Открытая версия поддерживает инференс с полным вниманием; разреженное внимание заявлено для будущего выпуска. Репозиторий использует Diffusers и safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

Карточка модели nyxtesla/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 QVQsdaa/MiniMax-H3 на Hugging Face совпадает с карточкой Xdp99/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Представленная карточка описывает открытые чекпойнты H3-Base для генерации видео с синхронным стереозвуком по тексту и мультимодальным входам: изображениям, видео и аудио. Модель поддерживает клипы длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет повторно генерировать результат с разрешением до 2K. Архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в мультимодальную последовательность, обрабатываемую H3-Omni-Transformer. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Вариант FL2VA принимает ноль, одно или два изображения для генерации от текста, первого или последнего кадра либо от пары начального и конечного кадров. Вариант Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при ограничении до 12 файлов всего; аудио нельзя подавать без изображения или видео. Для работы со сложными свободными мультимодальными инструкциями разработчик рекомендует предварительную обработку через H3-Context-IR, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. Открытая версия поддерживает инференс с полным вниманием; разреженное внимание заявлено для будущего выпуска. Репозиторий использует Diffusers и safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

Карточка модели saluca-labs/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.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Представленная карточка описывает открытые чекпойнты H3-Base для генерации видео с синхронным стереозвуком по тексту и мультимодальным входам: изображениям, видео и аудио. Модель поддерживает клипы длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет повторно генерировать результат с разрешением до 2K. Архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в мультимодальную последовательность, обрабатываемую H3-Omni-Transformer. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Вариант FL2VA принимает ноль, одно или два изображения для генерации от текста, первого или последнего кадра либо от пары начального и конечного кадров. Вариант Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при ограничении до 12 файлов всего; аудио нельзя подавать без изображения или видео. Для работы со сложными свободными мультимодальными инструкциями разработчик рекомендует предварительную обработку через H3-Context-IR, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. Открытая версия поддерживает инференс с полным вниманием; разреженное внимание заявлено для будущего выпуска. Репозиторий использует Diffusers и safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

MiniMax H3 — генеративная мультимодальная система MiniMax для создания видеороликов со стереозвуком по тексту и другим мультимодальным входам. В открытом релизе представлены специализированные чекпойнты H3-Base: архитектура объединяет кодировщики текста и визуальных данных, Visual VAE, Audio VAE и H3-Omni-Transformer, который совместно предсказывает видео- и аудиопредставления. Для захвата пространственных и временных связей используется RoPE. Модель принимает текст, изображения, видео и аудио как контекст генерации. Режимы включают создание видео по тексту, по первому или последнему кадру, по паре начального и конечного кадров, а также по смешанным мультимодальным референсам. Ролики могут длиться 4–15 секунд; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K позволяет получить версию до 2K. Поддерживаются различные соотношения сторон и генерация синхронизированного стереозвука. Для обработки сложных свободных инструкций официальный сценарий предусматривает H3-Context-IR, но этот многоэтапный предварительный обработчик в открытый релиз не входит и предоставляется как размещённый сервис/API; его можно заменить собственной системой обработки контекста. Открытая версия использует полное внимание, а заявленная реализация разреженного внимания пока не включена. Репозиторий распространяется по лицензии other; конкретные условия следует проверять в лицензии проекта. Стандартные результаты H3-Base ограничены 768p, а получение 2K требует отдельного этапа регенерации.

Карточка модели zhanglangdawang/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.

Phi-3.5-vision-instruct — мультимодальная модель Microsoft семейства Phi-3.5 с плотной архитектурой Phi3V и 3,7 млрд параметров. Она принимает текст и изображения и генерирует текст; предназначена для диалоговых приложений, которым нужно понимать изображения, документы, диаграммы и таблицы, сравнивать несколько изображений и суммировать видеоклипы по кадрам. Модель рассчитана на сценарии с ограничениями по памяти и задержке. В README заявлен контекст до 128 тысяч токенов, тогда как метаданные каталога указывают 4096 токенов. Модель обучалась на синтетических данных и отфильтрованных общедоступных веб-источниках; для улучшения следования инструкциям применялись supervised fine-tuning и direct preference optimization. README ориентирует её на коммерческое и исследовательское применение, прежде всего на английском языке, и отмечает возможности OCR, визуального рассуждения и понимания нескольких кадров. Выпущена под лицензией MIT. Качество может быть ниже для языков, отличных от английского, и для недостаточно представленных вариантов английского. Microsoft предупреждает, что модель может быть неточной, ненадёжной, несправедливой или выдавать оскорбительные ответы; для конкретных сценариев требуется оценка, особенно в областях высокого риска.

unsloth/Qwen3-VL-4B-Thinking-GGUF — GGUF-версия мультимодальной модели Qwen3-VL-4B-Thinking, разработанной командой Qwen и подготовленной Unsloth с исправлениями шаблона чата. Модель предназначена для обработки текста и изображений, визуального понимания и рассуждений, анализа документов, OCR, STEM- и математических задач, пространственного анализа, понимания видео, а также взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру с 4 млрд параметров и относится к reasoning-ориентированной версии Thinking. Заявлена поддержка контекста длиной 256K токенов с возможностью расширения до 1M, а также обработки изображений, видео и текста. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — сочетание языкового и визуального понимания, мультимодальное рассуждение, работа с длинным контекстом, пространственными отношениями, видео и сложными визуальными документами. Ограничения, связанные с точностью, вычислительными требованиями и конкретными параметрами GGUF-квантизации, в README не описаны; фактические возможности зависят от используемого варианта файла и среды запуска. Модель распространяется по лицензии Apache-2.0.

Sazzadul Islam разработал эту модель распознавания речи на бенгальском языке, дообучив facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с CTC-декодированием и 402,7 млн параметров; она принимает аудио и выдаёт текст. Модель предназначена для транскрибации бенгальской речи, голосовых помощников и средств доступности. В README заявлена поддержка бенгальского и английского языков, а также WER 11,26% и CER 2,39 на оценке бенгальской речи. Модель лучше работает с чистой стандартной речью. Она может ошибаться на шумных записях, сильных региональных акцентах и редких речевых вариантах; для работы в реальном времени на маломощных устройствах потребуется оптимизация. Лицензия — CC-BY-SA-4.0.

SNT News Classifier v0.6 — разработанная Sweenk мультиметочная модель для классификации новостных статей по двум уровням таксономии: 12 основным и 71 подкатегории. Она построена на энкодере XLM-RoBERTa large, дообученном на примерно 264 тысячах новостных статей; два независимых sigmoid-выхода предсказывают метки обоих уровней. Статья может получить несколько меток одновременно. Для классификации передают заголовок и основной текст, объединённые через пустую строку; вход обрезается до 512 токенов. Модель рассчитана на маршрутизацию новостной ленты и тематическую разметку статей. В тестировании на 26 412 статьях авторы сообщают macro-F1 0,847 для верхнего уровня при настроенных порогах. Метки корпуса созданы с участием языковой модели и выборочно проверялись людьми, поэтому эти показатели измеряют согласие с такой разметкой, а не с полностью проверенной человеческой истиной. Хотя базовый энкодер поддерживает 100 языков, обучение почти полностью велось на английских новостях, и качество для других языков не измерено. Модель выпущена под лицензией MIT.

SummLlama3.1-8B — языковая модель для суммаризации текстов, разработанная DISLab на основе Llama 3.1 8B Instruct. Модель дообучена методом Direct Preference Optimization (DPO) на более чем 100 тысячах примеров обратной связи о качестве суммаризации, сгенерированной большими языковыми моделями. Она предназначена для создания кратких сводок по документам и диалогам из разных областей: новостей, повседневной жизни, отчетов, медицинских текстов, интервью и встреч. Авторы ориентировали обучение на точность передачи исходных сведений, полноту ключевых пунктов и краткость. Для суммаризации рекомендуется использовать шаблон запроса из карточки модели. Модель принимает текст и генерирует текст; архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — до 131 072 токенов. Метаданные указывают поддержку диалогового режима и интерфейса вызова инструментов, хотя основное назначение модели — суммаризация. Авторы сообщают об улучшении оценок качества относительно базовых моделей Llama в своих человеческих и автоматизированных оценках. Это результаты оценок авторов, а качество конкретных сводок всё равно следует проверять, особенно для медицинских материалов. Модель основана на meta-llama/Llama-3.1-8B-Instruct; сведения о лицензии в предоставленных данных отсутствуют.

Swecha Gonthuka ASR — модель автоматического распознавания речи на телугу, разработанная Swecha Telangana на основе Wav2Vec2ForCTC и дообученная на наборе данных Swecha Gonthuka. Модель принимает аудио и преобразует речь в текст на телугу; предназначена для транскрибации, повышения доступности и поддержки сохранения языка. Она содержит 113,3 млн параметров и использует библиотеку Transformers. В карточке приведены результаты оценки на тестовых наборах только с телугу: CER составил 6,32% на FLEURS (te_in), 9,00% на OpenSLR66 и 11,92% на Common Voice 22. Оценка выполнялась после нормализации текста до письменности телугу и пробелов, поэтому результаты могут отличаться на данных с английскими словами. Качество зависит от акцента, диалекта, шума и записи; для важных или юридических расшифровок требуется проверка человеком. Лицензия — AGPL-3.0.

UniWorld-V1 — модель семейства UniVA, разработанная командой LanguageBind для унифицированного визуального понимания, генерации и редактирования изображений. Она объединяет обработку инструкций и визуальных признаков и поддерживает сценарии преобразования изображения в изображение; в README также описаны генерация изображений по тексту и более 20 задач компьютерного зрения. Модель имеет плотную архитектуру UnivaQwen2p5VLForConditionalGeneration, содержит 7,1 млрд параметров и использует веса Safetensors. Для неё заявлено контекстное окно 128 000 токенов. Модель подходит для редактирования изображений по инструкциям, переноса стиля, восстановления изображений, извлечения объектов и виртуальной примерки, а также для преобразований с картами контуров, глубины, позы, эскизов и сегментации. Разработчики сообщают о высоком качестве на ImgEdit-Bench при обучении на 2,7 млн примеров. Для запуска описаны зависимости от отдельных компонентов FLUX и SigLIP. Карточка не указывает поддерживаемые естественные языки. Лицензия — MIT.

VoiceRestore — модель для восстановления качества записей речи, опубликованная jadechoghari. Она использует трансформер с flow matching и содержит около 301 млн параметров; модель принимает повреждённую аудиозапись и выдаёт восстановленную речь. Заявленные виды искажений включают фоновый шум, реверберацию, дисторсию и потерю сигнала. Модель предназначена для очистки и улучшения речевых записей. В README указано, что веса предварительно обучены, но обучение модели ещё продолжается и чекпойнты могут обновляться. Репозиторий распространяется по лицензии MIT. Модель оптимизирована для речи и может работать хуже на музыке и других типах аудио. Качество восстановления при сильных повреждениях остаётся предметом дальнейшей работы; обработка в реальном времени не заявлена.

Wan2.1 I2V-14B-720P — модель генерации видео из изображения из семейства Wan2.1, разработанного командой Wan-AI. Она принимает изображение и текстовый запрос и создаёт видео с разрешением до 720p; для выбора соотношения сторон используется формат исходного изображения. Модель построена на архитектуре diffusion transformer и использует пространственно-временной причинный 3D VAE Wan-VAE. Модель предназначена для анимации изображений, создания видеоклипов по референсному кадру и подготовки визуальных материалов для творческих и производственных сценариев. В README заявлена поддержка генерации китайского и английского текста внутри видео. Репозиторий содержит веса в формате Diffusers и safetensors; для запуска предусмотрена интеграция с Diffusers и режимы много-GPU-инференса. Указанная лицензия — Apache-2.0. Это крупная модель на 14 млрд параметров для генерации видео высокого разрешения. Для инференса требуется значительный объём вычислительных ресурсов; README описывает выгрузку модели и распределённый запуск, но не приводит точного минимального требования к памяти для этой версии. Заявления о качестве основаны на оценках разработчиков.

Wan2.1-VACE-14B — модель семейства Wan от Wan-AI для создания и редактирования видео. Она использует архитектуру diffusion transformer и предназначена для сценариев VACE, включая генерацию видео по изображению и работу с видеоматериалом. В карточке репозитория указаны поддержка режимов создания и редактирования видео, а также разрешения 480p и 720p; вход может иметь произвольное разрешение, но для оптимального результата рекомендуется держаться заданного диапазона размеров. Модель подходит для создания видеоклипов на основе изображения и для видеомонтажа с помощью VACE. Семейство Wan2.1 также поддерживает генерацию текста на китайском и английском языках внутри визуального контента, однако README не уточняет, относится ли эта возможность именно к варианту VACE-14B. Репозиторий распространяется под лицензией Apache-2.0.

facebook/wmt19-ru-en — перенесённая в Transformers модель машинного перевода Facebook FAIR на базе архитектуры FSMT (FairSeq Machine Translation). Она предназначена для перевода текста с русского на английский, в том числе новостных текстов; модель содержит около 100,7 млн параметров и принимает контекст до 1024 токенов. Веса перенесены из оригинального выпуска fairseq без изменений. В опубликованной оценке для направления ru-en указана оценка 39,20 в Transformers против 41,3 в fairseq; разница связана с отсутствием ансамбля моделей и повторного ранжирования в текущей реализации Transformers. Модель плохо обрабатывает повторяющиеся фрагменты: перевод может обрезаться. Лицензия — Apache-2.0.

AnyFlow-FAR-Wan2.1-1.3B-Diffusers — причинная диффузионная модель для генерации видео, созданная авторами AnyFlow на основе Wan2.1-T2V-1.3B-Diffusers. Она формирует видео по текстовому запросу, изображению или исходному видео; в карточке Hugging Face основной задачей указана генерация видео по тексту. Модель распространяется в формате Diffusers с весами Safetensors и содержит 1,3 млрд параметров. AnyFlow использует дистилляцию карт потока с обучением на собственных траекториях и рассчитана на генерацию с произвольным числом шагов: можно выбирать бюджет вывода, получая качественную генерацию за несколько шагов и постепенное улучшение при увеличении их числа. В README заявлена работа с разрешением 480p и поддержка сценариев text-to-video, image-to-video и video-to-video. Модель предназначена для создания коротких видеороликов из текстовых описаний, изображений и видео. README не сообщает конкретные языковые ограничения; в метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и условиями проекта перед применением.

Demodokos Foundry Music v4 — семейство моделей для генерации музыки и разделения аудиодорожек на стемы, размещённое для приложения Demodokos Foundry. В карточке Hugging Face указана задача text-to-audio; файлы представлены в форматах GGUF и ONNX. Модель предназначена для создания музыки по текстовому описанию и разделения готовой музыки на отдельные компоненты. Её можно использовать для подготовки музыкальных фрагментов и работы с аудиодорожками в локальном творческом процессе. README описывает возможности семейства, но не приводит подробностей об архитектуре, размере модели или длине контекста. В README заявлена работа Foundry локально на Windows с GPU NVIDIA; эти требования относятся к приложению и не уточняют совместимость именно данного набора файлов модели. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены.

Модель разработана TextAttack и представляет собой DistilBERT base uncased, дообученную для классификации новостных текстов на датасете AG News. Она относит входной текст к одной из категорий новостей; модель подходит для автоматической сортировки и тематической разметки новостных материалов. Архитектура — DistilBertForSequenceClassification, веса в формате PyTorch. В карточке указаны обучение в течение пяти эпох с максимальной длиной последовательности 128 токенов и точность 0,9479 на оценочной выборке. Метаданные указывают нативный контекст до 512 токенов. Лицензия в предоставленных данных не указана.

EasyAnimateV4-XL-2-InP — модель Alibaba PAI для генерации видео по текстовым запросам, изображениям и видео. Она построена на архитектуре Diffusion Transformer с компонентами PixArt-alpha, модулем движения, U-ViT-подобными skip-соединениями и Slice VAE; текст кодирует T5. По карточке модели версия поддерживает разрешения от 512 до 1280 пикселей, генерацию до 144 кадров при 24 кадрах в секунду и двуязычные запросы на китайском и английском языках. Модель предназначена для создания коротких видеоклипов и преобразования визуальных входов в видео. Авторы отмечают, что V4 не показала существенного улучшения относительно V3 и что обучение полной 3D attention-модели обходится дорого. В метаданных указана лицензия other; конкретные условия следует сверять с лицензией репозитория.

FireRed-Image-Edit-1.0-8bit — это 8-битная версия модели FireRed-Image-Edit-1.0 от FireRedTeam, подготовленная prithivMLmods. Она использует диффузионную архитектуру для редактирования изображений по текстовым инструкциям; модель работает через Diffusers и рассчитана на уменьшение требований к памяти и ускорение вывода по сравнению с исходной версией. Модель предназначена для восстановления фотографий, добавления и изменения объектов, переноса стиля, виртуальной примерки одежды по нескольким изображениям и редактирования текста с учётом его расположения на изображении. В README также заявлены сохранение идентичности объектов и точности текста при редактировании. Для работы с моделью указана библиотека Diffusers, а лицензия — Apache-2.0; условия исходной модели распространяются и на эту версию.

gavin124/gpt2-finetuned-cnn-summarization-v2 — модель семейства GPT-2, дообученная для суммаризации текста. В карточке указана оценка loss 2,1684 на наборе для оценки; обучающий датасет не назван. Модель принимает текст и генерирует его краткое изложение, контекст составляет 1024 токена. Модель подходит для создания кратких пересказов текстовых материалов. Она опубликована в формате PyTorch под лицензией MIT. В карточке нет сведений о целевых языках и подробных рекомендаций по использованию.

MiniCPM-V 4.0 — мультимодальная языковая модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео. В карточке указаны 3,2 млрд параметров, контекст 32 768 токенов, архитектура MiniCPMV и библиотека Transformers; README описывает основу из SigLIP2-400M и MiniCPM4-3B, но приводит другой общий размер — 4,1 млрд параметров. Модель предназначена для распознавания содержимого изображений и видео, визуальных вопросов и ответов, чтения текста и документов на изображениях, а также понимания нескольких изображений. README подчёркивает эффективность для запуска на мобильных устройствах; поддерживаются локальное использование и интеграция с несколькими средами инференса. Метаданные указывают мультиязычность, но конкретные языки не перечислены. Лицензия — Apache 2.0. Ограничения: ответы могут содержать ошибки, а сама модель не выражает личных мнений и не выполняет ценностные суждения; заявленные в README результаты основаны на оценках авторов.

Карточка модели 1ST-PLACE-WINNER/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 alexterieur2026/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 alituvalu/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.