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

Это версия весов LTX-2.3 в формате Diffusers, созданная на основе Lightricks/LTX-2.3. Базовая модель Lightricks использует архитектуру DiT и совместно генерирует видео и синхронизированное с ним аудио; для этой версии в метаданных указана задача image-to-video. Модель предназначена для создания видео по изображению и текстовому описанию, а также поддерживает сценарии генерации видео и аудио по тексту, преобразования видео и управления движением камеры через IC-LoRA. Для работы требуется актуальная сборка библиотеки diffusers с поддержкой LTX-2. Размеры кадров должны делиться на 32, а число кадров соответствовать формуле 8k + 1. Лицензия указана как other; конкретные условия следует проверять в карточке базовой модели.

LTX-2.3-fp8 — аудиовизуальная foundation-модель, разработанная компанией Lightricks. Это диффузионная модель на архитектуре DiT, предназначенная для совместной генерации синхронизированных видео и аудио в рамках одной модели. Доступна в вариантах полного 22B-чекпойнта и дистиллированного чекпойнта, рассчитанного на генерацию за 8 шагов с CFG=1; обе версии используют формат FP8. Модель поддерживает сценарии 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 по тексту или изображениям. Заявлены улучшенное качество аудио и визуального контента и более точное следование промптам по сравнению с LTX-2. Основной заявленный язык — английский; в метаданных также перечислены немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. К ограничениям относятся возможное несовершенное соответствие промпту, зависимость результата от стиля формулировки запроса, риск усиления общественных предубеждений и генерации неприемлемого или оскорбительного контента. Модель не предназначена для предоставления фактической информации, а качество аудио без речи может быть ниже. Для работы локально указана поддержка PyTorch примерно версии 2.7, CUDA выше 12.7 и Python от 3.12; ширина и высота должны делиться на 32, а число кадров — соответствовать формату 8n+1. Использование модели, её производных и связанных компонентов регулируется ltx-2-community-license-agreement.

tsolful/LTX_2.5_INT4_W4A8_ConvRot — квантованная версия модели LTX-2.5 от Lightricks, предназначенная для генерации и преобразования видео и аудио. Модель поддерживает сценарии 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 по тексту или изображениям. Она может использоваться в ComfyUI и других совместимых инструментах для создания мультимедийного контента. Модель имеет размер 15,4 ГБ и использует квантование AsymW4A8 INT4 с форматами W4A8 и ConvRot. По данным карточки, она обеспечивает около 80% качества версии INT8. Базовой моделью является Lightricks/LTX-2.5; более подробные сведения об архитектуре, длине контекста, разрешении и поддерживаемых форматах входных и выходных данных не указаны. В метаданных заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. К сильным сторонам относятся существенно уменьшенный размер по сравнению с более точными вариантами и сохранение значительной части качества INT8, что может упростить локальное развёртывание. Ограничения связаны с потерями качества из-за INT4-квантования, а также с отсутствием в карточке точных требований к аппаратному обеспечению и характеристик производительности. Модель распространяется по LTX-2 Community License Agreement; условия лицензии доступны по ссылке, указанной в карточке модели.

MBart-finetuned-ur-xlsum — модель для абстрактивного суммирования текста, созданная дообучением facebook/mbart-large-50 на наборе данных XL-Sum. Она основана на архитектуре mBART и содержит 457,4 млн параметров; длина контекста составляет 1024 токена. В метаданных указан язык урду. Модель предназначена для создания краткого связного пересказа текста на урду. На оценочной выборке автор приводит ROUGE-1 40,6, ROUGE-2 18,9, ROUGE-L 34,39 и BERTScore 77,06. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Карточка модели anlessparky/MiniMax-H3 на Hugging Face совпадает с карточкой DeepDive404-2/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax и опубликованная в виде открытых чекпойнтов для создания видео со стереозвуком. Она принимает текстовые инструкции и, в зависимости от варианта, изображения, видеоклипы и аудиоклипы; модель совместно генерирует видео и аудио. Доступны режимы генерации по первому и последнему кадру, а также по мультимодальным референсам. Архитектура H3-Base объединяет кодировщики текста и визуальных данных, Visual VAE и Audio VAE с Omni Transformer; для пространственных и временных связей используется RoPE. Выходная длительность составляет 4–15 секунд, короткая сторона изображения по умолчанию — 768 пикселей; для получения разрешения до 2K предусмотрен отдельный этап H3-Regenerate-2K. Входные ограничения зависят от варианта: режим референсов поддерживает до 9 изображений, 3 видео и 3 аудиоклипов при соблюдении ограничений по длительности и общему числу файлов. Модель подходит для создания коротких роликов по тексту, кадрам и смешанным аудиовизуальным референсам. Открытый релиз не включает H3-Context-IR — размещённую в облаке систему предварительной обработки сложных мультимодальных инструкций; её функциональность можно воспроизводить через официальный API или собственную систему подготовки контекста. В релизе доступен только inference с full attention, а sparse attention заявлен для будущего обновления. Лицензия указана как other; конкретные условия следует сверять с карточкой модели.

Карточка модели AnnaRa/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 burningfeet/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 chiharoong/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.

Карточка модели FrankensteinSim/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 Ismailsalman444/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 johnsonhuggingapi/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.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax для создания видео со стереозвуком по тексту, изображениям и мультимодальным референсам. Модель принимает текст, изображения, видеоклипы и аудио; в зависимости от варианта поддерживает генерацию по первому и последнему кадру или по смешанным референсам. Генерирует ролики длительностью 4–15 секунд с различными соотношениями сторон и базовым разрешением 768p; для получения 2K предусмотрен отдельный этап H3-Regenerate-2K. Архитектура H3-Base объединяет кодирование модальностей в общую последовательность, которую обрабатывает H3-Omni-Transformer. Модель совместно предсказывает видео- и аудиолатенты; для текста, изображения и аудио используются отдельные кодировщики и VAE. В открытой версии доступен только режим полного внимания. Система H3-Context-IR для предварительной обработки сложных мультимодальных инструкций и оркестрации размещена отдельно и не входит в открытый выпуск, поэтому для сложных входов может потребоваться собственная обработка контекста или официальный API. Репозиторий использует форматы Diffusers и Safetensors; лицензия обозначена как other, конкретные условия следует проверять у разработчика.

Карточка модели maplewoohoooyeah/MiniMax-H3 на Hugging Face совпадает с карточкой Obong128/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax для создания видео со стереозвуком по тексту, изображениям и мультимодальным референсам. Варианты H3-Base-FL2VA и H3-Base-Ref2VA поддерживают генерацию по первому и последнему кадру, а также по изображениям, видео и аудиоклипам в разных сочетаниях. Модель может создавать ролики длительностью 4–15 секунд; базовый вывод имеет разрешение 768p, а отдельный модуль H3-Regenerate-2K позволяет получить видео до 2K. Архитектура объединяет текстовый энкодер, Visual VAE, Audio VAE и H3-Omni-Transformer: он совместно предсказывает видео- и аудиолатенты. Репозиторий содержит компоненты для локального развёртывания через Diffusers; упомянутый в карточке сервис H3-Context-IR для разбора сложных мультимодальных инструкций размещён отдельно и доступен через API. Модель подходит для генерации видео по текстовым описаниям и референсным материалам, включая синхронный звук. В открытой версии используется полное внимание, а sparse attention заявлен для будущего выпуска. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория.

Карточка модели marchkamal51/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.

Карточка модели misstoyou/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 компании MiniMax для создания видео со стереозвуком по тексту и мультимодальным входным данным. В опубликованном наборе есть два специализированных чекпойнта; архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в последовательность для H3-Omni-Transformer, который совместно предсказывает видео- и аудиоданные. Репозиторий использует Diffusers и формат Safetensors; генерация длится 4–15 секунд, базовый выход имеет разрешение 768p, а вариант H3-Regenerate-2K позволяет получить до 2K. Модель предназначена для генерации роликов по тексту, изображениям и мультимодальным референсам, включая видео и аудио. Поддерживаются режимы с первым и последним кадром, а также смешанные референсные входы; возможны разные соотношения сторон. Полный сценарий обработки свободных мультимодальных инструкций зависит от H3-Context-IR — размещённого отдельно сервиса предварительной обработки, не входящего в открытый релиз. В открытом релизе используется полное внимание, а sparse attention пока не предоставляется. Лицензия указана как other, поэтому конкретные условия следует сверять с лицензией репозитория.

Карточка модели saramara/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 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.

Карточка модели wo1808401/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 Xxjbn/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.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax и представленная в виде открытых чекпойнтов H3-Base для генерации видео со звуком. Модель принимает текст и, в зависимости от варианта, изображения, видео и аудио; она совместно генерирует видео и стереозвук по заданному контексту. Архитектура объединяет модальные представления в последовательность для H3-Omni-Transformer, который предсказывает латентные представления видео и аудио. В репозитории указаны форматы Diffusers и safetensors. Сценарии включают создание роликов по тексту, анимацию по одному или двум ключевым кадрам, а также генерацию с мультимодальными референсами. Выходные ролики имеют длительность 4–15 секунд; базовая генерация выполняется в разрешении 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Поддерживаются разные соотношения сторон. В открытый выпуск не входит H3-Context-IR — размещённый в облаке модуль предварительной обработки сложных мультимодальных инструкций; для полного рабочего процесса предлагаются API или собственная система подготовки контекста. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять в карточке модели и сопутствующих документах.

MiniMax H3 — мультимодальная генеративная модель общего назначения, разработанная MiniMaxAI. Репозиторий molbal/MiniMax-H3-GGUF содержит её квантованные варианты в формате GGUF и необходимые файлы компонентов, включая модели FL2VA для генерации по первому и последнему кадру и Ref2VA для работы с омни-референсами. Модель предназначена для text-to-video, image-to-video, image-text-to-video, video-to-video и мультимодальной генерации аудио-видео. Она понимает контексты, объединяющие текст, изображения, видео и аудио, и создаёт видео с синхронизированным стереозвуком. Поддерживаются сценарии без изображений, с одним или двумя изображениями, а также использование до 9 изображений, 3 видеофрагментов и 3 аудиофрагментов в режиме Ref2VA при ограничениях по длительности и общему числу файлов. Выходные ролики имеют длительность 4–15 секунд, частоту 24 FPS, звук 32 кГц в стерео и различные соотношения сторон; заявлена генерация до 2K с использованием H3-Regenerate-2K. Стабильно поддерживаются диалоги на 11 языках, включая русский, английский, китайский, японский, корейский, арабский и европейские языки. Доступны квантования Q4_0, Q8_0, Q8_CR и U16G размером примерно от 11,4 до 21,4 ГБ. Q4_0 экономичнее, Q8_0 обеспечивает высокое качество, а U16G ориентирован на комфортную работу на видеокартах с 16 ГБ VRAM. Q8_CR и U16G созданы для узлов ComfyUI-GGUF и, вероятно, несовместимы с другими средами. Модель распространяется по MiniMax H3 Community License Agreement; это пользовательское соглашение, поэтому условия коммерческого и иного использования следует проверять отдельно.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Репозиторий содержит веса в формате Diffusers и SafeTensors для генерации видео по тексту и мультимодальным входам; архитектура включает H3-Omni-Transformer, текстовый энкодер, Visual VAE и Audio VAE. Модель совместно генерирует видео и стереозвук, поддерживает ролики длительностью 4–15 секунд и широкий набор соотношений сторон; базовый вывод выполняется в разрешении 768p, а модуль H3-Regenerate-2K позволяет получить результат до 2K. В зависимости от варианта можно генерировать видео по тексту, одному или двум кадрам, а также использовать изображения, видео и аудио как референсы. Модель подходит для создания коротких видеороликов по описанию, анимирования заданных кадров и генерации видео со звуковым сопровождением. Для сложных свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот hosted-компонент не входит в открытый релиз; начальная версия локального инференса использует полное внимание, а реализация sparse attention заявлена для будущего обновления. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах репозитория MiniMax. README описывает модельную систему MiniMax H3, тогда как данный репозиторий содержит её открытые компоненты для локального развертывания.

Карточка модели damiang/minimax-h3-ref2va-runpod на Hugging Face совпадает с карточкой DeepDive404-2/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax и опубликованная в виде открытых чекпойнтов для создания видео со стереозвуком. Она принимает текстовые инструкции и, в зависимости от варианта, изображения, видеоклипы и аудиоклипы; модель совместно генерирует видео и аудио. Доступны режимы генерации по первому и последнему кадру, а также по мультимодальным референсам. Архитектура H3-Base объединяет кодировщики текста и визуальных данных, Visual VAE и Audio VAE с Omni Transformer; для пространственных и временных связей используется RoPE. Выходная длительность составляет 4–15 секунд, короткая сторона изображения по умолчанию — 768 пикселей; для получения разрешения до 2K предусмотрен отдельный этап H3-Regenerate-2K. Входные ограничения зависят от варианта: режим референсов поддерживает до 9 изображений, 3 видео и 3 аудиоклипов при соблюдении ограничений по длительности и общему числу файлов. Модель подходит для создания коротких роликов по тексту, кадрам и смешанным аудиовизуальным референсам. Открытый релиз не включает H3-Context-IR — размещённую в облаке систему предварительной обработки сложных мультимодальных инструкций; её функциональность можно воспроизводить через официальный API или собственную систему подготовки контекста. В релизе доступен только inference с full attention, а sparse attention заявлен для будущего обновления. Лицензия указана как other; конкретные условия следует сверять с карточкой модели.

NOESIS-Qwopus3.5-9B-DubCompress-v3.5-MLX — специализированная языковая модель AMAImedia для автоматизации многоязычного дубляжа. Это MLX-представление оригинальной модели NOESIS, обученной на базе плотной архитектуры Qwen3.5 с 9 млрд параметров; веса сохранены в формате safetensors для запуска через mlx-lm на Apple Silicon. Заявленный контекст составляет 262 144 токена, однако фактическая длина зависит от доступной объединённой памяти и настроек KV-кэша. Модель предназначена для сжатия диалогов, постобработки переводов и подгонки текста под ограничения субтитров или длительности озвучивания. В запросе следует задавать целевой язык, бюджет символов или времени, сохраняемый смысл и требования к формату. Семейство заявляет поддержку 201 языка и диалекта; качество сжатия может различаться между языками. Решение ориентировано на локальную работу с MLX на Mac с Apple Silicon. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

Open-Sora 2.0 — модель генерации видео из текста, разработанная проектом Open-Sora. Она также поддерживает генерацию видео по текстовому запросу и исходному изображению. Модель на 11 млрд параметров рассчитана на разрешения 256 и 768 пикселей; длительность задаётся числом кадров, которое должно иметь вид 4k+1 и быть меньше 129. Для текстовой генерации доступен конвейер с предварительным созданием изображения с помощью Flux. Модель предназначена для создания видеоконтента по описанию или анимирования изображения с управлением соотношением сторон и оценкой движения. Авторы сообщают, что результаты VBench сокращают разрыв с Sora по сравнению с Open-Sora 1.2, а предпочтения людей сопоставимы с HunyuanVideo 14B и Step-Video 30B. README указывает высокую потребность в GPU: для генерации 768×768 на одном H100/H800 приведены пиковое потребление памяти 60,3 ГБ и время 1656 секунд при 50 шагах. Репозиторий использует Apache-2.0; метаданные указывают форматы PyTorch и safetensors.

Qwen3.6-27B-Architect-Polaris2-Fable-B-F451-F32 — мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, созданная слиянием NuSLERP нескольких моделей Qwen для чата, следования инструкциям и работы с изображениями. В карточке также приведены оценки на наборах задач на понимание текста и результаты измерения perplexity, расхода памяти и скорости для нескольких вариантов квантования. Модель подходит для диалогов, задач с изображениями, генерации текста и творческого письма, включая рассказы и продолжение сцен. Метаданные указывают английский, китайский, японский и испанский языки, поддержку интерфейса вызова инструментов и лицензию Apache-2.0. README не сообщает длину контекста; теги содержат упоминания 256k и 1M context, но не позволяют подтвердить конкретное значение.

Qwen3.8-27B-GGUF — это квантизированная мультимодальная vision-language модель на базе Qwen/Qwen3.8-27B, подготовленная разработчиком 6block с использованием llama.cpp. Она предназначена для обработки текста, изображений и видео с генерацией текстовых ответов, поэтому подходит для визуального анализа, работы с документами и общих текстовых задач. Заявлены английский и китайский языки. Модель имеет плотную архитектуру с 27,8 млрд параметров, включая vision tower, и 64 decoder-слоя. В гибридной схеме 16 слоёв используют grouped-query full attention, а 48 — Gated DeltaNet linear attention. Нативная длина контекста составляет 262 144 токена, с возможностью дальнейшего расширения через YaRN; словарь содержит 248 320 токенов, embeddings не связаны. Доступны варианты квантизации от Q8_0 до IQ2_XXS, что позволяет выбирать между качеством, размером файлов и требованиями к памяти. Для мультимодального ввода требуется отдельный файл vision projector mmproj; без него модель работает только с текстом. Благодаря гибридной архитектуре KV-кэш растёт только для 16 полно-внимательных слоёв, что снижает затраты памяти на длинном контексте. К сильным сторонам относятся поддержка текста, изображений и видео, очень длинный контекст, широкий набор вариантов квантизации и imatrix-калибровка для сохранения качества при сжатии. Ограничениями являются значительные требования к памяти: размер текстового backbone составляет примерно от 9,3 до 26,1 GiB в зависимости от варианта, а для мультимодальной работы дополнительно нужен vision projector размером около 0,9 GiB и память под KV-кэш. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen-Image-Edit-2509-GGUF — это квантованная версия Qwen-Image-Edit-2509, подготовленная Unsloth с применением Dynamic 2.0: важные слои повышаются до большей точности. Модель предназначена для редактирования изображений по текстовой инструкции, в том числе с использованием от одного до трёх входных изображений. Она поддерживает сочетания людей, товаров и сцен, а также условия ControlNet, например карты глубины, контуров и ключевых точек. Модель лучше сохраняет идентичность людей и товаров при изменении позы или стиля, редактирует текст на изображении, включая его содержание, шрифт, цвет и материал, и подходит для создания постеров, мемов и восстановления старых фотографий. В репозитории представлены варианты GGUF от BF16 и F16 до нескольких уровней квантования Q2_K–Q4_0. В карточке указана лицензия Apache-2.0; языковые теги модели — английский и китайский.

ReFormer-summarization — небольшая модель генерации текста на архитектуре Reformer, дообученная автором kaizerBox на датасете XSum. Она предназначена для создания кратких сводок по исходному тексту; карточка сообщает значение loss 4,5207 на оценочной выборке, но не приводит дополнительных сведений о качестве или методике оценки. Модель содержит 2,4 млн параметров, использует формат safetensors и рассчитана на контекст до 1024 токенов. Лицензия в доступных данных не указана.