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

BRIA RMBG v2.0 — модель сегментации изображений для удаления фона, разработанная BRIA AI на архитектуре BiRefNet. Она отделяет передний план от фона в фотографиях и других изображениях, включая изображения товаров, людей, объектов и рекламный контент. Модель обучена на более чем 15 000 вручную размеченных изображений высокого разрешения; заявленная область применения включает коммерческое создание контента, игровые материалы и электронную торговлю. Модель принимает изображение и выделяет передний план, что позволяет создавать маски сегментации и изображения с удалённым фоном. В README отмечены сбалансированное представление людей разных полов и этнических групп, а также людей с инвалидностью в оценочном наборе. Репозиторий содержит PyTorch, ONNX и safetensors форматы; метаданные относят модель к image-segmentation. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; для коммерческого применения требуется отдельное соглашение с BRIA. Модель предназначена для удаления фона и дихотомической сегментации, поэтому описание не подтверждает универсальную сегментацию произвольных классов объектов. README не приводит численные показатели качества или сведения о поддерживаемых языках.

SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

Карточка модели wan-community/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Wan2.1 VACE 1.3B — открытая модель генерации и редактирования видео от Wan-AI, построенная на архитектуре diffusion transformer семейства VACE. Эта версия относится к линейке VACE объёмом 1,3 млрд параметров; в репозитории веса представлены в формате safetensors, лицензия — Apache-2.0. Модель предназначена для создания и преобразования видео, в том числе по визуальным входным данным. Карточка указывает поддержку image-to-video, а README описывает VACE как универсальную систему для создания и редактирования видео с вариантами 1.3B и 14B и разрешениями 480p и 720p. В материалах семейства Wan2.1 также заявлены генерация текста на изображениях на китайском и английском языках и работа с видео и изображениями. README отмечает, что для Wan2.1-T2V-1.3B возможно выполнение на потребительском GPU с 8,19 ГБ видеопамяти и приводит пример генерации пятisekундного 480p ролика примерно за четыре минуты на RTX 4090; эти показатели относятся к T2V-1.3B и не гарантируют аналогичную производительность VACE. Карточка не описывает ограничения качества или безопасности конкретно этой версии.

Wan2.1-VACE-14B-Diffusers — модель генерации и редактирования видео из открытого семейства Wan2.1, разработанного Wan-AI. Это вариант VACE на архитектуре diffusion transformer с пространственно-временным VAE; размер 14 млрд параметров следует из идентификатора модели. Репозиторий распространяет веса в формате Diffusers и safetensors. Модель предназначена для создания и редактирования видео с использованием изображений и текстовых подсказок. VACE поддерживает входные данные произвольного разрешения; для оптимального результата рекомендуются размеры в заданном диапазоне, а заявленные основные режимы работы используют разрешения 480p и 720p. Семейство Wan2.1 также описано как способное генерировать визуальный текст на китайском и английском языках. Модель рассчитана на сценарии генеративного видеопроизводства и творческого редактирования. README не приводит отдельных оценок качества для этого конкретного чекпойнта и не уточняет его требования к памяти. Лицензия — Apache-2.0.

FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers — объединённая модель генерации видео, созданная слиянием Wan-AI/Wan2.2-I2V-A14B-Diffusers и Wan2.2-Lightning v1. Она принимает исходное изображение и текстовое описание, чтобы создать видеоролик; в примере запуска указаны разрешение 480×832, 81 кадр, частота 16 кадров/с и четыре шага генерации. Модель предназначена для сценариев image-to-video и доступна в формате Diffusers с весами Safetensors. Модель основана на диффузионной MoE-модели Wan2.2-I2V-A14B, для которой в метаданных указана генерация видео 480p или 720p по изображению и тексту. Репозиторий распространяется по лицензии MIT. Пример использования FastDM дополнительно показывает режим FP8 и параметр guidance scale 1.0.

Карточка модели AriaVale2/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Runware/Wan2.2-TI2V-5B — модель генерации видео семейства Wan2.2, предназначенная для создания роликов по текстовому описанию и изображению. Карточка описывает вариант TI2V-5B с архитектурой диффузионной генерации видео и VAE с коэффициентом сжатия 16×16×4; метаданные указывают форматы Diffusers и Safetensors. Модель рассчитана на генерацию видео с разрешением до 720p и частотой 24 кадра в секунду. Она поддерживает управление визуальным стилем и создание сложного движения; запуск возможен на одной потребительской видеокарте, например RTX 4090, с подходящими настройками выгрузки модели. Материалы Wan2.2 упоминают многоязычные подсказки, а метаданные отмечают английский и китайский языки. Модель опубликована под лицензией Apache-2.0. Для генерации видео требуется значительный объём вычислительных ресурсов; фактическая скорость и доступное разрешение зависят от оборудования и настроек инференса.

Карточка модели Sumith0102/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Карточка модели xavunit/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Карточка модели Eypkrtl/Wan2.2-TI2V-5B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B-Diffusers, поэтому описание составлено по ней. Wan2.2-TI2V-5B-Diffusers — модель генерации видео семейства Wan2.2, разработанная командой Wan-AI. Она принимает текстовое описание и изображение для создания видео; карточка также указывает поддержку генерации только по тексту. Модель построена на Wan2.2-VAE с коэффициентом сжатия 16×16×4 и поддерживает разрешение до 720p при 24 кадрах в секунду. Модель предназначена для создания видеороликов по текстовым запросам и анимации изображений. В README отмечены улучшенная передача движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Веса доступны в формате Diffusers и Safetensors; заявлена возможность запуска на одной потребительской видеокарте уровня RTX 4090. Лицензия — Apache-2.0. В карточке репозитория не приведены отдельные сведения о числе параметров именно этого набора весов и длине контекста. Практические ограничения включают ограничение заявленного разрешения до 720p и частоты кадров до 24 FPS; качество и скорость генерации зависят от аппаратного обеспечения и настроек.

Это многоязычная модель классификации текстов по жанру, разработанная Classla и дообученная на вручную размеченном наборе X-GENRE. Она основана на XLM-RoBERTa-base с архитектурой XLMRobertaForSequenceClassification и содержит около 305,2 млн параметров. Модель присваивает тексту жанровую метку, например «Информация/объяснение», «Инструкция» или «Юридический текст», и предназначена для автоматической разметки больших коллекций документов. Модель рассчитана на тексты на языках, поддерживаемых XLM-RoBERTa-base; в карточке среди языков указаны, в частности, арабский, болгарский, бенгальский, немецкий, английский, испанский, французский, японский, корейский и хинди. Размер контекста — 514 токенов. Авторы сообщают о результатах на тестах внутри и вне обучающего набора и о сравнении с другими подходами, включая zero-shot модели GPT. Для длинных документов и языков с ограниченным покрытием качество может быть ниже; классификация предназначена для жанровой разметки, а не для определения темы или проверки фактов. Модель распространяется по лицензии CC BY-SA 4.0.

Shahm/bart-german — дообученная модель на базе facebook/bart-base для суммаризации немецкоязычных текстов. Она использует архитектуру BART с 95,2 млн параметров и контекстом до 1024 токенов. Модель обучена на немецкой части датасета MLSUM; в README приведены метрики оценки: ROUGE-1 41,698, ROUGE-2 31,3548 и ROUGE-L 38,2817. Модель подходит для создания кратких выжимок из немецких новостных и других текстов. Доступны веса PyTorch и safetensors, а также формат ONNX. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения качества.

savasy/bert-turkish-text-classification — модель классификации турецких текстов на семь тематических категорий: мировые события, экономика, культура, здоровье, политика, спорт и технологии. Это дообученная для классификации последовательностей модель семейства BERT; в README указана базовая модель dbmdz/bert-base-turkish-cased. Размер модели — 137,8 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и возвращает метку категории с оценкой уверенности. Она подходит для тематической сортировки турецких новостей и текстов по семи указанным рубрикам. Доступны веса в форматах PyTorch, Flax и safetensors. Лицензия в предоставленных данных не указана.

NbAiLab/borealis-270m — компактная инструкционная языковая модель семейства Borealis, разработанная Национальной библиотекой Норвегии. Это плотная причинная модель Gemma 3 с 257 млн параметров, дообученная на наборе NbAiLab/aurora-sft для выполнения инструкций с акцентом на норвежский язык. Она поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для черновиков и редактирования текстов на норвежском, суммаризации, ответов на вопросы, лёгких рассуждений и генерации заголовков и вводных абзацев новостей. Выпуск включает ограниченный набор задач, созданных на основе защищённых авторским правом газетных материалов; заявленная дата отсечения этих материалов — 1 января 2025 года. Поддержка английского упоминается среди сценариев, но возможности на других языках, кроме норвежского и английского, изучены недостаточно. Модель может выдавать неверную или предвзятую информацию, а выравнивание безопасности не исключает вредных или неподходящих ответов. Это не специализированная модель для рассуждений и не предназначенная для критически важных решений. Лицензия указана как other; конкретные условия использования следует проверять в карточке модели и у базовой модели Gemma 3.

ColPali v1.3 HF — модель визуального поиска по документам, основанная на PaliGemma-3B и разработанная проектом ViDoRe. Она формирует многовекторные представления страниц документов и текстовых запросов, а затем сопоставляет их методом MaxSim в стиле ColBERT. Модель дообучена на парах «запрос — страница», преимущественно из академических наборов данных и веб-страниц PDF; обучающие запросы на английском языке. Модель предназначена для поиска релевантных страниц в визуально насыщенных документах, например PDF, когда важны не только извлечённый текст, но и визуальные особенности страницы. Она принимает текстовый запрос и изображение страницы документа, выдаёт векторы для поиска и оценки релевантности. Для загрузки используется библиотека Transformers; лицензия — Gemma. Для воспроизведения обученного формата следует установить префикс запроса «Query: »: поставляемый процессор по умолчанию использует «Question: ».

Карточка модели Nour-Fayed/daVinci-MagiHuman на Hugging Face совпадает с карточкой GAIR/daVinci-MagiHuman, поэтому описание составлено по ней. daVinci-MagiHuman — генеративная модель SII-GAIR и Sand.ai для создания коротких видео с синхронным звуком, включая ролики с выразительной человеческой мимикой, речью и движениями. Она использует 15-миллиардный 40-слойный Transformer с единой последовательностью токенов текста, видео и аудио; модель совместно обрабатывает текстовый запрос, референсное изображение и зашумлённые аудио- и видеоданные. Архитектура включает специализированные проекции в первых и последних слоях и общие параметры в промежуточных слоях. Модель предназначена для генерации видео по изображению и тексту, с упором на человеческую речь, движения и синхронизацию аудио с видео. В README указаны поддержка английского, китайского (мандаринского и кантонского), японского, корейского, немецкого и французского языков, а также скорость генерации пятиминутного по длительности? Нет: пятисекундного ролика от 2 секунд в 256p до 38 секунд в 1080p на одном H100. Для ускорения используется дистилляция DMD-2 до 8 шагов, отдельный этап повышения разрешения и ускоренный декодер. Модель распространяется под лицензией Apache-2.0. Результаты качества и скорости приведены в README и зависят от описанных авторами условий оценки и оборудования. Для запуска требуются веса полного стека и подходящая среда инференса; указанная скорость предполагает H100 и не переносится автоматически на другое оборудование.

Hasanur525/deed-summarization_version_10 — дообученная модель на архитектуре mT5, основанная на Hasanur525/deed-summarization_version_5. Она предназначена для автоматического краткого пересказа текстов. В репозитории указаны результаты на оценочном наборе: ROUGE-1 0,3247, ROUGE-2 0,1432, ROUGE-L 0,3268 и ROUGE-Lsum 0,3201; средняя длина генерации — около 98 токенов. Модель содержит 291,2 млн параметров и распространяется в формате safetensors. Данные обучения и конкретные языки применения в карточке не раскрыты. Лицензия в предоставленных данных не указана.

not-lain/deepfake — дообученная модель классификации изображений для обнаружения дипфейков, основанная на aaronespasa/deepfake-detection-resnetinceptionv1. Она использует архитектуру семейства ResNet и предназначена для оценки изображения с помощью Transformers; в карточке показан вызов предсказания по пути к файлу изображения. Модель принимает изображения и выдаёт результат классификации. Репозиторий содержит веса в форматах PyTorch и safetensors. Модель распространяется по лицензии Apache-2.0.

EasyAnimateV3-XL-2-InP-768x768 — модель Alibaba PAI для генерации видео по текстовому описанию или входному изображению. Версия обучена для кадров размером 768 × 768; в карточке семейства указана генерация до 144 кадров при 24 кадрах в секунду. Модель построена на базе PixArt-alpha с модифицированными Diffusion Transformer и VAE. В архитектуре используются текстовый энкодер T5, модуль движения для временных признаков, skip-связи по мотивам U-ViT и Slice VAE для обработки длинных видео. Это позволяет использовать единый конвейер для генерации видео по тексту и изображению. Модель предназначена для создания видеоклипов по промпту или исходному кадру, включая сценарии высококачественной и длительной генерации. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия — Apache-2.0. Метаданные Hugging Face классифицируют репозиторий как text-to-image, тогда как README описывает генерацию видео; поэтому назначение для видео следует понимать по карточке проекта, а каталоговый pipeline-тег отражает метаданные репозитория.

Hibiki-M — модель Kyutai для потокового перевода французской речи на английский. Она обрабатывает речь по мере поступления и выдаёт перевод частями, не ожидая окончания высказывания. Модель поддерживает перевод речи в речь и речи в текст; при генерации речи возможно управление сходством голоса с исходным говорящим. Это плотный иерархический Transformer с архитектурой multistream, основанной на подходе Moshi. Модель содержит 1,7 млрд параметров и генерирует аудио- и текстовые токены с частотой 12,5 Гц; аудиопоток имеет битрейт 1,1 кбит/с. Она рассчитана на потоковую работу в реальном времени и пакетную обработку, обучалась на последовательностях длительностью до 120 секунд и заявлена как устойчивая к шуму. Лицензия — CC-BY 4.0. Модель предназначена для французско-английского перевода; поддержка других языковых пар потребует дообучения. Чрезмерное усиление переноса голоса может ухудшить качество перевода. Разработчик не рекомендует использовать модель для имитации других людей или вредоносных целей.

Image Quality Fusion Model — модель оценки качества и эстетической привлекательности изображений, разработанная Matthewyuan. Она объединяет признаки BRISQUE для выявления размытия, шума и артефактов с эстетическими и семантическими признаками Aesthetic Predictor и CLIP. Сеть прямого распространения с остаточными связями, содержащая около 2,1 млн параметров, выдаёт оценку от 1 до 10; изображения для CLIP приводятся к размеру 224×224. Модель дообучена на базе openai/clip-vit-base-patch32 и оценивалась на фотографиях смартфонов SPAQ; метаданные указывают библиотеку PyTorch и лицензию MIT. Модель подходит для автоматической сортировки и фильтрации фотоколлекций, проверки пользовательских и товарных снимков, а также для помощи при выборе фотографий. На SPAQ заявлены корреляция с человеческими оценками 0,520 и средняя абсолютная ошибка 1,41 балла. Основные ограничения — ориентация на смартфонную фотографию, субъективность эстетических оценок и возможные смещения обучающих данных; качество следует проверять на целевом наборе изображений.

Index-Homura-2B — специализированная модель перевода из семейства Index-Translate, разработанная IndexTeam на базе Qwen3.5. Она принимает исходный текст и заданное пользователем целевое число слогов, затем подбирает формулировку перевода, стремясь сохранить смысл и естественность при соблюдении ограничения по длине. Модель также поддерживает глоссарий и может сохранять заданные термины одновременно с управлением числом слогов. Модель предназначена для подготовки реплик дубляжа и субтитров с контролируемой длительностью. По оценке SandGlass на английском, японском, арабском и испанском целевых языках, в 54,39% случаев результат укладывался в отклонение не более одного слога, а в 63,08% — в пределах 10% от цели; качество перевода оценено отдельно. Чекпойнт построен на архитектуре Qwen3.5, имеет 2 млрд параметров и обучался с мультиязычным промежуточным обучением, дообучением для перевода и оптимизацией с подкреплением. Для запуска авторы рекомендуют CUDA и vLLM с поддержкой Qwen3.5; указанный пресет использует контекст 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Точность контроля числа слогов приблизительная и может различаться между языками; результаты оценки на четырёх целевых языках не подтверждают одинаковую точность для всех языков.

Abiray/LTX-2.3-22B-DISTILLED-1.1-GGUF — это дистиллированная версия модели LTX-Video 2.3 (v1.1), разработанная Lightricks и представленная в репозитории Abiray в формате GGUF. Модель предназначена для генерации видео по текстовому описанию, изображениям и аудиовизуальным сценариям; в карточке указаны поддержка text-to-video, image-to-video и audio-to-video, а также нативная генерация аудио и видео. Модель построена на архитектуре DiT и содержит около 22 млрд параметров. GGUF-квантизация позволяет распределять вычисления между видеопамятью GPU и оперативной памятью CPU, что упрощает запуск на потребительском оборудовании. Доступны варианты от Q3_K_M размером 14,7 ГБ до Q8_0 размером 25,5 ГБ: более компактные версии требуют меньше памяти, но могут немного уступать в качестве, тогда как Q8_0 обеспечивает качество, близкое к неквантизированной модели. Язык модели в метаданных указан как английский. Для работы в ComfyUI требуется набор пользовательских узлов с поддержкой загрузки GGUF, например ComfyUI-GGUF. Основные ограничения — значительные требования к памяти из-за размера модели и возможное снижение визуального качества при использовании низких уровней квантизации. Модель распространяется по LTX-2 Community License Agreement от Lightricks.

LTX-2.5 — модель генерации видео и аудио с открытыми весами от Lightricks, предназначенная для локального запуска и дообучения. В представленном репозитории размещён комплект компонентов в формате safetensors: диффузионный трансформер DiT на 22 млрд параметров, текстовый энкодер Gemma 4 12B и видеодекодер DiffVAE; доступны полная и дистиллированная версии, а также вариант int8 для ComfyUI. Метаданные классифицируют эту копию как image-to-video. Модель создаёт синхронизированные видео и аудио по тексту, изображениям и видео; поддерживает многокадровые сцены с сохранением персонажей, окружения и стиля, а также улучшенное следование сложным промптам. Заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Для запуска описаны ComfyUI и пакет ltx-pipelines; в README указаны требования Python 3.12 или новее и CUDA 12.7 или новее. Для организаций с годовой выручкой ниже 10 млн долларов README разрешает бесплатное коммерческое и производственное использование по лицензии LTX-2.x Community License; передача дообученных моделей может требовать платной лицензии. Для организаций с выручкой выше этого порога требуется платное коммерческое соглашение. Модель не предназначена для выдачи фактической информации; точность соответствия промпту не гарантирована, результат зависит от стиля промптинга, а генерация может содержать предвзятость или оскорбительный контент.

Abiray/LTX-2.5-Distilled-GGUF — это набор квантизированных GGUF-весов дистиллированного трансформера LTX-2.5, разработанного Lightricks и опубликованного в этой сборке пользователем Abiray. Модель предназначена для локальной генерации видео и синхронизированного аудио по тексту, изображению и видео, включая сценарии text-to-video, image-to-video, video-to-video и audio-to-video. Она поддерживает нативную многокадровую генерацию связанных сцен с сохранением идентичности персонажей, окружения, освещения, голоса и визуального стиля между монтажными переходами. Доступны варианты квантизации от Q3_K_S размером 12,6 ГБ до Q8_0 размером 23,6 ГБ. Более компактные варианты подходят для систем с ограниченной VRAM, но сильнее теряют в качестве; Q4_K_M заявлен как сбалансированный базовый вариант, а Q6_K и Q8_0 обеспечивают качество, близкое к исходным весам. Модель основана на архитектуре LTX-2.5 DiT и является дистиллированной версией полной модели размером 22B. Заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Для работы требуются отдельные текстовый энкодер Gemma 4 12B, видео- и аудио-VAE; для наилучшей детализации и плавности рекомендуется использовать латентные пространственный и временной апскейлеры. Необходима совместимость инференс-среды, например llama.cpp или ComfyUI с загрузчиком GGUF, поддерживающим архитектуру LTX-2.5 DiT, а также достаточный объём оперативной памяти или VRAM. Лицензия указана как ltx-2-community-license-agreement; применяются условия лицензии LTX-2 от Lightricks.

Карточка модели caohoangkha99/ltx2.5-model-image-to-video на Hugging Face совпадает с карточкой Lightricks/LTX-2.5, поэтому описание составлено по ней. LTX-2.5 — модель генерации видео и аудио с открытыми весами, разработанная Lightricks для локального запуска и дообучения. Она создает синхронизированные видео и аудио по текстовым, графическим и видеоусловиям; основная задача репозитория на Hugging Face — генерация видео по изображению. Поддерживаются связная генерация нескольких сцен с сохранением персонажей и стиля, улучшенное следование сложным промптам и облегченный дистиллированный вариант. В состав комплекта входят DiT-трансформер, текстовый энкодер Gemma 4 12B и видеодекодер DiffVAE; веса представлены отдельными файлами safetensors, включая bf16 и отдельные варианты int8 для ComfyUI. В карточке перечислена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Для выведения модели в эксплуатацию нужны совместимые инструменты и вычислительная среда; README рекомендует Python 3.12+, CUDA 12.7+ и PyTorch 2.7 для пути через ltx-pipelines. Модель не предназначена для выдачи фактической информации, качество зависит от формулировки промпта, соответствие результата запросу не гарантировано, возможны предвзятые или оскорбительные результаты. Для выручки организации менее 10 млн долларов README заявляет бесплатное коммерческое и производственное использование по лицензии LTX-2.x Community License; при большей выручке требуется платное соглашение, а передача дообученных моделей может потребовать отдельной лицензии.

Карточка модели MrBlackRaben/lumiera-cinema-v23 на Hugging Face совпадает с карточкой diffusers/LTX-2.3-Diffusers, поэтому описание составлено по ней. 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.

Компактная модель для автоматического создания текстовых подписей к изображениям. Разработчик объединил bert-mini и vit-small в архитектуре vision-encoder-decoder; размер модели составляет около 130 МБ. Модель предназначена для быстрого запуска на CPU и генерирует подписи на английском языке. Подходит для краткого описания изображений и автоматического добавления подписей в приложения или каталоги. Распространяется по лицензии Apache-2.0.