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

Это официальный чекпойнт ACE-Step v1.5 XL Turbo в формате Diffusers, подготовленный разработчиками ACE-Step. Модель предназначена для генерации музыки по текстовому описанию и загружается как единый конвейер через AceStepPipeline из Diffusers. В основе — 5-миллиардная flow-matching DiT с 32 слоями, 32 головами и размером скрытого состояния 2560; размер представлений энкодера условий — 2048. Чекпойнт ACE-Step v1.5 XL Turbo прошёл дистилляцию с guidance и генерирует музыку за 8 шагов. Репозиторий содержит веса в формате Diffusers и SafeTensors; лицензия — MIT.

GuysTrans/bart-base-finetuned-xsum — модель GuysTrans, дообученная на базе facebook/bart-base для суммаризации текста. Она построена на encoder-decoder архитектуре BART и содержит 95,2 млн параметров. Модель принимает текст и генерирует краткое текстовое резюме; контекст — до 1024 токенов. Репозиторий содержит веса PyTorch и Safetensors. В карточке приведены результаты оценки: ROUGE-1 16,5953, ROUGE-2 12,3097, ROUGE-L 15,9007 и ROUGE-Lsum 16,4053. Датасет описан как None, поэтому связь обучения именно с XSum по имеющимся сведениям подтвердить нельзя. Модель распространяется по лицензии Apache-2.0.

Bernini-R 1.3B ComfyUI bundle — облегчённая сборка модели для редактирования изображений и видео, опубликованная neuregex. В репозитории есть рендерер на 1,3 млрд параметров, VAE и текстовый энкодер; доступны веса BF16 Safetensors и варианты GGUF с квантованием. Модель представляет собой одноэкспертную доработку Wan2.1-T2V-1.3B и предназначена для запуска в ComfyUI на менее мощных видеокартах. Сборка рассчитана на редактирование по изображению и текстовому запросу: перенос стиля, удаление водяных знаков и субтитров, локальные правки. По заявлению карточки, на простых изменениях она близка по результатам к 14B-сборке, но уступает ей на сложных задачах. Для работы нужны ComfyUI-BerniniR и ComfyUI-GGUF; лицензия — Apache-2.0.

Bernini-R-1.3B-bf16 — порт рендерера Bernini от ByteDance в формате MLX, подготовленный mlx-community для запуска на Apple Silicon. Это генератор и редактор видео на основе архитектуры Wan2.1-T2V-1.3B: модель содержит один эксперт и использует Segment-Aware 3D RoPE для работы с несколькими эталонными изображениями и задачами редактирования. Вариант bf16 занимает 2,6 ГБ для трансформера; общие компоненты Wan2.1 — VAE и текстовый энкодер UMT5 — требуют ещё около 11,1 ГБ. Модель поддерживает генерацию видео по текстовому запросу, создание видео с заданным объектом по референсным изображениям и редактирование исходного видео по запросу. Также заявлены преобразование текста в изображение, перенос стиля, удаление субтитров и водяных знаков и локальное редактирование; на простых задачах малый вариант, по описанию проекта, близок к версии 14B. Порт использует только текстовое обусловливание UMT5: семантический планировщик Qwen2.5-VL-7B, описанный в статье, не входит в выпуск. Модель основана на Wan2.1-T2V-1.3B и преобразована из исходной версии ByteDance в bf16. Лицензия — Apache-2.0. Запуск рассчитан на Apple Silicon через MLX и mlx-video; опубликованная проверка проведена на CPU-потоке, поэтому качество и производительность на конкретном устройстве могут отличаться.

Bernini-R-1.3B-int4 — это 4-битная версия модели-видеогенератора Bernini Renderer от ByteDance, подготовленная сообществом mlx-community для запуска на Apple Silicon через MLX. Модель основана на Wan2.1-T2V-1.3B и предназначена для генерации и редактирования видео по тексту, изображению или исходному видео. Архитектура включает один экспертный блок Transformer на 1,3 млрд параметров; веса трансформера квантизированы до int4 с группами по 64, а общие компоненты VAE и UMT5 оставлены без квантизации. Модель поддерживает генерацию видео по текстовому запросу, создание видео с объектом по нескольким референсным изображениям, а также редактирование исходного видео по текстовой инструкции. Малый вариант рассчитан на экономичный запуск и, по описанию, близок к версии 14B на простых задачах вроде переноса стиля, удаления субтитров и водяных знаков и локального редактирования. Доступен только Renderer: семантический планировщик на Qwen2.5-VL-7B не выпущен, поэтому здесь используется только текстовое кондиционирование UMT5. Лицензия — Apache-2.0.

t8star публикует веса Bernini V2 в формате, предназначенном для нативного запуска в ComfyUI, на основе ByteDance/Bernini-Diffusers-v2. Модель сначала планирует сцену и движение с помощью Qwen2.5-VL, затем создаёт видео двумя экспертами Wan 2.2. Поддерживаются генерация видео по тексту и изображению, преобразование видео, создание видео по референсу и редактирование видео с опорой на референс. В репозитории есть профили BF16 и INT8 в safetensors, а также экспериментальный вариант рендереров GGUF с меньшим объёмом хранения. Для профиля INT8 указана рекомендация для видеокарт с 24 ГБ памяти; вариант GGUF Q4_K_S экономит место, но может терять детализацию лиц и конечностей. README сообщает о проверенном запуске в ComfyUI на разрешении 640×368 и 33 кадрах. Лицензия — Apache-2.0.

NbAiLab/borealis-open-1b — компактная инструктивная языковая модель семейства Borealis, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket). Это дообученная на инструкциях версия Google Gemma 3 1B с плотной архитектурой Gemma3ForCausalLM; модель содержит 1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Она предназначена прежде всего для норвежских диалоговых задач: написания и редактирования текстов, составления заголовков и вводных абзацев к новостям, суммаризации, ответов на вопросы и лёгких рассуждений. Также её можно применять для оценки качества письменного норвежского языка, включая букмол и нюношк. Открытый вариант обучен на наборе NbAiLab/aurora-sft-open и не включает материалы, предоставленные по соглашению с правообладателями норвежской прессы. Модель доступна в формате Safetensors для Transformers и распространяется по лицензии Gemma. Это не специализированная модель для сложных рассуждений: ответы могут содержать ошибки, предвзятость или неподходящий контент, а качество за пределами норвежского и английского языков изучено недостаточно. Не рекомендуется применять её в критически важных сценариях без отдельной проверки.

ColPali v1.3 HF — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B и стратегии ColBERT. Эта версия предназначена для загрузки через Transformers или Sentence Transformers; веса преобразованы из чекпойнта vidore/colpali-v1.3-merged. Модель формирует многовекторные представления страниц и текстовых запросов, чтобы находить релевантные страницы по их визуальному содержимому. Подходит для поиска по PDF и другим документам с визуально значимой структурой: например, когда важны таблицы, схемы или расположение элементов. Обучение проводилось на англоязычных парах «запрос — страница»; README сообщает о проверке переноса на другие языки, однако основное внимание уделено языкам с большими ресурсами. Для воспроизведения обученного формата запросов в Transformers нужно установить префикс «Query: » у процессора. Лицензия — Gemma; применяются условия лицензии Gemma.

Mozilla/distilvit — экспериментальная модель для генерации текстовых описаний изображений. Это архитектура vision-encoder-decoder: зрительный энкодер на основе ViT сочетается с текстовым декодером на основе дистиллированного GPT-2. В метаданных базовой моделью указан google/vit-base-patch16-224-in21k; README также сообщает о Distilled GPT-2 в декодере. Модель дообучалась на наборах изображений и подписей COCO 2017 и Flickr30k, а также на изображениях Pexels и наборах DocOrNot и Alt Text Validation. Её основная задача — создавать подписи и альтернативный текст к изображениям. Репозиторий содержит веса PyTorch, Safetensors и ONNX. Модель опубликована по лицензии Apache-2.0. README характеризует модель как находящуюся в разработке, поэтому её качество и надёжность могут быть нестабильными. Метаданные указывают задачу генерации текста по изображению, но не сообщают размер модели, длину контекста или поддерживаемые естественные языки.

alakxender разработал sentence-transformers модель для получения плотных векторных представлений предложений и абзацев на дивехи. Она дообучена для понимания семантики новостных статей и предназначена для поиска похожих текстов, семантического поиска, выявления перефразировок, кластеризации и классификации текстов. В README также упоминаются сценарии вопросов и ответов и суммаризации как направления серии моделей. Модель основана на XLM-RoBERTa и использует усреднение токенных представлений; размер вектора — 768 измерений, сходство рассчитывается косинусной мерой. Метаданные указывают 311,4 млн параметров и контекст до 514 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Модель дообучена от alakxender/e5-dhivehi-qa-mnr на корпусах новостных статей на дивехи; лицензия — MIT. Основной сценарий — построение эмбеддингов для поиска и сравнения текстов на дивехи. Указанная в карточке архитектура и назначение ориентированы на текст; поддержка английского обозначена в тегах, но специализация модели — дивехи. Результаты для языков и типов текстов вне заявленного назначения следует проверять на целевых данных.

EvoQwen2.5-VL-Retriever-7B-v1 — мультимодальная модель поиска по визуальным документам от ApsaraStackMaaS, дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct с помощью подхода Evo-Retriever. Она использует многовекторное представление и позднее взаимодействие для сопоставления текстовых запросов с изображениями документов. Модель предназначена для поиска релевантных страниц и документов по естественно-языковому запросу, в том числе по сложному визуальному содержимому. Принимает изображения и текстовые запросы, выдаёт векторные представления для вычисления оценок релевантности. Веса содержат 7,1 млрд параметров, контекст — до 128 000 токенов; указаны английский язык и формат safetensors. Для версии 7B заявлена высокая точность на оценочных наборах, однако карточка не приводит численные результаты. Модель распространяется по лицензии Apache-2.0.

FastWan2.1-T2V-1.3B-Diffusers — модель FastVideo Team для генерации видео по текстовому описанию. Она дообучена на основе Wan-AI/Wan2.1-T2V-1.3B-Diffusers с применением стратегии Sparse-distill, объединяющей DMD-дистилляцию и разреженное внимание. Модель поддерживает трёхшаговый вывод и обучена на видео размером 61×448×832. На H100 заявлена скорость до 16 кадров в секунду; доступны варианты запуска на разных GPU, включая RTX 4090, а также на Mac. Можно запрашивать другие разрешения, но качество при этом может снижаться. Для работы с репозиторием используются Diffusers и формат safetensors. Лицензия — Apache-2.0.

FireRed-Image-Edit-1.1 — универсальная модель редактирования изображений от FireRedTeam, обновлённая версия FireRed-Image-Edit-1.0. Модель принимает изображение и текстовые инструкции для его изменения; в карточке указана поддержка английского и китайского языков. Для обработки используется библиотека Diffusers, веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для творческого и профессионального редактирования: заявлены сохранение узнаваемости людей и персонажей при сложных изменениях, объединение множества элементов, ретушь портретов и макияжа, работа с типографикой, реставрация старых фотографий и виртуальная примерка. README также сообщает об агентном сценарии обработки нескольких изображений, поддержке обучения LoRA и оптимизациях для ускорения генерации. Заявления о качестве и скорости приведены разработчиком; независимые условия воспроизведения этих результатов в карточке не описаны.

DavidAU создал дообученную модель Gemma 3 12B IT с поддержкой изображений, настроенную на подробные рассуждения и генерацию творческого текста. Она предназначена для диалога, написания и продолжения историй, ролевых сценариев, а также анализа изображений с учётом рассуждений. Модель использует плотную архитектуру Gemma 3 и формат Safetensors; заявленная длина контекста — 128 тысяч токенов. В карточке указана настройка на англоязычном наборе данных с примерами рассуждений Gemini 3 Pro Preview. Автор сообщает, что рассуждения можно активировать фразой «think deeply:», хотя в большинстве случаев они включаются автоматически; системный промпт и шаблон чата могут влиять на результат. Модель описана как менее склонная к отказам и способная генерировать откровенный контент по запросу. Лицензия — Apache-2.0.

Hollow-Aether-12B — слитая Vortex5 модель на архитектуре Mistral с 12,1 млрд параметров. Она создана объединением Abyssal-Seraph-12B и Moonlit-Shadow-12B методом synforge; в README указан тип данных bfloat16, а метаданные репозитория отмечают формат safetensors и контекст до 131 072 токенов. Модель предназначена для генерации текста, сторителлинга и ролевых диалогов, в том числе для создания выразительных сцен. Она принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в предоставленных данных не приведены. Для базовой загрузки указана библиотека Transformers. Условия лицензии в доступных сведениях не описаны.

Карточка модели fwwrsd/lightricks-ltx-video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

LLM-jp-4-VL 9B beta — зрительно-языковая модель, разработанная исследовательской группой LLM-jp. Она дообучена на основе llm-jp/llm-jp-4-8b-instruct и объединяет языковую модель на 8,6 млрд параметров, визуальный энкодер SigLIP2 SO400M на 0,4 млрд параметров и лёгкий двухслойный MLP-проектор. Архитектура вдохновлена InternVL3.0; для обработки изображений высокого разрешения применяется динамическое разбиение на фрагменты. Модель предназначена для диалога с изображениями и ответов на визуальные вопросы, включая анализ диаграмм, документов, слайдов и сцен. Обучение использовало англоязычный набор FineVision и японский мультимодальный набор Jagle. В README сообщается о результатах на уровне Qwen3-VL-8B-Instruct в среднем по десяти японским задачам; это не гарантирует такого же качества на других данных. Модель доступна по лицензии Apache-2.0.

LongCat-Video — модель генерации видео, разработанная Meituan. Она объединяет генерацию видео по текстовому описанию, анимацию исходного изображения и продолжение существующего видео в одной архитектуре с 13,6 млрд параметров. Модель предназначена для создания длинных роликов; благодаря предварительному обучению на продолжении видео она, по заявлению разработчиков, способна генерировать видео длительностью в несколько минут без заметного дрейфа цвета и ухудшения качества. Для ускорения генерации применяются поэтапное уточнение по времени и пространству и Block Sparse Attention. В README заявлена генерация видео 720p с частотой 30 кадров в секунду за несколько минут, а также результаты, сопоставимые с ведущими открытыми и коммерческими моделями. Карточка описывает модель как плотную архитектуру и сообщает о многоцелевом обучении с подкреплением по нескольким наградам. Поддерживаются английский и китайский языки. Модель распространяется под лицензией MIT. Разработчики отмечают, что модель не была специально разработана или всесторонне оценена для всех возможных применений. Заявления о производительности и качестве основаны на внутренних и публичных оценках; README не приводит подробностей о требованиях к оборудованию.

Это производная дистиллированная версия LTX-2.3 от Lightricks, опубликованная в формате Diffusers и использующая веса Safetensors. Модель предназначена для генерации видео по изображению; семейство LTX-2.3 также поддерживает генерацию видео и синхронизированного аудио по тексту и мультимодальным входам. Дистилляция позволяет выполнять генерацию за 8 шагов при CFG = 1, ускоряя инференс ценой меньшей гибкости. Для работы требуется актуальная версия Diffusers с поддержкой LTX-2. В README также приведены сценарии генерации видео по первому и последнему кадрам и HDR-генерации с IC-LoRA. Размер кадра должен быть кратен 32, а число кадров — иметь вид 8k + 1. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

stronman/LTX-2.3-fp8 — FP8-версия аудиовизуальной foundation-модели LTX-2.3, разработанной Lightricks. Это диффузионная DiT-модель с открытыми весами, предназначенная для совместной генерации синхронизированных видео и аудио. Она поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio и комбинированную генерацию аудио-видео, включая преобразование аудио. Доступны полный обучаемый вариант ltx-2.3-22b-dev-fp8 и дистиллированный вариант ltx-2.3-22b-distilled-fp8, рассчитанный на генерацию за 8 шагов при CFG=1. Модель ориентирована на локальный запуск и практическое применение, отличается улучшенным качеством аудио и видео и более точным следованием запросам по сравнению с LTX-2. Заявлен английский язык. Для работы требуются размеры кадра, кратные 32, а число кадров — по формуле 8n+1. Модель не предназначена для предоставления фактической информации и может не полностью соответствовать запросам, усиливать социальные предубеждения или генерировать неприемлемый контент. Качество аудио без речи может быть ниже. Использование полного, дистиллированного вариантов, апскейлеров и производных регулируется ltx-2-community-license-agreement.

drbaph/LTX-2.3-FP8 — это квантизированная версия моделей LTX-2.3 22B, разработанных компанией Lightricks. Модель относится к семейству DiT-based audio-video foundation models и предназначена для совместной генерации синхронизированных видео и аудио, включая сценарии text-to-video, image-to-video, video-to-video, audio-to-video и мультимодальные задачи преобразования текста, изображений, видео и аудио в аудиовизуальный контент. Доступны варианты dev и distilled. Размер исходной модели составляет 22 млрд параметров, а каждый FP8-чекпойнт занимает около 30 ГБ. Используется статическая по-тензорная W8A8-квантизация с форматом float8_e4m3fn; часть блоков и неквантизированные параметры сохраняются в BF16 или F32. Ключевая особенность — единая архитектура для обработки аудио и видео с механизмами внимания между модальностями. README указывает поддержку английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков, но точные параметры контекста и ограничения длительности не приведены. FP8-квантизация уменьшает объём модели примерно с 46 ГБ в BF16 до 29,94 ГБ, что упрощает размещение и инференс при сохранении совместимости с исходной моделью. Ограничениями являются высокие требования к памяти, отсутствие в README подробных данных о качестве, скорости, разрешении и максимальной длительности генерации, а также возможные особенности точности, связанные с квантизацией. Модель распространяется по лицензии LTX-2 Community License Agreement; условия исходной LTX-2.3 применяются к этому производному варианту.

Карточка модели 999Ghost999/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели Alfa74/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели Monoland/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели propulsor/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Карточка модели Resgard/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Это GGUF-квантизированные файлы MiniMax H3, опубликованные VantageWithAI для использования в ComfyUI. MiniMax H3 — мультимодальная генеративная система для создания видео со стереозвуком по тексту и визуальным или аудиовизуальным референсам. Модель принимает текст, изображения, видео и аудио; варианты генерации поддерживают до двух кадровых изображений либо набор референсов до 9 изображений, 3 видео и 3 аудиоклипов при ограничениях на их длительность и общее число файлов. В описанной архитектуре отдельные энкодеры и VAE кодируют входные модальности в общую последовательность, которую обрабатывает H3-Omni-Transformer; система совместно предсказывает латенты видео и аудио. Базовая генерация рассчитана на длительность 4–15 секунд и разрешение с короткой стороной 768 пикселей; для генерации в 2K предусмотрен отдельный модуль H3-Regenerate-2K. В репозитории представлены варианты GGUF с квантизацией от Q3_K_M до Q5_K_M. Для сложных мультимодальных запросов разработчик рекомендует этап подготовки контекста H3-Context-IR, который не входит в эту открытую публикацию и доступен как размещённый сервис либо может быть реализован самостоятельно. Открытая версия использует полное внимание; реализация разреженного внимания заявлена для будущего выпуска. Лицензия указана как other, а README ссылается на MiniMax H3 Community License, условия которой следует проверить перед использованием.

julien-c создал эту объединённую модель на основе mistralai/Mistral-7B-Instruct-v0.2 и NeuralNovel/Mistral-7B-Instruct-v0.2-Neural-Story с помощью линейного слияния в mergekit. Это плотная авторегрессионная языковая модель Mistral с 7,1 млрд параметров для генерации текста и диалогового взаимодействия; контекст составляет до 32 768 токенов. В составленном наборе данных акцент сделан на инструкциях и создании историй. Модель подходит для написания продолжений и черновиков художественных текстов, интерактивного повествования и ответов на текстовые запросы. Она принимает текст и генерирует текст. Репозиторий распространяется в формате safetensors; лицензия — Apache-2.0. Карточка не приводит отдельных оценок качества или специальных ограничений применения.

MSM-MS-Cydrion-22B — плотная языковая модель на архитектуре Mistral, созданная SteelSkull слиянием нескольких моделей семейства Mistral-Small. В состав слияния вошли Cydonia-22B-v1.1, ArliAI-RPMax, Gutenberg-Doppel-22B и Acolyte-22B; в конфигурации указан метод model_stock и формат bfloat16. Модель содержит 22 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, с акцентом на творческое письмо и сюжетные сценарии. Указана совместимость с форматом Mistral; репозиторий использует Transformers и содержит веса safetensors. Лицензия — Apache-2.0.

Карточка модели Sirapasteve/my-video-sandbox на Hugging Face совпадает с карточкой FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers, поэтому описание составлено по ней. 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.