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

Nova-Mythra-12B — объединённая модель на архитектуре Mistral, созданная Vortex5 методом многоэтапного слияния нескольких моделей. Она предназначена для генерации текста и диалогов, особенно для написания историй, построения вымышленных миров, ролевого взаимодействия с персонажами и создания черновиков или сцен. Модель содержит 12,1 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. Для объединения использованы KiloNovaSynth-12B, Hollow-Aether-12B, Lunar-Twilight-12B, NoctyxCosma-12B, Tlacuilo-12B и Violet-Lyra-Gutenberg-v2; веса подготовлены в формате bfloat16 и опубликованы в safetensors. Лицензия и конкретные ограничения применения в предоставленных сведениях не описаны.

Карточка модели JSCreatorPro/offline-video-mochi-1 на Hugging Face совпадает с карточкой genmo/mochi-1-preview, поэтому описание составлено по ней. Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

onnx-community/ormbg-ONNX — модель для удаления фона и сегментации изображений, основанная на schirrmacher/ormbg и опубликованная сообществом onnx-community. Она предназначена для автоматического выделения объекта на изображении с формированием маски, которую можно сохранить как PNG или преобразовать в Canvas либо Blob. Модель интегрируется с библиотекой Transformers.js и рассчитана на использование в JavaScript-приложениях, в том числе в браузере или средах, поддерживающих эту библиотеку. В карточке указано назначение image-segmentation и тег background-removal, однако сведения об архитектуре, количестве параметров, размере, поддерживаемых языках, модальностях и длине контекста отсутствуют. Также не приведены количественные оценки качества, поэтому сильные стороны можно подтвердить только на уровне специализированного сценария удаления фона, а ограничения производительности и точности требуют самостоятельного тестирования на целевых изображениях. Модель распространяется по лицензии Apache-2.0.

Ovi — модель генерации видео и аудио, разработанная Chetwin Low и командой из Character AI при участии Yale University. Она создаёт синхронизированные видео и звук по текстовому описанию или по тексту вместе с исходным изображением; для речи и звуковых эффектов предусмотрен специальный формат промпта. README описывает генерацию роликов длительностью 5 или 10 секунд при 24 кадрах в секунду, а обновление Ovi 1.1 — видео с временной согласованностью в разрешении 960 × 960. В метаданных репозитория указана производная от Wan-AI/Wan2.2-TI2V-5B модель для задачи image-to-video; веса представлены в формате safetensors. Карточка заявляет отдельную 5B аудиоветвь, обученную с нуля, и упоминает дообучение на видео высокого разрешения и RL. Для инференса README указывает минимум 32 ГБ видеопамяти, а для FP8 — около 24 ГБ с небольшим снижением качества. Также приведены высокие требования к памяти для конфигураций без экономии памяти. Модель распространяется по лицензии Apache-2.0.

Penguin-VL-8B — компактная зрительно-языковая модель Tencent, построенная на базе Qwen3-8B и разработанная для обработки изображений, документов и видео вместе с текстом. Модель содержит около 7,6 млрд параметров и использует архитектуру PenguinVLQwen3ForCausalLM: визуальный энкодер, инициализированный текстовой моделью Qwen3-0.6B, лёгкий MLP-проектор и языковую основу Qwen3. Для понимания видео применяется сжатие токенов с учётом временной избыточности кадров. Модель предназначена для диалоговых запросов по визуальному содержимому: ответов на вопросы по изображениям и видео, OCR, анализа диаграмм и документов, а также мультимодальных рассуждений. В README сообщается о конкурентных результатах на тестах для изображений, документов, OCR, математики и видео; контекст составляет 40 960 токенов. Метаданные указывают английский язык, библиотеку Transformers и лицензию Apache-2.0. Хотя README описывает визуальные и видеовозможности, pipeline_tag и каталог классифицируют репозиторий как text-generation. Не следует считать приведённые результаты гарантией качества на произвольных данных; README не уточняет ограничения по разрешению, длительности видео и аппаратным требованиям.

RMBG-2.0-WebGPU — экспорт модели удаления фона briaai/RMBG-2.0 в формат ONNX, подготовленный для запуска через ONNX Runtime Web с бэкендом WebGPU. В основе лежит архитектура BiRefNet для сегментации изображений; файл модели имеет размер 490 МБ и хранит веса в fp16 с приведением к fp32 перед вычислениями. Модель предназначена для выделения объекта переднего плана и удаления фона в веб-приложениях. Экспорт изменён так, чтобы большие операции Split и Concat выполнялись каскадными группами и укладывались в ограничение WebGPU на число привязок буферов. По README результат численно совпадает с исходной моделью в пределах точности fp16. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Rubicon-preview — экспериментальная разговорная языковая модель, разработанная командой inclusionAI и обученная методом обучения с подкреплением на основе «якорей рубрик». Она предназначена для генерации открытых ответов, особенно творческих и ориентированных на гуманитарные темы, с управляемым стилем и более выразительной подачей. Модель использует архитектуру Qwen3 MoE и содержит 2,6 млрд параметров по метаданным Hugging Face; в README указана конфигурация 30B-A3B. Контекстное окно — до 40 960 токенов. Модель принимает текст и генерирует текст; метаданные также отмечают интерфейс вызова инструментов. В README заявлено улучшение результатов на субъективных гуманитарных задачах при сохранении общих возможностей и результатов на ряде задач рассуждения. Модель можно применять для творческого письма, редактирования с заданным стилем и открытых вопросов. README не сообщает поддерживаемые естественные языки. Модель опубликована по лицензии Apache-2.0. Показатели качества приведены в карточке модели и не гарантируют аналогичных результатов в других сценариях.

Singularity-LTX-2.3_OmniCine_V1 — модель генерации видео от автора WarmBloodAban, основанная на LTX-Video 2.3 и ориентированная прежде всего на преобразование изображения в видео. Она также поддерживает генерацию видео по текстовому описанию, управление первым и последним кадрами и сценарий Reference-to-Video, при котором модель извлекает особенности персонажей и художественный стиль из референсного изображения и создаёт новые ракурсы и композиции. Модель предназначена для создания кинематографичных сцен с динамичным движением, управляемыми монтажными переходами и изменениями камеры, а также для анимации персонажей, экшен-сцен, спортивных эпизодов, киберпанка, превращений, магии и монстров. Заявлены улучшения анатомии конечностей, физической согласованности объектов и окружения, выразительности лиц и синхронизации губ во время речи. Модель рассчитана на широкий диапазон визуальных стилей, включая 2D-аниме, 3D CGI и гиперреализм. В README не указаны точный размер модели, детальная архитектура, максимальная длина контекста, перечень поддерживаемых языков и конкретные системные требования. Также заявлено, что обучение выполнено примерно на 100 000 шагов с учётом накопления градиента, поэтому характеристики и качество могут зависеть от сценария и настроек генерации. Распространение разрешено по лицензии Apache-2.0.

Карточка модели ramram1103/SkyReels-V2-DF-14B-720P на Hugging Face совпадает с карточкой Skywork/SkyReels-V2-T2V-14B-720P, поэтому описание составлено по ней. SkyReels-V2-T2V-14B-720P — модель генерации видео по текстовому описанию, разработанная командой Skywork. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательной генерацией кадров. В основе модели лежит плотная архитектура text-to-video с авторегрессионным Diffusion Forcing; репозиторий содержит веса в формате safetensors. В названии указаны размер 14B и разрешение 720P. Модель рассчитана на генерацию видео по текстовым промптам, создание сюжетных роликов и сцен с движением камеры. Авторы описывают обучение с несколькими этапами предобучения, подкреплением и supervised fine-tuning для улучшения визуального качества и динамики движения. README также описывает задачи image-to-video и генерацию с несколькими согласованными объектами для серии SkyReels-V2, но этот репозиторий классифицирован как text-to-video. В README приведены код и инструкции для инференса на одной или нескольких GPU, включая ускорение через xDiT USP. Для использования требуются вычислительные ресурсы с GPU. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели Shreyansh1409/SkyReels-V3-R2V-14B на Hugging Face совпадает с карточкой Skywork/SkyReels-V3-A2V-19B, поэтому описание составлено по ней. 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 Skywork/SkyReels-V3-R2V-14B на Hugging Face совпадает с карточкой Skywork/SkyReels-V3-A2V-19B, поэтому описание составлено по ней. 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.

Step-Video-T2V — модель генерации видео по текстовому описанию, разработанная StepFun. Она создаёт видеоролики длиной до 204 кадров; заявленная конфигурация модели содержит 30 млрд параметров. Для кодирования видео используется VAE со сжатием 16×16 по пространству и 8× по времени, а генерацию выполняет DiT с 48 слоями, 48 головами внимания и 3D full attention. Текстовые запросы кодируются двумя предварительно обученными двуязычными энкодерами для английского и китайского языков. Модель предназначена для создания динамичных видеороликов по текстовым запросам, включая сцены с людьми, животными, пейзажами, спортом и анимацией. В финальном этапе обучения применялся Direct Preference Optimization для улучшения визуального качества и согласованности кадров. Репозиторий содержит веса в формате safetensors для Diffusers и PyTorch и распространяется по лицензии MIT. Для запуска авторы рекомендуют Linux и NVIDIA GPU с 80 ГБ памяти; в приведённых замерах генерация видео 544×992 пикселей занимала сотни секунд на 50 шагах.

V-SPLADE Quality — модель NAVER для поиска визуальных документов по текстовому запросу. Она кодирует изображения страниц PDF, слайдов и сканов в разреженные векторы, пригодные для поиска через инвертированный индекс; текстовые документы также поддерживаются. Размер модели — 250 млн параметров, архитектура основана на ModernVBERT. Для запросов используется обученный Bag-of-Words lookup без нейронного кодирования во время обслуживания, поэтому запросы можно обрабатывать без GPU, а страницы — индексировать напрямую, без предварительного OCR или генерации подписей. В README приведены результаты на бенчмарках поиска документов и сравнение скорости построения индекса с OCR- и caption-подходами. Модель предназначена для поиска по сканированным отчётам, презентациям и другим документам, представленным изображениями страниц. Для работы с изображениями требуется Sentence Transformers с поддержкой изображений и Transformers версии не ниже 5.3.0. Репозиторий распространяется по лицензии Apache-2.0. В карточке указаны английский язык и задачи извлечения признаков, заполнения пропусков и оценки сходства предложений; описанный сценарий поиска при этом использует изображения документов и текстовые запросы.

Wan2.1-Fun-1.3B-InP — модель генерации видео из текста и изображений, разработанная командой Alibaba PAI на базе семейства Wan2.1-Fun. Версия 1.3B обучена на данных с несколькими разрешениями и поддерживает прогнозирование видео по начальному и конечному кадрам. Модель предназначена для создания видеороликов по текстовому описанию с возможностью задавать изображение как визуальную опору; в карточке также заявлена поддержка многоязычной генерации. Для запуска проект предлагает библиотеку VideoX-Fun и интеграцию с ComfyUI. Генерация может требовать значительных вычислительных ресурсов; README описывает режимы выгрузки частей модели в CPU, а также режим с float8-квантизацией, который снижает требования к видеопамяти ценой некоторой потери качества. Модель распространяется по лицензии Apache 2.0.

Wan2.1-Fun-V1.1-14B-InP — модель семейства Wan2.1-Fun, опубликованная Alibaba PAI. Это версия для генерации видео по текстовому описанию и изображениям; карточка указывает поддержку задачи text-to-video, а README описывает веса InP как модель генерации видео по тексту и изображению. Модель обучалась на нескольких разрешениях и поддерживает предсказание видео по начальной и конечной опорным изображениям. Модель предназначена для создания видеоклипов по промпту, а также анимации изображений с заданием начального и конечного кадров. Репозиторий использует формат safetensors и библиотеку VideoX-Fun. В README для версии 14B указан размер хранения около 47 ГБ; метаданные каталога приводят 2,3 млрд параметров. Поддерживаемые в карточке языки — английский и китайский. Проект распространяется по лицензии Apache 2.0. Для запуска нужны значительные вычислительные и дисковые ресурсы; README описывает режимы переноса модели на CPU и квантование float8 для снижения потребления видеопамяти, отмечая возможное снижение качества при квантовании. Скорость и качество зависят от оборудования и выбранных настроек генерации.

Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Карточка модели wan-community/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Карточка модели Bear650/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.

Карточка модели plluha/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.

Карточка модели yemsrach3723/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.

Wan2.2-I2V-A14B — модель генерации видео из изображения, разработанная командой Wan-AI. Она принимает исходное изображение и создаёт на его основе видео; модель предназначена для сценариев, где нужно анимировать статичный кадр или задать визуальную основу для видеосцены. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE): специализированные эксперты участвуют в разных этапах процесса денойзинга. Поддерживаются разрешения 480p и 720p. В README отмечены более стабильный синтез видео, уменьшение нереалистичных движений камеры и улучшенная работа со сценами в разных стилях. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache 2.0. Для работы требуется значительная вычислительная мощность; README описывает многокарточный запуск и режимы с выгрузкой модели, но не приводит точный размер этой версии. Модель предназначена для генерации видео из изображений; заявленные возможности текстовой генерации относятся к другим моделям семейства Wan2.2.

Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию, разработанная командой Wan-AI. Она создаёт ролики длительностью около 5 секунд в разрешении 480p или 720p. Модель построена на архитектуре диффузии с механизмом Mixture-of-Experts (MoE), который распределяет этапы денойзинга между специализированными экспертами. Модель предназначена для создания видеосцен по текстовым запросам, в том числе с контролем кинематографической эстетики: освещения, композиции, контраста и цветового тона. По данным авторов, обучение на расширенном наборе изображений и видео улучшило генерацию сложного движения, семантики и визуального стиля. Для расширения и детализации запросов можно подключить prompt extension через Dashscope. Для запуска авторы указывают требование видеокарты с 80 ГБ VRAM для однокарточного инференса; выгрузка частей модели на CPU и другие параметры могут снизить потребление памяти. Модель распространяется под лицензией Apache-2.0. В карточке нет данных о поддерживаемых языках запросов и частоте кадров именно этой модели; указанное в README значение 24 кадра/с относится к отдельной модели TI2V-5B.

Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию от команды Wan-AI. Она предназначена для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель использует диффузионную архитектуру Mixture-of-Experts: специализированные эксперты участвуют в разных этапах денойзинга. Обучение на расширенном наборе изображений и видео направлено на улучшение генерации сложного движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Репозиторий предоставляет веса в форматах Diffusers и safetensors и интеграцию с Diffusers. Для запуска на одном GPU README указывает требование не менее 80 ГБ видеопамяти; доступны параметры выгрузки модели и переноса T5 на CPU для снижения потребления памяти, а также много-GPU-инференс. Для расширения промптов можно подключить Dashscope API. Лицензия модели — Apache-2.0.

Карточка модели qqceqqq/Wan2.2-VACE-Fun-A14B на Hugging Face совпадает с карточкой alibaba-pai/Wan2.2-VACE-Fun-A14B, поэтому описание составлено по ней. Wan2.2-VACE-Fun-A14B — модель генерации видео из текста и управляемых визуальных условий, представленная проектом Alibaba PAI в составе Wan-Fun. Это дообученная версия Wan-AI/Wan2.2-T2V-A14B; веса опубликованы в формате safetensors и распространяются по лицензии Apache-2.0. Модель предназначена для создания видео по текстовому запросу с возможностью задавать контрольное видео и изображение-образец. В семейство Wan2.2-Fun также входят варианты для управления через Canny, глубину, позу, линии MLSD, траекторию и параметры камеры; README описывает возможности семейства, поэтому наличие каждого режима именно в этом чекпойнте не подтверждено. В документации семейства упомянуты обучение на нескольких разрешениях и поддержка многоязычных запросов. Для запуска предлагаются инструменты videox_fun и интеграция с ComfyUI. Генерация требует значительных вычислительных ресурсов и места на диске; README описывает режимы выгрузки частей модели на CPU и режим с float8-квантизацией, который может несколько снизить качество. Точный размер модели и длина контекста в предоставленных данных не указаны.

WhisperD-NL — модель распознавания речи на нидерландском языке, созданная дообучением Whisper large-v3 на корпусе Corpus Gesproken Nederlands (CGN). Она предназначена для транскрибации с сохранением речевых запинок и неречевых событий, а также для распознавания до четырёх говорящих: их реплики помечаются тегами [S1]–[S4]. Модель построена на архитектуре Whisper и содержит около 905,3 млн параметров. В карточке указан WER 16,42 для распознавания с запинками, идентификацией говорящих и неречевыми событиями. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель оптимизирована для нидерландской речи и наследует ограничения базовой Whisper large-v3.

ACE-Step v1.5 Base — базовая модель для генерации музыки по текстовому описанию, разработанная командой ACE-STEP. Это плотная модель семейства ACE-Step с архитектурой AceStepConditionGenerationModel и 1,3 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Transformers. Модель предназначена для создания музыкальных композиций и коротких фрагментов по текстовым запросам, с управлением стилем и поддержкой сценариев вроде генерации кавера, перерисовки аудио и преобразования вокала в инструментальный фон. Карточка проекта описывает гибридный конвейер: языковая модель формирует план композиции, метаданные и текстовые условия для Diffusion Transformer. Заявлена работа с запросами более чем на 50 языках и создание композиций длительностью до 10 минут. README приводит скорость менее двух секунд на A100 и менее десяти секунд на RTX 3090, а также заявляет возможность локального запуска при менее чем 4 ГБ видеопамяти; фактическая производительность зависит от оборудования и настроек. Лицензия репозитория — MIT; README также заявляет возможность коммерческого использования сгенерированной музыки.

ACE-Step 1.5 XL Base BF16 — модель генерации музыки на основе ACE-Step/acestep-v15-xl-base. Это вариант архитектуры DiT с 3,1 млрд параметров в формате BF16; README указывает для исходной версии XL конфигурацию из 32 слоёв декодера и 32 голов внимания. Модель создаёт аудио по текстовому описанию и поддерживает задачи извлечения, комбинирования и дополнения музыки. Модель рассчитана на генерацию музыкальных фрагментов с высокой вариативностью и на сценарии редактирования или продолжения аудио. README заявляет генерацию за 50 шагов с CFG и совместимость с языковыми моделями ACE-Step размером 0,6B, 1,7B и 4B. Для работы требуется от 8 ГБ видеопамяти с выгрузкой на CPU и INT8-квантизацией; от 16 ГБ достаточно для запуска без выгрузки. В карточке заявлены обучающие данные из лицензированной, свободной от роялти или общественного достояния музыки, а также синтетических MIDI-аудиоданных, и возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. README описывает BF16-вариант как конверсию с почти неизменным качеством; однако метаданные классифицируют его как дообучение базовой модели, поэтому происхождение отмечено как finetune.

Карточка модели tareq5055/afsartovideo 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.

Allegro — открытая модель генерации видео по тексту от rhymes.ai. Она предназначена для создания динамичных сцен, включая крупные планы людей и животных, по текстовым запросам. Модель построена на VideoDiT с 2,8 млрд параметров и VideoVAE с 175 млн параметров; заявлена длина контекста 79,2 тыс. токенов, соответствующая 88 кадрам. Модель формирует видео длительностью 6 секунд с разрешением 720×1280 и частотой 15 кадров в секунду; частоту можно повысить до 30 кадров в секунду с помощью EMA-VFI. Поддерживаются точности FP32, BF16 и FP16; для режима BF16 с выгрузкой частей модели на CPU указано потребление 9,3 ГБ видеопамяти. Репозиторий использует библиотеку Diffusers и формат Safetensors. Лицензия Apache 2.0.

Anubis-70B-v1 — диалоговая дообученная модель семейства Llama, опубликованная TheDrummer; в README проект представлен BeaverAI. Модель содержит 69,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов. Карточка описывает её как сбалансированную и творческую модель, следующую инструкциям и подходящую для естественного диалога, написания прозы и ролевых сценариев. Поддерживается шаблон чата Llama 3 с ролями system, user и assistant; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В репозитории указаны веса safetensors, а README ссылается на отдельную рекомендацию по формату iMatrix. Лицензия обозначена как other, поэтому условия использования следует проверить в файлах репозитория. Отзывы о качестве и творческих способностях в карточке субъективны и не являются результатами опубликованной оценки.