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

BiRefNet_HR-matting — модель сегментации изображений из семейства BiRefNet, представленная в официальном репозитории реализации работы «Bilateral Reference for High-Resolution Dichotomous Image Segmentation». Она предназначена для высокодетального выделения объектов и создания масок прозрачности при обработке изображений. Модель обучалась на изображениях разрешением 2048×2048; в карточке приведены результаты оценки на наборах TE-AM-2k и TE-P3M-500-NP. Она подходит для удаления фона, выделения объекта и получения маттинговой маски с сохранением деталей на изображениях высокого разрешения. Репозиторий содержит веса в формате safetensors и использует библиотеку BiRefNet. Лицензия — MIT. Результаты в карточке сообщаются для режима FP16; качество на других данных и при иных настройках может отличаться.

Chaifighter Latte 14B — слитая автором matchaaaaa языковая модель на основе семейства Mistral, предназначенная для генерации творческого, насыщенного и подробного текста с сохранением следования инструкциям и контекста. Модель содержит 14,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает запросы в шаблоне Alpaca; нативная длина контекста — 8192 токена. Модель подходит для творческого письма, ролевых диалогов и создания связных историй с несколькими персонажами. Она создана методом passthrough merge с помощью mergekit из Kunoichi-7B, Fimbulvetr-11B-v2, Frostwind-v2.1-m7 и MythoMist-7b. В репозитории представлены веса Safetensors. Лицензия в предоставленных данных не указана.

Neobe/dhivehi-en-mt5-large-paragraph — модель-переводчик на базе encoder-decoder архитектуры mT5-large, дообученная для перевода с дивехи на английский. Она обрабатывает отдельные предложения и абзацы; размер модели в метаданных составляет 608,4 млн параметров. Для запуска автор рекомендует fp32 и указывает потребность примерно в 5–6 ГБ видеопамяти; лицензия — Apache-2.0. Модель рассчитана на перевод новостей и пресс-материалов Мальдив, а также текстов из Википедии. В README приведены результаты на тестовых наборах, включая chrF 54,56 и BLEU 15,48 для набора с человеческими эталонными переводами; автор отмечает, что для письма Thaana метрика chrF показательнее BLEU. Модель обучена на параллельном корпусе дивехи—английский Neobe/dhivehi-english-parallel-corpus.

Это неофициальная упаковка DreamSim в формате Hugging Face Transformers от автора репозитория bigshanedogg. Модель оценивает перцептивное сходство изображений: извлекает признаки из двух изображений, после чего расстояние можно вычислить как 1 минус косинусное сходство эмбеддингов. Ансамбль объединяет три адаптированных с помощью LoRA бэкбона ViT-B/16: DINO, CLIP и OpenCLIP. Он формирует нормализованный вектор признаков размерности 1792. Процессор изменяет размер изображения до 224×224 пикселей; веса хранятся в формате safetensors. README сообщает о совпадении результатов с официальным пакетом DreamSim на 1000 изображениях с расхождением лишь на уровне округления float32. Модель предназначена для сравнения визуального сходства, поиска похожих изображений и задач оценки перцептивной близости. Лицензия порта и исходных весов DreamSim — MIT; код бэкбона DINO распространяется по Apache-2.0. Для коммерческого использования следует также учитывать условия, связанные с весами CLIP и OpenCLIP и происхождением данных LAION.

OlegChausov/eventpulse-bge-m3 — дообученная модель на базе BAAI/bge-m3, созданная для EventPulse_3.0, приложения поиска и агрегации событий. Она преобразует поисковые запросы и названия событий в векторы, чтобы находить семантически подходящие афиши концертов, фильмов и театральных постановок. Модель рассчитана на сопоставление коротких запросов с названиями событий и учитывает опечатки, транслитерацию, сокращения, неполные названия и совпадения между языками. Архитектура — XLM-RoBERTa с 658,7 млн параметров; максимальная длина контекста — 8194 токена. Обучение выполнено на примерно 7400 триплетах запросов и названий с использованием MultipleNegativesRankingLoss, в течение одной эпохи. Поддерживаются английский, русский, литовский и польский языки, включая смешанные запросы. Модель предназначена для получения эмбеддингов и поиска по косинусному сходству; лицензия в предоставленных данных не определена.

ClaudioItaly/EvolutionStar — объединённая языковая модель семейства Mistral, созданная с помощью mergekit методом SLERP из ClaudioItaly/Evolutionstory-7B-v2.2 и OmnicromsBrain/NeuralStar_Fusion-7B. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре MistralForCausalLM и принимает текст для авторегрессионной генерации текста. Родственные модели предназначены для связного написания историй и продолжения текста по контексту. Модель подходит для генерации прозы, продолжения творческих текстов и ответов в свободной форме. Указанное нативное окно контекста — 32 768 токенов; репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Карточка модели PatchyTisa/FireRedLID-vllm на Hugging Face совпадает с карточкой allendou/FireRedASR2-LLM-vllm, поэтому описание составлено по ней. allendou/FireRedASR2-LLM-vllm — версия модели распознавания речи FireRedASR2-LLM, выпущенной командой FireRedASR2. Это система ASR на основе архитектуры Encoder-Adapter-LLM: аудиокодировщик и адаптер передают представление речи языковой модели Qwen2. Размер модели — 7,1 млрд параметров, контекст — 32 768 токенов. Репозиторий содержит веса в формате safetensors и ориентирован на запуск через vLLM. Модель преобразует речь в текст на китайском языке, включая мандаринский диалект и более 20 региональных акцентов, и на английском; поддерживает смешение китайского и английского языков, а также распознавание текста песен. В описанных авторами тестах средняя ошибка распознавания составила 2,89% CER для мандаринского китайского и 11,55% CER для китайских диалектов. Эти показатели относятся к указанным тестовым наборам и не гарантируют такое же качество на произвольной записи. Лицензия Apache-2.0 допускает коммерческое использование с соблюдением её условий.

llmfan46 — дообученная на базе Google Gemma 3 12B IT мультимодальная модель для диалогов с текстом и изображениями. По данным карточки, она принимает текст и изображения и формирует текстовые ответы; подходит для вопросов по изображениям, генерации и суммаризации текста, а также диалоговых сценариев. Архитектура — плотная Gemma 3, размер базовой модели — 12 млрд параметров. Для семейства Gemma 3 в README указано контекстное окно 128 тыс. токенов и поддержка более 140 языков; подтверждения, что эти характеристики полностью сохранены в этой производной версии, нет. Автор называет модель uncensored и heretic; отдельные сведения о методе такого изменения или его оценке в карточке не приведены. Модель распространяется в формате safetensors через Transformers. Лицензия указана как gemma; перед использованием следует учитывать её условия. Как и другие генеративные модели, она может выдавать фактически неверные ответы, отражать смещения обучающих данных и ошибаться при сложных или неоднозначных запросах.

Glimmering-Citrus-31B — мультимодальная диалоговая модель на архитектуре Gemma 4, созданная Vortex5 слиянием Equinox-31B, Gemma4-Garnet-31B, G4-MeroMero-v2-31B и google/gemma-4-31B-it. Модель предназначена для ролевых диалогов, взаимодействия с персонажами, творческого письма, повествования, разработки сюжетов и мозгового штурма; поддерживает чат и анализ изображений с генерацией текста. Репозиторий содержит веса Safetensors, используется библиотека Transformers. Модель имеет 31 млрд параметров согласно названию. В README указаны метод слияния ARCS и объединённый токенизатор; формат выходных весов — bfloat16. Лицензия — Apache-2.0. Метаданные описывают базовую Gemma 4 как мультимодальную инструкционную модель для диалогов, анализа изображений и длинного контекста, однако длина контекста самого Glimmering-Citrus-31B не указана.

Это производная модель GLM-4.7-Flash, предназначенная для перевода японских субтитров на английский. В карточке указано, что при прореживании экспертов измерили их использование на данных субтитров и удалили наименее используемые эксперты: число экспертов на слой сократили с 64 до 32. Метаданные относят модель к семейству glm4_moe_lite и архитектуре для авторегрессионной генерации текста; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Метаданные указывают 4,1 млрд параметров и контекст до 202 752 токенов; README приводит оценку около 16 млрд параметров до прореживания. Поддерживаемые языки — японский и английский. Модель распространяется под лицензией MIT. Карточка не приводит результатов оценки качества, подробностей обучающих данных или конкретных ограничений, поэтому пригодность для конкретного сценария перевода стоит проверять на собственных примерах.

Goetia-24B-v1.3 — объединённая языковая модель Naphula на архитектуре Mistral, созданная с помощью mergekit и метода DELLA. Версия Della Edition предназначена для эксперимента по объединению моделей поколений 2501 и 2503. Модель содержит 23,4 млрд параметров и поддерживает контекст до 131 072 токенов. Модель ориентирована на генерацию текста, включая художественное письмо, создание сюжетов и сцен, ролевые диалоги и разговорные ответы. Карточка указывает поддержку английского языка; метаданные отмечают чат-возможности. Модель распространяется в формате safetensors по лицензии Apache-2.0. Поскольку это слияние нескольких моделей, поведение может зависеть от промпта и выбранных параметров генерации.

Helios-Distilled — дистиллированная версия модели генерации видео Helios, опубликованная авторами проекта Helios. Она предназначена для создания длинных согласованных видео по текстовым описаниям. Модель использует диффузионную архитектуру HeliosPyramidPipeline и генерирует видео авторегрессионно чанками по 33 кадра; в репозитории она представлена в формате Diffusers и Safetensors. В качестве основы указана Wan-AI/Wan2.1-T2V-14B-Diffusers с 14 млрд параметров. Авторы заявляют о генерации видео длительностью до минут с высокой временной согласованностью и скорости 19,5 кадра в секунду на одной H100; это заявленные показатели и фактическая скорость зависит от оборудования и конфигурации. Модель рассчитана на текстовый ввод и видео на выходе. Лицензия — Apache-2.0.

Карточка модели BestWishYsh/Helios-Mid на Hugging Face совпадает с карточкой BestWishYsh/Helios-Distilled, поэтому описание составлено по ней. Helios-Distilled — дистиллированная версия модели генерации видео Helios, опубликованная авторами проекта Helios. Она предназначена для создания длинных согласованных видео по текстовым описаниям. Модель использует диффузионную архитектуру HeliosPyramidPipeline и генерирует видео авторегрессионно чанками по 33 кадра; в репозитории она представлена в формате Diffusers и Safetensors. В качестве основы указана Wan-AI/Wan2.1-T2V-14B-Diffusers с 14 млрд параметров. Авторы заявляют о генерации видео длительностью до минут с высокой временной согласованностью и скорости 19,5 кадра в секунду на одной H100; это заявленные показатели и фактическая скорость зависит от оборудования и конфигурации. Модель рассчитана на текстовый ввод и видео на выходе. Лицензия — Apache-2.0.

Карточка модели Eric111/huggingworld_onnx-image-models на Hugging Face совпадает с карточкой huggingworld/onnx-image-models, поэтому описание составлено по ней. huggingworld/onnx-image-models — подборка моделей для увеличения разрешения и восстановления изображений. В README перечислены варианты с масштабированием в 2× и 4×, включая UltraSharp, PurePhoto, ClearReality, Nomos8k, LSDIR и Real-ESRGAN, а также облегчённые варианты для мобильных устройств и обработки в реальном времени. Репозиторий содержит форматы ONNX и safetensors; лицензия — MIT. Модели предназначены для повышения детализации фотографий и иллюстраций, уменьшения заметности JPEG-артефактов и обработки портретов. README рекомендует UltraSharp V2 для общего применения, PurePhoto RealPLSKR для фотографий, Nomos8k DAT для сильно сжатых изображений, а ClearReality и PurePhoto SPAN — при ограниченных ресурсах. Это каталог нескольких моделей, поэтому качество и скорость зависят от выбранного варианта; заявленные рейтинги основаны на README и не сопровождаются описанием методики сравнения.

hviske-v5.1 — модель автоматического распознавания датской речи, разработанная syvai. Это 2-миллиардная модель архитектуры Conformer encoder-decoder, обученная примерно на 3,5 млн аудиозаписей общей длительностью около 16 тыс. часов из набора syvai/danish-asr-unified. Она преобразует аудио в текст и предназначена для транскрибации датской речи, в том числе разговоров и чтения вслух. Модель принимает аудио, автоматически разбивает записи длиннее 35 секунд на фрагменты и выполняет внутреннее преобразование частоты дискретизации в 16 кГц. Для запуска описана поддержка Transformers 4.57.6 и сервера vLLM с API, совместимым с OpenAI. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Автор рекомендует более новую версию hviske-v5.3; версия v5.1 сохранена как основа для последующих дообучений и воспроизводимости.

Index-Homura-9B — специализированная модель перевода из семейства Index-Translate, разработанная IndexTeam на основе Qwen3.5. Она принимает исходный текст и заданное пользователем целевое число слогов, подбирая формулировку перевода с учётом этого ограничения и сохранением смысла и естественности. Модель также поддерживает обязательные термины и глоссарии одновременно с контролем числа слогов, что подходит для подготовки реплик дубляжа и субтитров с заданной длительностью. Модель имеет плотную текстовую архитектуру Qwen3_5ForCausalLM и около 7,2 млрд параметров; заявленное контекстное окно — 262 144 токена. В SandGlass, на 3 600 случаях для каждого тестируемого варианта, RL-чекпойнт показал 74,42% переводов в пределах одного слога от цели и 81,92% в пределах 10%; эти показатели описывают приближение к целевой длине, а не гарантию точного совпадения. Оценка качества перевода в том же тесте составила 0,7863. Испытания охватывали английский, японский, арабский и испанский языки перевода; это не подтверждает одинаковую точность управления слогами для всех языков. Для запуска руководство рекомендует CUDA GPU и сборку vLLM с поддержкой Qwen3.5; для версии 9B указано около 24 ГБ памяти под bf16 без учёта KV-кэша. Модель распространяется под лицензией Apache-2.0.

InternVL2-40B — мультимодальная чат-модель с настройкой по инструкциям, разработанная командой OpenGVLab. Она объединяет визуальный энкодер InternViT-6B-448px-V1-5, MLP-проектор и языковую часть Nous-Hermes-2-Yi-34B; в метаданных указано происхождение через слияние этих моделей. Модель содержит около 40 млрд параметров и рассчитана на контекст до 8 тыс. токенов. Модель принимает текст и изображения, а также предназначена для анализа видео через кадры. Она отвечает на вопросы по изображениям и документам, распознаёт текст на сценах, разбирает диаграммы и инфографику, решает научные и математические задачи и поддерживает диалог. Карточка заявляет конкурентные результаты на ряде мультимодальных тестов, но они не гарантируют качество на конкретных данных пользователя. Репозиторий распространяется под лицензией MIT. Для запуска в Transformers требуется соответствующая инфраструктура; размер модели требует значительных вычислительных ресурсов. В метаданных указаны мультиязычность и поддержка чата, но конкретные языки не перечислены.

kanana-1.5-v-3b-instruct — мультимодальная языковая модель семейства Kanana-1.5-V, разработанная командой Unified Foundation Model в Kakao. Она принимает текст и изображения и генерирует текст; архитектура включает энкодер изображений, C-abstractor и языковую модель kanana-1.5-3b-instruct. Модель содержит около 3,67 млрд параметров, поддерживает контекст до 32 тысяч токенов и предназначена для работы на английском и корейском языках. Модель подходит для описания изображений, понимания документов, рассуждений по распознанному тексту и выполнения мультимодальных инструкций. В опубликованных Kakao оценках она показала результаты на англоязычных и корейских тестах понимания изображений и следования инструкциям; результаты бенчмарков не гарантируют точность в каждом пользовательском сценарии. Модель может выдавать неточную или вводящую в заблуждение информацию, особенно при работе с научными диаграммами и математическими задачами. Её не рекомендуется применять в медицине, праве и других областях с высокими ставками; качество языков, кроме корейского и английского, не оценивалось и может быть низким. Лицензия — kanana-license.

Kiwi-Edit 5B — модель для редактирования видео по текстовым инструкциям с передачей визуальных ориентиров. В карточке она описана как единая архитектура, сочетающая обучаемые запросы и латентные визуальные признаки для семантического управления по референсам; заявлено обучение на масштабируемом конвейере данных и наборе RefVIE. Модель предназначена для управляемого редактирования видео, где важны следование инструкции и сходство с визуальным референсом. Репозиторий подготовлен для Diffusers и содержит веса в формате Safetensors. Метаданные классифицируют модель как image-to-video; размер 5B следует из названия репозитория, но отдельно в метаданных не подтверждён. Карточка заявляет улучшенное следование инструкциям и точность передачи референсов, однако не приводит количественных результатов, сведений о поддерживаемых языках или длине видео. Лицензия в предоставленных данных не указана.

DavidAU/Llama-3.3-8B-Thinking-Gemini-Flash-11000x-128k — дообученная модель семейства Llama 3.3, созданная DavidAU на базе allura-forge/Llama-3.3-8B-Instruct с помощью Unsloth на 11 000 примерах датасета TeichAI/gemini-2.5-flash-11000x в течение трёх эпох. Это плотная авторегрессионная модель на 7,5 млрд параметров с контекстом до 131 072 токенов и интерфейсом чата. Модель предназначена для генерации текста с пошаговыми рассуждениями, объяснений, планирования и творческого письма, включая рассказы, продолжение сцен и ролевые диалоги. В README указаны примеры запросов по научным темам и художественным жанрам; автоматическая активация режима рассуждений зависит от формулировки запроса. Карточка перечисляет английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский языки. Автор предупреждает, что у модели могут сохраняться проблемы Llama, включая устаревшие знания; режим рассуждений активируется не всегда, а результаты могут зависеть от настроек генерации и интерфейса. Модель распространяется под лицензией Apache-2.0.

LTX-2.3 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она генерирует синхронизированные видео и аудио; семейство поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим аудио- или видеоданным, а эта версия в каталоге помечена как image-to-video. В карточке перечислены варианты модели на 22 млрд параметров: полная обучаемая версия dev и дистиллированные варианты для генерации за 8 шагов. Модель рассчитана на английские запросы; метаданные также отмечают немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки. Для видео ширина и высота должны делиться на 32, число кадров — иметь вид 8n+1. Модель может не точно следовать запросу, качество зависит от формулировки, а аудио без речи может быть низкого качества; возможна генерация оскорбительного или неподходящего контента. Лицензия указана как other, конкретные условия следует уточнять в репозитории.

BennyDaBall/LTX-2.5-22b-distilled-nvfp4-comfy — это квантизированная версия 22-миллиардной distilled-модели LTX-2.5, разработанной Lightricks, подготовленная BennyDaBall для загрузки в ComfyUI. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео, включая создание роликов с синхронизированным аудио. Она интегрируется со стандартными шаблонами ComfyUI для LTX-2.5 и не требует пользовательских узлов. Модель основана на архитектуре DiT и использует формат квантизации NVFP4 с группой 16 и масштабами ModelOpt. В репозитории исправлена совместимость официального NVFP4-экспорта с ComfyUI: в 1 176 квантизированных слоёв добавлены маркеры формата, без изменения весов. Размер файла составляет 18,7 ГБ, что меньше варианта comfy-int8-convrot размером 21,5 ГБ. Для работы требуется ComfyUI версии 0.32.0 или новее и GPU архитектуры Blackwell, например RTX 50-й серии. Текстовый энкодер, VAE и latent upscaler загружаются из официального репозитория LTX-2.5. Сильные стороны модели — уменьшенное потребление видеопамяти по сравнению с int8-вариантом, поддержка text-to-video и image-to-video, сохранение композиции, детализации и характера движения, а также генерация видео с аудио. По данным README, ролик длительностью 10 секунд в разрешении 1280×736 с синхронизированным аудио создаётся примерно за 50 секунд на RTX 5090, включая первую загрузку модели. Ограничения включают зависимость от Blackwell GPU и FP4-ядер, возможный шум квантизации и отсутствие гарантии побитового совпадения с другими вариантами квантизации. Весы распространяются по лицензии LTX-2.x Community License. Условия лицензии следует уточнять в файле LICENSE.txt репозитория; README также указывает, что ответственность за созданный контент несёт пользователь.

Карточка модели bykhan/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 Cholo212/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.

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 MayhemMark/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 Lightricks/LTX-Video-0.9.1 на Hugging Face совпадает с карточкой Lightricks/LTX-Video-0.9.5, поэтому описание составлено по ней. LTX-Video-0.9.5 — диффузионная модель генерации видео, разработанная Lightricks. Она создаёт видео по текстовому запросу, а также поддерживает сценарий image-to-video с текстом и исходным изображением. Модель построена на архитектуре Diffusion Transformer (DiT) и доступна для работы через Diffusers. Модель предназначена для генерации реалистичных и разнообразных видеосцен. В карточке семейства заявлена генерация видео с частотой 30 кадров в секунду и разрешением до 1216×704 быстрее реального времени; оптимальные рекомендации для разрешения и длины ролика зависят от версии и настроек. Запросы рекомендуется составлять на английском языке. Для разрешения подходят размеры, кратные 32, а число кадров — вида 8n+1; модели семейства лучше работают при разрешении ниже 720×1280 и числе кадров менее 257. Модель подходит для создания видеоматериалов по описанию сцены и анимации исходного изображения. Она может не точно следовать запросу, результат зависит от формулировки промпта, а модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Метаданные указывают лицензию «other»; README перечисляет отдельные лицензии версий семейства, но не раскрывает условия конкретно версии 0.9.5.

LTX-Video-0.9.5 — диффузионная модель генерации видео, разработанная Lightricks. Она создаёт видео по текстовому запросу, а также поддерживает сценарий image-to-video с текстом и исходным изображением. Модель построена на архитектуре Diffusion Transformer (DiT) и доступна для работы через Diffusers. Модель предназначена для генерации реалистичных и разнообразных видеосцен. В карточке семейства заявлена генерация видео с частотой 30 кадров в секунду и разрешением до 1216×704 быстрее реального времени; оптимальные рекомендации для разрешения и длины ролика зависят от версии и настроек. Запросы рекомендуется составлять на английском языке. Для разрешения подходят размеры, кратные 32, а число кадров — вида 8n+1; модели семейства лучше работают при разрешении ниже 720×1280 и числе кадров менее 257. Модель подходит для создания видеоматериалов по описанию сцены и анимации исходного изображения. Она может не точно следовать запросу, результат зависит от формулировки промпта, а модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Метаданные указывают лицензию «other»; README перечисляет отдельные лицензии версий семейства, но не раскрывает условия конкретно версии 0.9.5.

LTX-Video 0.9.7 Distilled — диффузионная модель генерации видео от Lightricks на основе DiT. Она создаёт видео по текстовому описанию, а также поддерживает сценарий image-to-video с текстом и исходным изображением. В README версия distilled указана как более быстрая и менее требовательная к видеопамяти, чем 13B dev, с небольшим снижением качества; для семейства заявлена генерация видео с разрешением до 1216×704 и частотой 30 кадров в секунду. Модель рассчитана на быстрые итерации при создании видеоконтента. Лучше использовать английские подробные запросы, разрешения, кратные 32, и число кадров вида 8n+1; рекомендуются размеры ниже 720×1280 и менее 257 кадров. Карточка не сообщает точный размер именно этого чекпойнта. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и усиливать социальные предубеждения. Лицензия указана как other; README ссылается на условия лицензии версии 13B 0.9.7-distilled, но её текст в предоставленных данных отсутствует.

Карточка модели Cabo3616/ltx-video-endpoint 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.