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

anthracite-org разработала Magnum v4 72B — полноразмерный чат-файнтюн Qwen2.5-72B-Instruct, созданный для генерации связной прозы с качеством, которое авторы стремились приблизить к Claude 3 Sonnet и Opus. Модель использует плотную архитектуру Qwen2, содержит 71,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для диалогов и генерации текста: написания и редактирования прозы, ответов на вопросы и следования инструкциям. В README приведён формат диалоговых сообщений, а метаданные отмечают чат и интерфейс вызова инструментов. Обучение проведено на нескольких наборах диалоговых и инструктивных данных; карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Авторы называют её экспериментальной и отмечают, что она обучалась поверх instruct-модели; заявленное сходство с Claude описывает цель разработки, а не независимую оценку качества.

Карточка модели Inkdhostile/MiniMax-H3 на Hugging Face совпадает с карточкой AgentAnon/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

Карточка модели Terminus404/MiniMax-H3 на Hugging Face совпадает с карточкой yemsrach3723/MiniMax-H3-new, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Репозиторий содержит веса в формате Diffusers и SafeTensors для генерации видео по тексту и мультимодальным входам; архитектура включает H3-Omni-Transformer, текстовый энкодер, Visual VAE и Audio VAE. Модель совместно генерирует видео и стереозвук, поддерживает ролики длительностью 4–15 секунд и широкий набор соотношений сторон; базовый вывод выполняется в разрешении 768p, а модуль H3-Regenerate-2K позволяет получить результат до 2K. В зависимости от варианта можно генерировать видео по тексту, одному или двум кадрам, а также использовать изображения, видео и аудио как референсы. Модель подходит для создания коротких видеороликов по описанию, анимирования заданных кадров и генерации видео со звуковым сопровождением. Для сложных свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот hosted-компонент не входит в открытый релиз; начальная версия локального инференса использует полное внимание, а реализация sparse attention заявлена для будущего обновления. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах репозитория MiniMax. README описывает модельную систему MiniMax H3, тогда как данный репозиторий содержит её открытые компоненты для локального развертывания.

Это одnofайловая версия MiniMax-H3 Fused Turbo (INT8 ConvRot), подготовленная автором репозитория cgc-0521 для ComfyUI. Модель предназначена для генерации коротких видео по текстовому запросу или изображению, а также для reference-to-video с использованием референсных кадров. Веса объединяют базовую модель MiniMax-H3, turbo-дистилляцию lightx2v FL2VA Turbo и Mystic v2.0 для сглаживания движения; затем выполнена квантизация INT8 ConvRot. Файл размером около 21 ГБ содержит 50 блоков, в которых четыре основных линейных слоя хранятся в INT8, а остальные веса — в BF16/F32. Карточка описывает генерацию ролика длительностью 10 секунд в разрешении 1152×640 за 4 шага, включая синхронизированный стереозвук; для работы приведены графы ComfyUI. На производительность влияют видеокарта, управление выгрузкой моделей и использование разреженного внимания SLA: на менее мощных устройствах генерация будет медленнее, а без SLA звук может быть менее детальным. После объединения LoRA нельзя отдельно менять их силу. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории и у базовых компонентов.

Abiray/MiniMax-H3-GGUF — это набор GGUF-квантизованных версий мультимодальной генеративной модели MiniMax H3, разработанной MiniMaxAI и опубликованной пользователем Abiray. Репозиторий предназначен для запуска модели с необходимыми компонентами, включая варианты UNet, текстовые энкодеры и VAE. Модель поддерживает объединённое понимание текста, изображений, видео и аудио и предназначена прежде всего для генерации видео с синхронизированным стереозвуком. Вариант FL2VA работает в режимах text-to-video, first-frame-to-video, last-frame-to-video и first-and-last-frame-to-video, принимая до двух изображений. Вариант Ref2VA поддерживает мультимодальные референсы: до 9 изображений, 3 видеоклипов и 3 аудиоклипов при общем ограничении в 12 файлов; аудио нельзя использовать без изображения или видео. Модель генерирует ролики длительностью 4–15 секунд, с частотой 24 FPS, стереозвуком 32 кГц и различными соотношениями сторон. Доступны разрешения до 2K через H3-Regenerate-2K, при этом короткая сторона по умолчанию составляет 768 пикселей. Заявлена стабильная поддержка диалогов на арабском, китайском, английском, французском, немецком, итальянском, японском, корейском, португальском, русском и испанском языках; другие языки поддерживаются в разной степени. Сильные стороны модели — широкий набор входных модальностей, референсная генерация и синхронизированный звук, однако исходные квантизованные варианты занимают примерно 15,6–36 ГБ, а требования к памяти и вычислительным ресурсам могут быть высокими. Модель распространяется по MiniMax H3 Community License Agreement.

MiniMax-H3-Pruned-LightX8-Fused — прунированный чекпойнт трансформера MiniMax H3 в формате Diffusers от автора репозитория ibyteohdear. Это мультимодальная модель с 23,1 млрд параметров, предназначенная для генерации видео по тексту и изображениям. Архитектура H3 объединяет представления текста, изображений и аудио в последовательность мультимодальных токенов; H3-Omni-Transformer совместно предсказывает латентные представления видео и звука. Чекпойнт использует safetensors и сжатые AdaLN ранга 8. Модель принимает текстовые инструкции и изображения, а система H3 также поддерживает видеоклипы и аудио как референсы. Она генерирует видео длительностью 4–15 секунд с синхронным стереозвуком; базовый вывод имеет разрешение 768p, а отдельный модуль H3-Regenerate-2K предназначен для повышения разрешения до 2K. Полный процесс подготовки сложного мультимодального контекста через H3-Context-IR требует размещённого сервиса, который не входит в открытую поставку; выпущенный код инференса использует полное внимание, а разреженное внимание пока не предоставлено. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

MiniMax-H3-Pruned-Ref-Delta-Fused-r1024 — слитый чекпойнт на основе MiniMax H3, собранный сообществом с использованием разностных весов между вариантами ref2va и fl2va. Он предназначен для генерации коротких видео с опорой на изображения, видео и текст; базовая модель MiniMax H3 также поддерживает стереозвук. Чекпойнт распространяется в формате safetensors и рассчитан на загрузку через diffusers с поддержкой специальной обрезанной архитектуры трансформера MiniMaxH3PrunedTransformer3DModel. Разностные веса извлечены методом randomized SVD с рангом 1024, дополнены точными изменениями RMSNorm, смещений и таблицы временных координат, а затем слиты в чекпойнт. В README приведены измерения сходства латентных представлений с вариантом ref2va, а также результаты генерации по ключевым кадрам; для коротких клипов описан ускоренный режим с turbo LoRA. Лицензия указана как other, а README относит базовую модель и лицензию к MiniMaxAI, поэтому условия использования следует сверять с лицензией базовой модели.

MN-Halide-12b-v1.0 — объединённая языковая модель, созданная Azazelle методом Model Stock с помощью mergekit на основе Mistral Nemo и ряда производных моделей. Это плотная MistralForCausalLM с 12,1 млрд параметров для генерации текста. Модель предназначена для творческого письма, ролевых сцен и повествовательных задач; в объединение вошли модели для прозы, рассуждений и других текстовых сценариев. Модель принимает текст и генерирует текст. В репозитории указаны формат safetensors, библиотека Transformers и лицензия Apache 2.0. Метаданные сообщают длину контекста 1 024 000 токенов, однако практическая поддержка такого размера контекста зависит от конфигурации и среды запуска.

Mojiz-SFT — модель суммаризации на основе архитектуры mT5, разработанная Ahmed Abdelwahed и дообученная на арабских текстах. Она предназначена для создания краткого изложения по входному тексту и подходит для сценариев, где нужно быстро выделить основное содержание арабского документа или сообщения. Модель содержит 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration; данные хранятся в формате safetensors. Базовая модель — google/mt5-base. Модель поддерживает арабский язык. Лицензия — Apache 2.0.

diwash-barla/my-embeddinggemma-news-vibe — дообученная модель Sentence Transformers на базе google/embeddinggemma-300m, созданная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерности 768; максимальная длина входа — 2048 токенов, для сравнения используется косинусное сходство. Модель подходит для семантического поиска и сравнения новостных текстов, поиска перефразировок, классификации и кластеризации. В README указано дообучение на наборе из четырёх примеров с меткой MY_FAVORITE_NEWS с использованием MultipleNegativesRankingLoss, поэтому применимость специализации на новостях стоит проверять на целевых данных. Модель использует архитектуру Gemma 3 Text, содержит около 302,8 млн параметров и распространяется в формате safetensors через библиотеку sentence-transformers. Лицензия — OpenRAIL.

NOESIS-Hy-MT2-7.5B-BF16 — модель перевода AMAImedia для профессионального многоязычного дубляжа. Это BF16-чекпойнт, объединяющий базовую HunYuan Dense V1 модель Tencent Hy-MT2-7.5B и дообучение SFT-LoRA на внутреннем корпусе дубляжа NOESIS. Архитектура — плотная причинно-языковая модель с 7,5 млрд параметров; метаданные указывают контекст до 262 144 токенов. Модель предназначена для перевода реплик между исходным и целевым языками в конвейере дубляжа. Обучение учитывает ограничения длительности реплик и синхронизацию речи, поэтому перевод может быть короче буквального. Карточка заявляет поддержку 33 основных и пяти этнических языков, включая кантонский; среди перечисленных кодов метаданных есть китайский, английский, русский, французский, испанский, японский, арабский и другие. В небольшом внутреннем A/B-тесте авторы сообщают об улучшении всех трёх метрик относительно указанного базового варианта; отдельный тест FLORES-200 показывает, что модель уступает одному из сравниваемых переводчиков и что буквальные метрики могут недооценивать её пригодность для дубляжа. Для работы указан формат Safetensors BF16, размер весов около 14 ГБ и использование Transformers с `trust_remote_code=True`. Лицензия — Tencent HY Community License Agreement: README указывает территориальное исключение ЕС, ограничение в 100 млн MAU и запрет использовать выходы для обучения других ИИ-моделей; перед применением следует сверить условия с полным текстом лицензии.

zeromodels/owlv2-base-patch16 — преобразованная в формат Keras 3 модель Google OWLv2-base-patch16 для обнаружения объектов на изображениях по свободным текстовым запросам. Она сохраняет двухбашенную архитектуру OWL-ViT с детекционной головой для патчей и использует оценку объектности; исходная модель масштабирована с помощью самообучения на веб-парах изображений и текста. Реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для поиска объектов по заданным текстовым категориям без фиксированного набора классов. При обработке изображений OWLv2 дополняет их до квадратной формы перед изменением размера, поэтому при постобработке нужно корректно передавать исходные размеры изображения. Для open-vocabulary детектора обычно подходят более низкие пороги уверенности, чем для детекторов с закрытым набором классов. Лицензия — Apache 2.0.

zeromodels/owlv2-large-patch14-ensemble — конверсия модели OWLv2-large-patch14-ensemble от Google в Keras 3, подготовленная проектом zeromodels. Это модель обнаружения объектов с открытым словарём: при обработке изображения можно задавать свободные текстовые запросы для поиска объектов. Архитектура сохраняет двухбашенный каркас OWL-ViT и детекционную голову по патчам; OWLv2 добавляет оценку объектности и использует самообучение на парах изображение–текст из веба. Модель принимает изображения и текстовые запросы и выдаёт обнаруженные объекты с оценками. Реализация Keras 3 работает с TensorFlow, PyTorch и JAX. При обработке учитывайте, что изображения дополняются до квадратного размера перед изменением масштаба: исходные размеры нужно корректно передавать при постобработке. Для детектора с открытым словарём часто подходят более низкие пороги, чем для детекторов с фиксированными классами. Лицензия — Apache 2.0.

Qwen2.5-VL-3B-Instruct (Abliterated) — мультимодальная модель семейства Qwen, опубликованная пользователем wangkanai и основанная на Qwen2.5-VL-3B-Instruct. Это вариант с удалёнными или существенно ослабленными защитными фильтрами исходной модели, поэтому он может формировать менее ограниченные ответы. Модель принимает изображения и текст и генерирует текстовые ответы. Она предназначена для визуального ответа на вопросы, описания изображений, мультимодального рассуждения, анализа документов и OCR, интерпретации диаграмм и графиков, а также понимания сцен и пространственных отношений. Архитектура описана как Qwen2-VL с визуальным энкодером на базе ViT и примерно 3 миллиардами параметров; заявленная длина текстового контекста составляет 4096 токенов. Доступны варианты SafeTensors и GGUF, включая FP16, Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Сильные стороны модели — сочетание обработки изображений и текста, поддержка широкого набора задач анализа визуального содержимого и возможность локального запуска в различных форматах. Ограничения включают меньший размер по сравнению с более крупными моделями семейства, возможные потери качества у квантованных вариантов и отсутствие в предоставленных данных подробной информации о поддерживаемых языках и результатах независимых тестов. Удаление защитных механизмов повышает риск небезопасных или нежелательных ответов, поэтому модель следует использовать ответственно и с соблюдением применимых законов. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-Layered — модель на базе Qwen-Image, предназначенная для разложения изображения на несколько RGBA-слоёв. Каждый слой отделяет отдельные смысловые или структурные элементы, чтобы их можно было независимо редактировать, перемещать, масштабировать, перекрашивать или удалять, сохраняя остальное содержимое изображения. Модель поддерживает разложение на переменное число слоёв и повторное разложение отдельных слоёв. Она предназначена для редактирования изображений с сохранением согласованности между изменениями и может использоваться как этап подготовки изображения к дальнейшей обработке. Карточка указывает поддержку английского и китайского языков; модель распространяется в форматах Diffusers и Safetensors под лицензией Apache-2.0.

Shadow-Siren-26B-A4B — диалоговая мультимодальная модель, созданная Vortex5 путём многоэтапного слияния моделей на базе Gemma 4. В состав слияния вошли Gemma-4-26B-A4B-it и варианты для ролевого общения, творческого письма и рассуждений. Модель использует архитектуру Gemma 4 и библиотеку Transformers; её веса доступны в формате safetensors. В названии указаны 26B-A4B, а в метаданных базовая Gemma описана как модель с 26 млрд общих и 4 млрд активных параметров. Модель рассчитана на текстовые диалоги и анализ изображений с ответом в виде текста. Основные сценарии — ролевые диалоги, взаимодействие с персонажами, написание художественных текстов, развитие сюжета и генерация идей. Контекст и поддерживаемые языки в предоставленных данных не обозначены. Модель распространяется по лицензии Apache-2.0.

Карточка модели Skywork/SkyReels-V2-DF-14B-540P 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 jobs-git/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.

SkyReels-V2-DF-14B-720P — модель генерации видео из текста от команды Skywork, входящая в серию SkyReels-V2. Она предназначена для создания кинематографичных видеороликов по текстовым запросам и генерации длинных видео с авторегрессионным продолжением. В README модель описана как вариант с разрешением 720p на основе архитектуры AutoRegressive Diffusion-Forcing; в метаданных указаны плотная архитектура семейства text-to-video и формат весов safetensors. Модель ориентирована на сценарии создания историй и видеоконтента, где важны следование запросу, качество изображения, динамика движения и продолжительность ролика. README заявляет поддержку генерации бесконечной длины, однако приведённые примеры демонстрируют ролики длительностью до 30 секунд. Репозиторий указывает лицензию other, поэтому условия использования следует сверить с лицензией и сопроводительными материалами разработчика.

pinkyponky выпустил SOLAR-10.7B-dpo-instruct-tuned-v0.1 — текстовую генеративную модель для ответов на инструкции и диалоговых запросов. В метаданных указаны архитектура Llama, 10,6 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель предназначена для загрузки через Transformers. Название и карточка указывают на DPO- и instruct-настройку модели, однако README сообщает, что сведения об обучении и данных будут добавлены позже. В примере загрузки указана базовая модель Upstage/SOLAR-10.7B-v1.0. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

topk-embed-v1-xsmall — компактная мультимодальная модель извлечения признаков с поздним взаимодействием, дообученная на базе Qwen/Qwen3.5-0.8B. Она предназначена для поиска по текстовым документам и изображениям страниц, например сканированных страниц, отчётов и слайдов, по текстовому запросу. Модель сохраняет несколько векторов для токенов текста или участков изображения и использует оценку MaxSim: сопоставляет каждый вектор запроса с наиболее похожим вектором документа и суммирует оценки. Репозиторий использует SentenceTransformers и формат safetensors; модель имеет размер 0,8 млрд параметров. В карточке приведены результаты поиска по восьми наборам ViDoRe v3, включая запросы на нескольких языках и поиск как по изображениям страниц, так и по соответствующему тексту Markdown. Метаданные указывают поддержку английского, русского, французского, нидерландского, немецкого, испанского, итальянского, португальского, датского, норвежского, шведского, китайского, японского и корейского языков. Лицензия — Apache-2.0. Для запуска через SentenceTransformers README требует CUDA GPU с поддержкой bfloat16 (Ampere или новее).

TPIPS-Embed-Qwen3VL-8B — модель эмбеддингов для оценки перцептивного сходства изображений с учётом текста, созданная на базе Qwen/Qwen3-VL-Embedding-8B. Это вариант TPIPS с поздним слиянием: текст и изображение кодируются независимо в L2-нормированные векторы, а сходство пары вычисляется как косинусная близость эмбеддингов. Модель дообучена с помощью LoRA с рангом 16 и α=32 на слоях LLM. Модель предназначена для сравнения изображений в заданном текстовом контексте, в том числе для поиска наиболее похожего изображения и задач выбора между кандидатами. README описывает расчёт вероятностей для сценариев «лишний элемент» и 2AFC: оценки сходства преобразуются в вероятности с помощью softmax с температурой. Для работы предусмотрена библиотека tpips и пакет Python `tpips`; требуется Python 3.10 или новее. В репозитории указаны веса PyTorch и лицензия `other`; конкретные условия лицензии в предоставленных данных не раскрыты. Модель унаследовала мультимодальную основу на 8 млрд параметров Qwen3-VL-Embedding, однако описание этого чекпойнта сосредоточено на эмбеддингах для текстово обусловленного сравнения изображений.

Twisted-Cyclone-31B — мультимодальная диалоговая модель на архитектуре Gemma 4, созданная Cyclone Labs слиянием нескольких моделей на базе google/gemma-4-31B-it. В состав слияния вошли Gemma-4-Novelist-Eclipse-31B, Glimmering-Citrus-31B, Pantheon-Reasoning-31B-1.1 и Versipellis-31B; веса сохранены в формате safetensors, итоговая точность — bfloat16. Модель предназначена для ролевых диалогов, взаимодействия с персонажами, творческого письма, создания историй, развития сюжета и мозгового штурма. Поддерживает диалог и анализ изображений с генерацией текста. В README не приведены сведения о поддерживаемых естественных языках и длине контекста. Модель распространяется по лицензии Apache-2.0.

U-2-Net-Human-Seg — специализированная модель сегментации изображений на основе облегчённой архитектуры U-2-Net с блоками Residual U-block и путями понижения и повышения разрешения. Она выделяет людей на изображениях и формирует маски, отделяющие фигуры от фона. Модель предназначена для удаления фона, виртуальной примерки одежды и редактирования изображений с акцентом на людей. Репозиторий содержит модель в формате ONNX; для загрузки и обработки используются инструменты библиотеки Transformers. Модель распространяется по лицензии Apache-2.0.

Карточка модели XanFloof/Wan2.1-Fun-1.3B-InP на Hugging Face совпадает с карточкой alibaba-pai/Wan2.1-Fun-1.3B-InP, поэтому описание составлено по ней. 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.

Карточка модели alibaba-pai/Wan2.1-Fun-14B-Control на Hugging Face совпадает с карточкой alibaba-pai/Wan2.1-Fun-1.3B-InP, поэтому описание составлено по ней. 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.

magespace/Wan2.1-I2V-14B-480P-Lightning-Diffusers — вариант Wan2.1 Image-to-Video с оптимизациями Lightx2v, разработанный для быстрого создания видео 480p по исходному изображению. Модель использует диффузионную архитектуру Transformer и предназначена для преобразования статичного изображения в видеоклип; параметры генерации позволяют сохранять соотношение сторон исходного изображения. Модель доступна в формате Diffusers с весами Safetensors и распространяется по лицензии Apache-2.0. В карточке заявлены английский и китайский языки. README описывает Lightx2v как дистиллированную и оптимизированную версию Wan2.1 для ускоренной генерации, однако не приводит конкретных параметров ускорения или результатов оценки именно этого репозитория. Модель подходит для создания коротких видеосцен из изображений и прототипирования видеоконтента. Ограничения включают целевое разрешение 480p и зависимость результата от исходного изображения и текстового промпта; точные требования к оборудованию для этой версии в предоставленных данных не приведены.

Карточка модели BIGJUTT/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 Abhikie18/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 lesser1north/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.