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

Карточка модели Poij134/Wan2.2-I2V-A14B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Карточка модели tanzeme/Wan2.2-I2V-A14B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Карточка модели changwangss/wan22-svdquant-signround-nosmooth на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-T2V-A14B-Diffusers, поэтому описание составлено по ней. 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.

bullerwins/Wan2.2-T2V-A14B-GGUF — GGUF-версия модели Wan2.2 T2V-A14B, разработанной командой Wan-AI. Это генеративная модель для преобразования текста в видео, предназначенная для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель ориентирована на генерацию сложных движений, улучшенную передачу семантики и кинематографической эстетики, включая управляемые характеристики освещения, композиции, контраста и цветового тона. Модель использует архитектуру Mixture-of-Experts (MoE) в составе диффузионной видеомодели: отдельные экспертные компоненты применяются на разных этапах денойзинга, что увеличивает общую ёмкость модели при сохранении сопоставимых вычислительных затрат. Для работы требуются два компонента — high-noise и low-noise: первый используется на начальных шагах генерации, второй отвечает за детализацию. Формат GGUF предназначен для запуска через ComfyUI с расширением ComfyUI-GGUF; в репозитории также заявлен пример workflow. Сильными сторонами модели являются поддержка двух разрешений, качество генерации движений и визуальной эстетики, а также открытая интеграция с ComfyUI и Diffusers. README не указывает поддерживаемые языки текстовых запросов, точные требования к видеопамяти, длину контекста и технические параметры GGUF-квантизации, поэтому эти характеристики нельзя определить по представленным данным. Модель распространяется по лицензии Apache-2.0.

QuantStack/Wan2.2-T2V-A14B-GGUF — это квантизированная версия модели Wan2.2-T2V-A14B, разработанной командой Wan-AI. Модель преобразует текстовые описания в видео и предназначена для сценариев text-to-video, включая генерацию видеоконтента по текстовым промптам. Модель распространяется в формате GGUF, однако в README не указаны точные архитектурные характеристики, размер, поддерживаемые языки, модальности и длина контекста. Известно, что это прямая конвертация исходной модели Wan-AI/Wan2.2-T2V-A14B. Квантизация может уменьшать требования к ресурсам по сравнению с исходной версией, но README не содержит сведений о конкретном типе квантизации, качестве или производительности. Для использования модель совместима с пользовательским узлом ComfyUI-GGUF и размещается в каталоге ComfyUI/models/unet. Модель распространяется по лицензии Apache-2.0; при этом сохраняются исходные условия лицензирования и ограничения использования базовой модели.

kinit/whisper-large-v3-turbo-sk — модель команды KInIT для автоматического распознавания словацкой речи. Это полно-параметрическая донастройка Whisper encoder-decoder на базе openai/whisper-large-v3-turbo; в метаданных указано 905,2 млн параметров. При обучении использовался курируемый корпус словацкой речи, а 75% обучающих пакетов дополнительно усиливались синтетическим фоновым шумом для повышения устойчивости к условиям реальных записей. Модель предназначена для транскрибации словацкой речи из записей в разных предметных областях и акустических условиях. На тестовом наборе Common Voice 24.0 указаны WER 9,29% и CER 2,55%; на внутреннем наборе KInIT — WER 5,60% и CER 2,65%. По README, версия v2 добавила шумовую аугментацию и улучшила результаты относительно v1. Модель ориентирована на словацкий язык: донастройка существенно ухудшает распознавание других языков. Надёжная длина одного сегмента — до 30 секунд; более длинное аудио следует обрабатывать с разбиением на фрагменты. Качество может снижаться на сильных акцентах, диалектах и речи из областей, недостаточно представленных в обучающих данных. Для критически важных расшифровок требуется проверка человеком. Лицензия — MIT.

crossdelenna/whisper_med_alex.en — дообученная модель распознавания речи на базе Whisper, опубликованная пользователем crossdelenna. Она предназначена для преобразования аудио в текст; название указывает на английскую версию, а карточка сообщает о дообучении на наборе данных, который не описан. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров; для работы используется Transformers, веса опубликованы в формате safetensors. В README приведён результат оценки WER 5,3233 и loss 0,0002, однако набор данных и условия оценки не раскрыты, поэтому эти цифры не позволяют надёжно судить о качестве на других аудиозаписях. Модель распространяется по лицензии Apache-2.0.

ZwZ-7B — мультимодальная модель восприятия изображений, разработанная inclusionAI на базе Qwen2.5-VL-7B-Instruct. Она дообучена с помощью дистилляции Region-to-Image и обучения с подкреплением, чтобы точнее распознавать мелкие детали на изображении за один проход, без увеличения отдельных областей во время вывода и без вызова инструментов. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текстовые запросы, выдавая текстовые ответы. Контекст — до 128 000 токенов; в карточке указан английский язык. Модель предназначена для визуальных вопросов и ответов, подсчёта объектов, OCR, определения цветов и структурных или материальных характеристик, а также идентификации объектов. По заявлению авторов, она показывает высокие результаты среди открытых моделей на базе Qwen2.5-VL-7B в задачах детального восприятия. Для общего мультимодального понимания в некоторых случаях предпочтительнее базовая модель; для изображений очень высокого разрешения важно подходящее предварительное преобразование. Лицензия — Apache 2.0.

ACE-Step v1.5 SFT — модель генерации музыки из текста, разработанная командой ACE-STEP. По текстовому описанию она создаёт музыкальные композиции и поддерживает управление стилем, создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель использует гибридную архитектуру: языковая модель планирует структуру песни и подготавливает метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Размер модели — 1,3 млрд параметров; в карточке указано контекстное окно 32 768 токенов и поддержка более 50 языков. В README заявлены генерация композиций длительностью до 10 минут, работа локально менее чем с 4 ГБ видеопамяти и скорость генерации менее 2 секунд на A100 или 10 секунд на RTX 3090. Для версии SFT таблица указывает 50 шагов, высокое качество и среднее разнообразие; извлечение, режим Lego и завершение аудио для этой версии не отмечены. Репозиторий содержит веса safetensors и распространяется по лицензии MIT; README заявляет возможность коммерческого использования созданной музыки.

ACE-Step 1.5 XL Base — базовая модель генерации музыки на основе декодера DiT с примерно 4 млрд параметров. Разработана проектом ACE-Step и служит основой для задач генерации музыки по текстовому описанию, создания каверов, перерисовки фрагментов, извлечения, сборки композиций из частей и дополнения аудио. Версия XL рассчитана на более высокое качество звука по сравнению с вариантами на 2 млрд параметров; модель использует 32 слоя, скрытый размер 2560 и 32 головы внимания. Модель предназначена для создания и редактирования музыкальных композиций. Для работы требуется значительный объём видеопамяти: от 12 ГБ с выгрузкой на CPU и INT8-квантизацией, от 16 ГБ с выгрузкой на CPU или от 20 ГБ без неё. README сообщает, что обучение использовало лицензированную, свободную от роялти или общественным достоянием музыку, а также синтетические данные, и заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT.

Карточка модели Tuananh20015/acestep-v15-xl-turbo-diffusers на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo-diffusers, поэтому описание составлено по ней. Это официальный чекпойнт ACE-Step v1.5 XL Turbo в формате Diffusers, подготовленный разработчиками ACE-Step. Модель предназначена для генерации музыки по текстовому описанию и загружается как единый конвейер через AceStepPipeline из Diffusers. В основе — 5-миллиардная flow-matching DiT с 32 слоями, 32 головами и размером скрытого состояния 2560; размер представлений энкодера условий — 2048. Чекпойнт ACE-Step v1.5 XL Turbo прошёл дистилляцию с guidance и генерирует музыку за 8 шагов. Репозиторий содержит веса в формате Diffusers и SafeTensors; лицензия — MIT.

Allegro-TI2V — модель генерации видео по текстовому запросу и изображению, разработанная Rhymes AI. Она создаёт продолжение сцены по первому кадру либо промежуточный видеоряд по первому и последнему кадрам, учитывая текстовое описание. Модель построена на VideoDiT с 2,8 млрд параметров и VideoVAE с 175 млн параметров; для работы предусмотрена библиотека Diffusers и форматы safetensors. Модель предназначена для создания динамичных сцен, в том числе с людьми и животными. Она генерирует видео длительностью 6 секунд с частотой 15 кадров в секунду и разрешением 720×1280; результат можно интерполировать до 30 кадров в секунду с EMA-VFI. Контекст составляет 79,2 тыс. токенов, что в карточке соотнесено с 88 кадрами. В режиме BF16 с выгрузкой части вычислений на CPU требуется 9,3 ГБ видеопамяти. Лицензия — Apache 2.0.

Anansi-35B-A3B — разговорная языковая модель, созданная автором карточки для следования инструкциям, повествовательных рассуждений и генерации выразительной прозы. В основе — архитектура Qwen3.5 MoE; репозиторий содержит веса Safetensors, а для модели также опубликованы GGUF-варианты. Автор ориентировал её на запуск на маломощном компьютере и отмечает, что модель рассчитана на более доступный запуск по сравнению с плотными моделями примерно на 30 млрд параметров. Модель получена слиянием DARE-TIES моделей huihui-ai/Huihui-Agents-A1-abliterated и Gryphe/WorldSim-Opus-3.6-35B-A3B, после чего часть LM head интерполирована с ReadyArt/Melody1437-35B-A3B для улучшения прозы. По оценке автора, она лучше следует сложным инструкциям, сочетает повествовательное рассуждение с более сжатым ответом и подходит для ролевых диалогов, написания и редактирования прозы. Модель поддерживает генерацию текста и диалоговый интерфейс, включая интерфейс вызова инструментов. Автор отмечает, что рассуждения иногда могут быть длинными; описанные результаты и баланс качеств являются субъективной оценкой автора. Лицензия — Apache-2.0.

ATI (Any Trajectory Instruction) — модель ByteDance, созданная командой Intelligent Creation Team на основе Wan2.1. Она предназначена для генерации видео по изображению с управляемым движением: траектории задают перемещение объектов, отдельных областей и камеры. Для подготовки управления в комплекте есть интерактивный редактор, в котором можно рисовать и менять траектории, задавать панорамирование и эффекты приближения или удаления. Модель использует архитектуру image-to-video Wan2.1 I2V-14B-480P и распространяется в формате safetensors для Diffusers. ATI подойдёт для создания роликов с заданным направлением и скоростью движения, а также с контролем движения камеры. Базовая модель Wan2.1 I2V-14B-480P генерирует видео в разрешении 480p по исходному изображению и текстовому запросу. Репозиторий модели распространяется по лицензии Apache-2.0. README не описывает конкретные ограничения качества или поддерживаемую длительность видео.

Это снимок модели для генерации видео по изображению и текстовому запросу. В репозитории находятся конфигурация модели, данные токенизатора и процессора, настройки планировщика, модули компонентов, индексы весов и веса; в метаданных указана архитектура MiniMaxH3ModularPipeline и форматы Diffusers и Safetensors. Модель предназначена для сценариев image-to-text-to-video, когда исходное изображение дополняют текстовым описанием желаемого видео. Лицензия в метаданных обозначена как other, без дополнительных условий в доступных сведениях.

Behemoth-123B-v1.1 — текстовая авторегрессионная модель семейства Mistral от TheDrummer, представленная BeaverAI как Creative Edition. Она рассчитана на генерацию текста и диалогов, особенно на творческое письмо и ролевые сценарии: модель ведёт сцены и персонажей, поддерживает атмосферу и может возвращаться к деталям из более раннего контекста. В карточке заявлено окно контекста до 131 072 токенов и размер около 122,2 млрд параметров; доступны шаблоны чата Mistral, Metharme и Alpaca, а также режим завершения текста. Модель подходит для написания прозы, интерактивных историй и ролевых диалогов. README приводит положительные пользовательские отзывы о выразительности и последовательности версии 1.1, но не содержит формальных оценок качества. В репозитории указаны веса Safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия на странице модели.

onnx-community/BEN2-ONNX — модель для удаления фона и сегментации изображений, опубликованная сообществом onnx-community и основанная на PramaLLC/BEN2. Она предназначена для выделения объекта или переднего плана на изображении и формирования маски, которую можно использовать для удаления фона, подготовки изображений для дизайна, каталогов товаров и других задач компьютерного зрения. Модель работает с изображениями и интегрируется с JavaScript-библиотекой Transformers.js, включая выполнение через pipeline с задачей background-removal. README не содержит сведений об архитектуре, числе параметров, размере модели, поддерживаемых языках, максимальном разрешении или других технических характеристиках. Пример использования показывает обработку изображения по URL и сохранение результата в виде PNG-маски, а также экспорт в Canvas или Blob. Сильной стороной модели является возможность применять удаление фона в JavaScript-приложениях через Transformers.js. Ограничения производительности, точности на разных типах изображений и требования к аппаратным ресурсам в README не указаны. Модель распространяется по лицензии MIT.

Модель команды Pravopysnyk предназначена для исправления грамматических ошибок в текстах на украинском языке. Это дообученная версия MBart-50-large, настроенная на перевод с украинского на украинский. Для обучения использовался датасет UA-GEC, дополненный синтетическими примерами: ошибками после обратного перевода с украинского на русский и обратно, ошибками пунктуации, примерами с русизмами, а также предложениями без ошибок. Модель построена на архитектуре mBART, содержит 457,4 млн параметров и работает с текстовым контекстом до 1024 токенов. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

Chimera-X-26B-A4B — мультимодальная разговорная модель семейства Gemma 4, созданная Vortex5 объединением нескольких моделей: Gemma-4-26B-A4B-Animus-V14.1-FFT, Pantheon-Reasoning-26B-A4B-1.1, G4-MeroMero-26B-A4B и G4-Moonlight-Dusk-26B-A4B. В README описана многоэтапная схема mergekit с методами nearswap и karcher; веса опубликованы в формате safetensors для Transformers. Модель предназначена для ролевого общения с персонажами, интерактивных сцен, творческого письма, повествования, развития сюжета и генерации идей. Она принимает текст и изображения и выдаёт текст; метаданные отмечают поддержку чата и vision. В README указана лицензия Apache-2.0. Размер контекста и точное число параметров в доступных сведениях не приводятся.

Chronos-Hermes-13B-v2 — объединённая модель на базе Llama 2, созданная как смесь chronos-13b-v2 и Nous-Hermes-Llama2-13b в пропорции 75/25. Она предназначена для генерации текста, в частности художественного письма и длинных связных ответов с выразительной прозой. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Для запросов применяется формат Alpaca с секциями Instruction и Response. Карточка отмечает творческий стиль и связность ответов; репозиторий содержит веса PyTorch, а README также упоминает GPTQ-квантованные веса. Лицензия указана как other, поэтому перед использованием следует проверить условия исходных моделей и репозитория. Модель опубликована в 2023 году.

Chuluun-Qwen2.5-72B-v0.01 — плотная языковая модель на архитектуре Qwen2.5 с 71,5 млрд параметров, созданная DatToad методом слияния Model Stock через mergekit. В основу слияния вошла migtissera/Tess-v2.5.2-Qwen2-72B; также объединены EVA-Qwen2.5-72B-v0.2, 72B-Qwen2.5-Kunou-v1 и magnum-v4-72b. Модель рассчитана на генерацию текста и диалоговое взаимодействие, поддерживает контекст до 131 072 токенов и использует формат ChatML. Модель особенно подходит для творческого письма и ролевых диалогов: по описанию автора, она справляется со сценами с несколькими персонажами, разделяет их мысли, речь и действия, учитывает характеры и поддерживает смену сцен. Автор отмечает, что модель допускает откровенный и мрачный контент. Лицензия в предоставленных данных не указана.

Nerdigent Darkest-muse-v1-lorablated-v2 — слитая текстовая модель на архитектуре Gemma 2, созданная с помощью mergekit методом task arithmetic на основе sam-paech/Darkest-muse-v1 и TouchNight/gemma-2-9b-it-abliterated-LoRA-untied. Модель содержит 9 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового общения; базовая модель каталога описывает её как средство для создания художественной прозы, историй и выразительных диалогов. Для использования указана библиотека Transformers. Язык и лицензия в предоставленных источниках не приведены, поэтому здесь они не уточняются.

EasyAnimateV2-XL-2-768x768 — веса модели Alibaba PAI для генерации видео по текстовым описаниям. Модель основана на PixArt-alpha и использует Diffusion Transformer с модулем движения, видеовариантом VAE и текстовым кодировщиком T5; в архитектуру также добавлены skip-соединения по мотивам U-ViT. Разрешение обучения — 768×768 пикселей, длина видео — до 144 кадров при 24 кадрах в секунду. Модель предназначена для создания высококачественных видео и поддерживает генерацию изображений в том же конвейере. Она принимает текстовые описания на английском языке и выдаёт видео; метаданные Hugging Face при этом помечают её как text-to-image. Для запуска используются Diffusers и формат safetensors. Лицензия — Apache-2.0. К заявленным возможностям относятся генерация длинных видео и работа с высоким разрешением. Ограничения: модель обучалась на видео 768×768 длиной до 144 кадров, поэтому возможности за этими пределами не подтверждены; в README нет описания поддерживаемых языков помимо английского.

cyttic/exp23-directfit-unfrozen — модель с архитектурой vision-encoder-decoder, дообученная разработчиком на базе cyttic/exp22-exp2warm-directfit-frozen. Она принимает изображения и формирует текст; репозиторий помечен задачей image-text-to-text. На оценочном наборе указаны Loss 0,4588, CER 0,0245 и WER 0,0647. Данные о назначении, обучающем наборе и условиях применения в карточке не раскрыты. Модель распространяется в формате safetensors.

DavidAU создал эту плотную мультимодальную модель на архитектуре Gemma 3, дообучив Gemma 3 27B IT с помощью Unsloth на наборе TeichAI/gemini-3-pro-preview-high-reasoning-250x. Модель принимает текст и изображения и выдаёт текст; она предназначена для диалогов, генерации и продолжения историй, ролевых сценариев и ответов на вопросы по изображениям. Дообучение добавляет автоматическое пошаговое рассуждение для сложных запросов, а на простые модель может отвечать без него. Заявлена длина контекста 128 тысяч токенов и поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. По заявлению автора, рассуждение может улучшать генерацию текста и интерпретацию изображений; обработка изображений сохранена. Это ограниченное дообучение на рассуждения: оно не расширяет знания и навыки базовой модели. Автор приводит бенчмарки, но не описывает методику их проведения. Лицензия в предоставленных данных не указана.

ConicCat/Gemma4-Garnet-31B — дообученная ConicCat плотная модель семейства Gemma 4 на базе google/gemma-4-31B-it. Она предназначена прежде всего для создания связной прозы и длинных текстов, а также подходит для ролевых диалогов и других творческих задач. Автор сообщает, что модель может выдавать до 4000 слов за один запрос, разнообразнее формулирует ответы и реже использует характерные для ИИ шаблонные обороты. Обучение также сохраняет общие способности к диалогу и следованию инструкциям. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Gleam-30B — дообученная методом DPO модель семейства Muse Glimmer от автора ConicCat, предназначенная для ролевых диалогов и художественного письма. В обучающих данных примерно треть примеров посвящена письму, а две трети — ролевым сценариям; для настройки использовались предпочтения между текстами, в том числе редактура прозы человеком и ИИ. Модель построена на плотной архитектуре Muse Glimmer и содержит около 29,6 млрд параметров согласно описанию базовой модели в каталоге. Она принимает текст и генерирует текст; карточка указывает поддержку диалогового режима. Автор рекомендует запускать её в формате GGUF Q4_K_M через koboldcpp, а репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Карточка модели BestWishYsh/Helios-Base 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.

Jina AI выпустила совместимую с vLLM версию Jina Embeddings v4 — мультимодальной многоязычной модели для поиска по визуальным документам. Веса адаптера text-matching объединены с базовыми весами Qwen2.5-VL; модель насчитывает 3,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для мультимодального сопоставления текстовых запросов с визуальными документами и их поиска. Версия с объединённым адаптером обеспечивает совместимость с vLLM без отдельной обработки адаптера. Сведения о лицензии и конкретных ограничениях применения в предоставленных данных отсутствуют.

JoyAI-Echo x LTX-2.3 — это объединённая аудиовизуальная диффузионная модель автора Joey Gambino на базе JoyAI-Echo и LTX-2.3. Веса собраны слиянием ветвей: видеомодель и путь кондиционирования взяты из JoyAI-Echo, аудиоветвь и блоки cross-attention — из LTX-2.3 distilled-1.1. Архитектура AVTransformer3DModel, 48 слоёв; доступны полные чекпойнты в форматах BF16 и FP8, упакованные вместе с компонентами для видео и аудио. Модель предназначена для генерации видео со звуком по текстовому описанию, в том числе многокадровых сцен с говорящими персонажами. В связке с memory-multishot она рассчитана на сохранение внешности и одежды персонажа между сценами, естественную речь и синхронизацию губ. README рекомендует рендерить при 24 кадрах в секунду для предсказуемого соответствия акцента подсказке; запуск требует настройки под доступную память и используемую сборку ComfyUI. В описании репозитория лицензия указана как other, поэтому конкретные условия использования из доступных данных определить нельзя. Автор отмечает необходимость настройки workflow и аппаратных ресурсов; результаты могут зависеть от сборки и параметров рендера.