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

L3.3-MS-Evalebis-70B — объединённая модель на базе Llama 3.3, созданная SteelSkull методом Model Stock. В merge вошли EVA-LLaMA-3.33-70B-v0.1, L3.3-70B-Euryale-v2.3 и Anubis-70B-v1; в метаданных также указана связь с unsloth/Llama-3.3-70B-Instruct. Модель содержит 69,5 млрд параметров, использует плотную архитектуру Llama и распространяется в формате Safetensors; для работы применяется библиотека Transformers. Модель предназначена для генерации текста и диалогов, с особым акцентом на художественное повествование: автор стремился объединить сюжетность EVA с прозой и детализацией сцен Euryale и Anubis. Контекст составляет до 131 072 токенов. Модель поддерживает многоязычную генерацию, однако README не уточняет конкретные языки. Условия лицензии в предоставленных данных не приведены.

L3-Aethora-15B v2 — языковая модель для генерации текста на базе архитектуры Llama 3, созданная ZeusLabs, Steelskull и Elinas. Она дообучена методом LoRA на наборе Aether-Lite-V1.8.1, содержащем около 125 тысяч англоязычных примеров инструкций и диалогов. В репозитории указаны 14,5 млрд параметров, контекст до 8192 токенов и формат Safetensors; модель поддерживает диалоговый режим. Модель предназначена для творческого письма, создания историй и стихов, ответов на вопросы, объяснения научных и медицинских тем, подготовки учебных материалов и решения задач по инструкциям. Карточка заявляет, что она лучше всего подходит для творческого письма и поддерживает разные стили и жанры. Эти возможности описаны авторами, но сами по себе не подтверждают точность ответов, особенно в медицинских и научных вопросах. Обучение проведено в BF16 на четырёх A100 в течение 17,5 часа, на протяжении четырёх эпох с длиной последовательности 8192 токена. Для модели указана лицензия CC BY-SA 4.0; при использовании и распространении следует соблюдать её условия.

LLMDet tiny — вариант детектора объектов с открытым словарём, разработанный авторами работы LLMDet. Модель основана на MM Grounding DINO и улучшена совместным обучением с большой языковой моделью; версия для вывода не содержит языковую модель, использованную при обучении. Для инференса применяется так же, как MM Grounding DINO. Модель предназначена для обнаружения объектов по текстовым описаниям и запросам без необходимости ограничиваться заранее заданным набором классов. Она обучалась на Objects365v1, GOLD-G, GRIT, V3Det и GroundingCap-1M; в карточке приведены результаты оценки на LVIS. Доступны веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

LoyalMaid-12B — объединённая диалоговая языковая модель от yamatazen, созданная методом Model Stock с помощью mergekit. В качестве базовой модели использована nbeerbower/mistral-nemo-gutenberg-12B-v4; в объединение также вошли NeverSleep/Lumimaid-v0.2-12B, Lambent/Gilded-Arsenic-12B и Lambent/arsenic-nemo-unleashed-12B. Модель построена на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Она предназначена для генерации и продолжения текста в диалоговом формате; среди сценариев применения — создание художественной прозы и интерактивные беседы. Метаданные указывают контекст до 1 024 000 токенов, поддержку интерфейса вызова инструментов и формат весов safetensors. Для работы нужна библиотека Transformers. Модель опубликована в формате safetensors с типом данных bfloat16. Лицензия в предоставленных данных не указана.

Карточка модели fengbaoqishi/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели Hussi/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели MichaelXu123/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели NNYAA-344184/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели wang1232132132/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

LTX-2-19B-Distilled — дистиллированная версия модели LTX-2 от Lightricks для быстрой генерации видео с уменьшенным числом шагов диффузии. Репозиторий содержит чекпойнт для запуска через Diffusers и поддерживает создание видео как по текстовому запросу, так и по исходному изображению. Модель подходит для быстрого создания видеороликов из описаний и анимации предоставленных изображений. Базовая LTX-2 — аудиовизуальная диффузионная модель; однако карточка этого репозитория явно заявляет только генерацию видео по тексту и изображению. Чекпойнт распространяется по лицензии, обозначенной как other; конкретные условия следует сверить с файлами репозитория.

Карточка модели Ahmyr/LTX-2.3 на Hugging Face совпадает с карточкой Lamender43/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель на основе архитектуры DiT, разработанная Lightricks. Она генерирует синхронизированные видео и аудио в рамках одной модели; этот репозиторий описывает семейство контрольных точек, включая полную обучаемую версию и дистиллированные варианты. Модель рассчитана на локальный запуск и создание роликов по визуальному входу, а семейство также поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим медиа. Модель принимает инструкции на английском языке. Карточка описывает улучшения качества аудио и видео и следования запросу по сравнению с LTX-2. Для размеров изображения предусмотрена кратность 32, а число кадров должно иметь вид 8n+1. Модель не предназначена для получения фактических ответов, может неточно следовать запросу и воспроизводить социальные предубеждения; звук без речи может быть низкого качества. Лицензия в метаданных обозначена как «other», поэтому конкретные условия следует сверить с файлами лицензии репозитория.

Карточка модели KingGhidorah/LTX-2.3 на Hugging Face совпадает с карточкой eseedo/LTX-2.3, поэтому описание составлено по ней. 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.

Карточка модели Rishu011/LTX-2.3 на Hugging Face совпадает с карточкой Lamender43/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель на основе архитектуры DiT, разработанная Lightricks. Она генерирует синхронизированные видео и аудио в рамках одной модели; этот репозиторий описывает семейство контрольных точек, включая полную обучаемую версию и дистиллированные варианты. Модель рассчитана на локальный запуск и создание роликов по визуальному входу, а семейство также поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим медиа. Модель принимает инструкции на английском языке. Карточка описывает улучшения качества аудио и видео и следования запросу по сравнению с LTX-2. Для размеров изображения предусмотрена кратность 32, а число кадров должно иметь вид 8n+1. Модель не предназначена для получения фактических ответов, может неточно следовать запросу и воспроизводить социальные предубеждения; звук без речи может быть низкого качества. Лицензия в метаданных обозначена как «other», поэтому конкретные условия следует сверить с файлами лицензии репозитория.

Это квантизированный MLX-порт модели LTX-2.3 10Eros v1.2, подготовленный для работы на компьютерах Apple Silicon. Модель разработана на основе дообученной TenStrip/LTX2.3-10Eros и предназначена для создания видео по текстовому описанию и исходному изображению; README также сообщает о поддержке аудиопайплайнов. В репозитории есть dev- и distilled-варианты трансформера, общие компоненты, апскейлеры и вокодер. Текстовый энкодер Gemma 3 12B не включён и загружается отдельно. Веса трансформерных блоков линейных слоёв квантизированы до int8 с размером группы 64; некоторые компоненты оставлены в bf16. Для запуска требуются Apple Silicon и ltx-2-mlx. Модель предназначена для взрослой аудитории и может создавать откровенный контент. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

vantagewithai/LTX-2.3-GGUF — квантованная версия в формате GGUF модели LTX-2.3, разработанной компанией Lightricks. Это диффузионная аудиовизуальная foundation-модель на базе архитектуры DiT, предназначенная для совместной генерации синхронизированных видео и аудио. Модель ориентирована на локальный запуск и распространяется как открытые веса; исходный чекпойнт LTX-2.3 доступен у Lightricks. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio и совместную генерацию аудио и видео из текста или изображений. В карточке указаны языки English, German, Spanish, French, Japanese, Korean, Chinese, Italian и Portuguese, однако в разделе характеристик отдельно указан English. Конкретный размер квантованного файла, объём контекста, разрешение и требования к оборудованию не приведены; для параметров генерации указано, что ширина и высота должны делиться на 32, а число кадров иметь вид 8n+1. К сильным сторонам относятся совместная генерация аудио и видео в одной модели, улучшенные качество аудио и визуальной части, а также следование промпту по сравнению с LTX-2. Ограничения включают возможное неполное соответствие запросу, зависимость результата от стиля промпта, потенциально неподходящий или оскорбительный контент, усиление существующих социальных предубеждений и более низкое качество аудио без речи. Модель не предназначена для предоставления фактической информации. Указана лицензия LTX-2 Community License Agreement; точные условия следует уточнять в тексте лицензии Lightricks.

LTX-2.3-IC-LoRA-Colorizer — адаптер LoRA, опубликованный DoctorDiffusion для модели Lightricks/LTX-2.3. Он предназначен для видеогенерации video-to-video и добавления цвета к чёрно-белым видеозаписям в рабочих процессах LTX-2.3 IC-LoRA. Модель рекомендуется использовать с IC-LoRA workflow от Lightricks, отключив часть с ControlNet. Для управления результатом можно указывать желаемые цвета в запросе и использовать уже раскрашенный кадр как дополнительный ориентир. Для сохранения мелких деталей исходного видео рекомендуется наложить итоговый результат на оригинал в режиме смешивания «color». Карты цветов можно генерировать в половинном от целевого разрешении для ускорения обработки. Проект находится в разработке, поэтому результаты не всегда идеальны. В README не указаны размер адаптера, точная архитектура базовой модели, поддерживаемые языки, максимальный контекст или системные требования. Модель распространяется по лицензии Apache-2.0.

LTX-2.5 — семейство моделей генерации видео и аудио с открытыми весами от Lightricks. Эта карточка описывает набор компонентов в формате safetensors, включая диффузионный трансформер DiT размером 22 млрд параметров и текстовый энкодер Gemma 4 12B. Модель предназначена для локального запуска и дообучения; основные сценарии — создание видео по изображению и текстовому описанию, а также генерация связанных сцен с сохранением персонажей, окружения и визуального стиля. В README также заявлены работа со звуком и входным видео. Версия 2.5 поддерживает многокадровую генерацию сцен в одном проходе, улучшенное декодирование видео и опциональное расширение промпта и предсказание длительности ролика. Для локального запуска указаны Python не ниже 3.12, CUDA не ниже 12.7 и PyTorch примерно версии 2.7; некоторые INT8-компоненты предназначены только для ComfyUI. Модель не предназначена для предоставления фактической информации; точное соответствие промпту не гарантируется, а результаты могут отражать общественные предубеждения или содержать неприемлемый контент. По условиям README коммерческое и производственное использование бесплатно для организаций с годовой выручкой менее 10 млн долларов; для более крупных организаций требуется платное соглашение, а передача дообученных моделей может требовать отдельной лицензии.

Это GGUF-конверсия LTX-2.5 от Lightricks, подготовленная для локального запуска, в том числе через ComfyUI. Модель предназначена для генерации видео по текстовому описанию; исходная LTX-2.5 также принимает изображения и видео и создаёт синхронизированные видео и аудио. Архитектура исходной модели включает два потока DiT для видео и аудио с межмодальным вниманием, а также текстовый энкодер Gemma 4 12B. В README указано 22 млрд параметров; варианты GGUF уменьшают требования к памяти по сравнению с исходными весами BF16. Модель поддерживает генерацию нескольких связанных сцен с сохранением персонажей и визуального стиля между планами. Качество и требования к видеопамяти зависят от уровня квантизации: низкие варианты Q2 и Q3 автор README считает пригодными главным образом для тестов и прототипов, тогда как более высокие варианты лучше сохраняют качество. В репозитории заявлена лицензия other, поэтому конкретные условия использования следует сверять с лицензией исходной модели Lightricks/LTX-2.5.

Карточка модели chaitnya26/LTXV-fork 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 caralhox/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 0.9.7-dev — диффузионная модель генерации видео, разработанная Lightricks. Она создаёт видео по текстовому описанию, а также поддерживает сценарий с изображением и текстом. В README эта версия отнесена к варианту 13B с наивысшим качеством, требующему больше видеопамяти; семейство LTX-Video основано на архитектуре DiT. Модель рассчитана на создание реалистичных и разнообразных роликов. В карточке указаны скорость генерации выше скорости просмотра, разрешение 1216×704 и частота 30 кадров в секунду для семейства. Рекомендуются английские подробные запросы; лучше использовать разрешения ниже 720×1280 и видео короче 257 кадров. Для совместимости разрешение должно делиться на 32, а число кадров иметь вид 8n+1; при необходимости модель дополняет и обрезает входные размеры. Модель может не точно следовать запросу, а результат зависит от формулировки промпта. Она не предназначена для выдачи фактической информации и может усиливать социальные предубеждения. Лицензия указана как other; README перечисляет отдельные условия лицензирования версии 13B 0.9.7-dev, поэтому перед использованием следует ознакомиться с ними.

LTX-Video 0.9.8 13B Distilled — диффузионная модель генерации видео из изображения от Lightricks. Она предназначена для создания видеороликов на основе исходного изображения и текстового описания; для этой версии заявлены ускоренная генерация и меньшие требования к видеопамяти по сравнению с вариантом 13B Dev, с небольшим снижением качества. Модель работает в библиотеке Diffusers и распространяется в форматах Diffusers и Safetensors. В карточке семейства LTX-Video указана генерация видео до 30 кадров в секунду и разрешения 1216×704. Рекомендуются разрешения ниже 720×1280 и ролики короче 257 кадров; размеры должны делиться на 32, а число кадров иметь вид 8n+1, иначе входные данные дополняются и результат обрезается. Подсказки следует писать на английском; точное следование описанию не гарантируется. Модель разработана Lightricks. Лицензия обозначена как other; карточка перечисляет отдельные условия для этой версии, поэтому перед использованием следует проверить соответствующую лицензию. Модель не предназначена для получения фактических ответов и может воспроизводить смещения из данных обучения.

Magnum-v3-9B-ChatML — языковая модель Anthracite, созданная для генерации связного текста с качеством прозы, которое разработчики стремились приблизить к Claude 3 Sonnet и Opus. Это полноразмерное дообучение Gemma 2 9B ChatML с архитектурой Gemma2ForCausalLM; модель содержит 9 млрд параметров и принимает диалоги в формате ChatML. Родительский репозиторий описывает базовую модель как Gemma 2 9B ChatML. Модель подходит для диалогов, написания прозы и ролевых сценариев. В карточке приведены датасеты для инструкций, письма и синтетических ролевых диалогов; обучение проведено в течение двух эпох. Контекст составляет 8192 токена. Карточка не заявляет специализированную языковую поддержку. Модель распространяется по лицензии Gemma; применяются условия этой лицензии.

MiniMax-H3 Fused Turbo (INT8 ConvRot) — файл весов для ComfyUI, собранный автором репозитория на основе производных версий MiniMax-H3. Он предназначен для генерации видео по текстовому описанию и изображению, а также для reference-to-video с использованием референсов. Веса объединяют базовую модель с turbo-адаптером lightx2v FL2VA и адаптером Mystic для более плавного движения; затем основные линейные слои квантованы в INT8 с ConvRot. Модель запускается через стандартный UNETLoader ComfyUI и рассчитана на генерацию за 4 шага. Модель создаёт видео со звуковой дорожкой; в README приведён пример ролика длительностью 10 секунд с разрешением 1152×640. Для запуска нужны ComfyUI, совместимый рабочий процесс и достаточные ресурсы GPU или системной памяти; управление памятью ComfyUI позволяет запускать модель и на картах меньше 96 ГБ, но медленнее. Автор отмечает, что развернутые LoRA-настройки уже встроены в веса и их силу нельзя менять отдельно. Лицензия указана как other, поэтому условия использования следует уточнять на странице репозитория.

Это смешанный чекпойнт MiniMax-H3 для генерации видео по изображениям и другим условиям, подготовленный автором загрузки как вариант гибрида fl2va/ref2va b25-49. В основу взят квантованный fl2va, а проекции AdaLN в блоках 25–49 заменены значениями ref2va: модель сохраняет качество базового варианта и получает обработку референсных изображений, видео и аудио. Повторного обучения не проводилось; веса объединены переносом тензоров между готовыми квантованными файлами. Модель использует смешанную квантовку W4A8: 200 линейных слоёв работают с 4-битными весами и 8-битными активациями, остальные указанные в README группы тензоров сохраняют BF16/F16/F32. Файл весит около 11,68 ГиБ и предназначен для загрузки в ComfyUI с поддержкой W4A8. Можно использовать ключевые кадры и референсы субъекта, сцены или стиля; поддерживаются также обычные сценарии text-to-video и генерация по первому кадру. Для нативного быстрого пути W4A8 требуется видеокарта с compute capability 8.0 или выше. На более старых GPU используется корректный, но более медленный программный путь. Модель распространяется по лицензии Apache-2.0.

Это сообщественная W6A8-квантизованная гибридная версия MiniMax-H3, собранная из вариантов fl2va и ref2va для генерации видео в ComfyUI. Базой служит MiniMaxAI/MiniMax-H3; веса fl2va сохранены для блоков 0–24, а проекции AdaLN из ref2va перенесены в блоки 25–49. Переобучения и повторного квантования не проводилось. Файл формата safetensors занимает около 14,88 ГиБ; веса имеют 6-битное представление, активации — 8-битное. Модель предназначена для генерации видео по тексту и изображениям, с использованием ключевых кадров и референсов объектов, сцен или стиля. Гибридный вариант позволяет одновременно использовать ключевые кадры и референсы. Он рассчитан на загрузку штатным узлом Load Diffusion Model в ComfyUI и требует текстовый энкодер и видео- и аудио-VAE семейства H3. MiniMax-H3 также поддерживает генерацию стереозвука, однако в README этой сборки описаны прежде всего видеосценарии. По README, W6A8 занимает промежуточное положение между W4A8 и INT8 и снижает ошибку весов относительно 4-битного варианта. Нативное быстрое выполнение требует GPU с compute capability 8.0 или выше; на более старых GPU модель использует более медленный переносимый путь. Лицензия — Apache-2.0.

Mistral-Small-Instruct-2409-22B-NEO-Imatrix-GGUF — это квантованная версия instruct-модели Mistral Small Instruct 2409 с 22 млрд параметров, опубликованная DavidAU. Модель предназначена прежде всего для генерации текста, особенно художественной прозы, рассказов, сцен, сюжетов и подсюжетов, продолжения сцен, ролевых сценариев и текстов различных жанров, включая научную фантастику, романтику и хоррор. Она использует шаблон Mistral Instruct. Заявлен максимальный контекст около 131 000 токенов (128k). В карточке указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. NEO IMATRIX dataset V2 применён для усиления творческих способностей. Доступны варианты квантования GGUF; автор рекомендует IQ4_XS для баланса эффекта IMATRIX и количества бит, а также отмечает хорошие результаты IQ3s и IQ4s. Для модели заявлен уровень PPL 4.8611 ± 0.06701 на варианте Q4_K_M. Сильными сторонами являются большой контекст, ориентация на творческое письмо и возможность работы с различными настройками температуры. Ограничения включают зависимость от корректного шаблона Mistral Instruct, а также возможные компромиссы качества и размера, связанные с квантованием. Модель распространяется по лицензии Apache-2.0.

MS-EffGCViT-B0 — компактная модель семейства Multi-Scale Efficient Global Context Vision Transformer, разработанная авторами DeepGuard. Это гибридная CNN-ViT архитектура на основе EfficientNet-B0 с многоуровневым контекстным вниманием; модель дообучена на базе timm/tf_efficientnet_b0.ns_jft_in1k. Модель предназначена для бинарного выявления поддельных лицевых изображений и видео. Она анализирует обрезанные по лицу изображения или отдельные кадры видео, выявляя локальные артефакты текстуры и склейки, а также несогласованности освещения и структуры. Предусмотрена классификация изображений и видео на уровне кадров; для видео оценки кадров можно агрегировать. В README указаны варианты разрешения 224×224 для B0 и поддержка real-time сценариев, включая мобильные устройства. В оценке на FaceForensics++ авторы сообщают accuracy 0,9808 и AUC 0,9969 для B0; на Celeb-DF-v2 при обучении на FaceForensics++ указаны accuracy 0,7259 и AUC 0,6999, что показывает более ограниченное обобщение на другую выборку. Модель распространяется под лицензией MIT.,

MS-EffGCViT-B5 — модель компьютерного зрения из проекта DeepGuard, разработанная авторами репозитория HanMoonSub/DeepGuard для обнаружения дипфейков на лицах. Она классифицирует изображение или отдельные кадры видео как реальные либо поддельные; результаты по кадрам можно агрегировать для оценки видео. Архитектура сочетает EfficientNet-B5 с многоуровневым глобальным контекстным вниманием: свёрточные блоки выделяют локальные текстурные признаки, а механизмы внимания сопоставляют локальные детали с общим контекстом сцены. Вариант B5 рассчитан на анализ с высоким разрешением 384×384. Модель предназначена для проверки лицевых изображений и видео, в том числе для поиска артефактов текстур, склейки, освещения и структуры. В README приведены результаты на FaceForensics++ и проверки переноса на Celeb-DF-v2 и KoDF; показатели на внешних наборах заметно ниже, поэтому качество может зависеть от домена и данных. Для входа требуются изображения лиц, обрезанные по лицу; заявленное применение к видео выполняется на уровне кадров. Модель основана на дообученной timm/tf_efficientnet_b5.ns_jft_in1k, распространяется в формате safetensors через Transformers и лицензирована по MIT.

ObjEmbed-2B — мультимодальная модель эмбеддингов на основе семейства Qwen3-VL, предназначенная для сопоставления областей изображения с текстовыми описаниями. Она формирует отдельные представления объектов и всего изображения за один проход: объектные эмбеддинги кодируют семантическое сходство, а IoU-эмбеддинги оценивают качество локализации. Модель подходит для визуального поиска по отдельным объектам и целым изображениям, а также для визуального заземления текста на области изображения. Карточка не сообщает размер модели и поддерживаемые языки. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.