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

Qwen2.5-14B-Gutenberg-Instruct-Slerpeno — плотная языковая модель на 14 млрд параметров, созданная автором репозитория слиянием моделей через SLERP с помощью mergekit. В слияние вошли Qwen/Qwen2.5-14B-Instruct и v000000/Qwen2.5-14B-Gutenberg-1e-Delta; README указывает, что слияние призвано сохранить влияние Gutenberg DPO и сбалансировать его с базовой инструкционной моделью. Модель предназначена для диалогов и генерации текста, включая структурированные ответы. Она принимает текст и выдаёт текст, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а библиотека для работы с моделью — Transformers. В README приведены результаты Open LLM Leaderboard, включая средний балл 33,39, IFEval и BBH. Модель распространяется по лицензии Apache-2.0. Показатели в README не гарантируют качество на конкретных задачах; специальных языковых ограничений или иных недостатков в доступных данных не описано.

Qwen3.5-9B-Claude-4.6-HighIQ-INSTRUCT — мультимодальная инструктивная модель на базе Qwen3.5-9B, дообученная DavidAU с использованием Unsloth на дистиллированных данных Claude 4.6. Она предназначена для диалога, рассуждений и творческого письма: генерации рассказов, сцен и сюжетов, а также ролевых сценариев. Модель принимает текст и изображения и выдаёт текст; карточка сообщает, что работа с изображениями проверена, а видео не тестировалось. Это плотная модель с 9 млрд параметров и архитектурой Qwen3.5 с визуальным энкодером. Для базовой модели указано контекстное окно 262 144 токена; версия настроена на режим instruct без режима свободного продолжения. В README приведены сравнительные результаты на нескольких тестах, однако они не подтверждают качество для всех заявленных сценариев. Автор рекомендует квантизованные варианты не ниже q4ks или IQ3S с imatrix. Модель опубликована под лицензией Apache-2.0.

DavidAU/Qwen3.5-9B-Claude-4.6-Opus-Deckard-V4.2-Uncensored-Heretic-Thinking — мультимодальная модель на основе Qwen3.5-9B, дообученная автором с помощью Unsloth на наборах данных Claude-4.6 Opus и DECKARD и объединённая на этапе обучения. Это плотная авторегрессионная языковая модель с визуальным энкодером; в метаданных указана архитектура Qwen3.5 и поддержка чата и изображений. Модель работает в режиме рассуждений по умолчанию. Модель предназначена для диалогов, генерации художественных текстов и ролевых сценариев, рассуждений и понимания изображений. Автор сообщает об улучшении рассуждений и генерации текста, а также о снижении числа отказов; приведённые сравнительные результаты относятся к ограниченному набору тестов. Карточка указывает контекст 256 тыс. токенов и отмечает, что обработка видео не проверялась. Поддерживаемые карточкой языки — английский и китайский; базовая модель заявляет более широкое языковое покрытие, но оно не подтверждено для этого дообучения. Лицензия — Apache-2.0.

Карточка модели Fargol83/Qwen-Image-Layered на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Layered, поэтому описание составлено по ней. 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.

Qdrant подготовила ONNX-порт модели microsoft/resnet-50 для классификации изображений и поиска похожих изображений. Модель использует архитектуру ResNet-50; карточка предлагает запускать её для инференса через FastEmbed. Модель подходит для присвоения изображению класса и поиска визуально похожих изображений. Лицензия — Apache-2.0.

Карточка модели Skywork/SkyReels-V2-I2V-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.

SkyReels-V2-I2V-14B-540P-GGUF — это GGUF-конверсия модели Skywork/SkyReels-V2-I2V-14B-540P, разработанной командой Skywork. Модель предназначена для генерации видео по исходному изображению (image-to-video) и ориентирована на сценарии создания и анимации видеоконтента. В карточке указаны соответствующие категории video и video-generation. Модель имеет размер 14B и поставляется в нескольких вариантах квантования GGUF, включая Q8_0 и более компактные варианты; исходные кванты созданы из базового файла FP32. Формат позволяет использовать модель через пользовательский узел ComfyUI-GGUF, при этом файлы модели размещаются в каталоге ComfyUI/models/unet. Для работы также требуется VAE Wan2_1_VAE_bf16.safetensors, доступный в отдельном репозитории. Языки, максимальная длина контекста, точная архитектура и требования к оборудованию в README не указаны. Преимущество модели — наличие квантованных вариантов, которые могут снизить требования к ресурсам по сравнению с полноточной версией, а также интеграция с ComfyUI через GGUF. Ограничения связаны с необходимостью отдельной установки ComfyUI, пользовательского узла и VAE; качество и требования зависят от выбранного типа квантования. Модель распространяется по лицензии Skywork License, обозначенной в карточке как license: other.

Карточка модели B4l1/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Карточка модели ogbeatzofficial1/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Модель sentence-transformers, созданная AhmedHamdi дообучением sentence-transformers/all-mpnet-base-v2 на задаче сходства предложений. Она предназначена для кодирования текстов в векторы и сравнения сюжетов или описаний историй на португальском и английском языках; её можно применять для семантического поиска, ранжирования похожих текстов и группировки сюжетов. Архитектура MPNet содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт эмбеддинги. В README приведена метрика loss 0,0507, но набор данных и методика оценки не описаны, поэтому результат не позволяет оценить качество на других типах текстов. Формат весов — safetensors; лицензия в предоставленных данных не указана.

Карточка модели kevin119/test 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.

TypressAI-9B — объединённая авторегрессионная языковая модель семейства Gemma 2 с 9 млрд параметров, опубликованная ClaudioItaly. Она создана методом DARE TIES через mergekit на основе четырёх моделей Gemma 2: nbeerbower/gemma2-gutenberg-9B, UCLA-AGI/Gemma-2-9B-It-SPPO-Iter3, ifable/gemma-2-Ifable-9B и lemon07r/Gemma-2-Ataraxy-9B. По описанию автора, модель предназначена прежде всего для написания текстов и повествований; также поддерживает диалоговую генерацию. Модель принимает текст и генерирует текст. Контекст составляет 8192 токена; в метаданных указаны английский и итальянский языки. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке модели и связанных базовых моделей.

UniAVGen — контрольная точка модели для совместной генерации аудио и видео, разработанная MCG-NJU и Tencent Hunyuan. Она представлена в работе «UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions» и предназначена для создания согласованных аудиовизуальных материалов. Модель основана на Wan2.2-TI2V-5B и дообучена для генерации видео по изображению. В карточке также заявлена единая генерация аудио и видео с акцентом на синхронизацию движений губ, смысловую согласованность и обобщение на разные задачи. Файлы представлены в формате safetensors; лицензия — Apache-2.0. Описание не уточняет способ подачи аудио, поддерживаемые языки, длительность или разрешение генерируемых материалов и системные требования. В метаданных основная задача указана как image-to-video, поэтому поддержка совместной генерации аудио-видео здесь следует из карточки проекта, но не отражена отдельным pipeline-тегом.

Video-As-Prompt (VAP) — модель ByteDance для генерации видео, которая использует референсное видео как семантическую подсказку и анимирует заданное изображение, перенося на него семантику референса. Эта версия основана на Wan2.1 I2V 14B и рассчитана на генерацию видео по изображению с управлением через референсное видео. Модель предназначена для создания видео с нужными действиями и другими семантическими характеристиками, заданными примером: например, можно сохранить исходное изображение, но получить разные варианты движения по разным референсным видео. Авторы отмечают сильные результаты на действиях людей и новых понятиях; при этом из-за ограниченного числа шагов обучения устойчивость ниже на некоторых семантических условиях. Репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0.

VoiceCLAP-Small-v2 — контрастивная модель для совместного представления голоса и текста, разработанная LAION как версия laion/voiceclap-small с дополнительным обучением на коротких эмоционально ориентированных описаниях аудио. Она использует двухбашенную архитектуру CLAP: аудиобашню на основе BUD-E-Whisper_V1.1 и текстовую башню на основе MiniLM-L6-v2, после которых применяются отдельные MLP-проекции; обучение проводилось с контрастивной функцией потерь SigLIP. Модель предназначена для получения сопоставимых эмбеддингов речи и текстовых описаний, в частности для анализа эмоций и разговорного стиля, а также поиска соответствия между голосовым фрагментом и текстом. В README сообщается об улучшении относительно первой версии на измеренных бенчмарках, включая EmoNet-Voice, при том же размере и стоимости инференса. Аудиоэнкодер имеет 12 слоёв, размерность 768 и 12 голов внимания, принимает 80-мерные мел-спектрограммы с частотой 16 кГц; текстовый энкодер MiniLM имеет 6 слоёв и размерность 384 с усреднением токенов. Модель поддерживает английский, немецкий, французский, испанский и китайский языки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Показатели бенчмарков из README не гарантируют качество на иных данных и задачах; для практического поиска нужно отдельно организовать вычисление и сравнение эмбеддингов.

Wan2.1-Fun-V1.1-14B-Control — модель генерации видео с управлением, представленная в проекте Wan-Fun и распространяемая Alibaba PAI. Она предназначена для создания видео по текстовому описанию с возможностью задавать визуальные условия: референсное изображение и управляющие данные, например карты Canny, глубины, позы или MLSD, а также траектории. В карточке указаны архитектура семейства i2v и 2,3 млрд параметров; веса хранятся в формате safetensors. Несмотря на название «14B», в метаданных репозитория указано 2,3 млрд параметров. Модель обучалась на видео с разрешением нескольких уровней (512, 768 и 1024), длиной до 81 кадра и частотой 16 кадров в секунду; заявлена поддержка многоязычных запросов. Подходит для управляемой генерации роликов и преобразования визуальных условий в последовательность кадров. Для работы требуются значительные вычислительные и дисковые ресурсы; README описывает режимы выгрузки модели в CPU и float8-квантизации, причем float8 может снизить качество. Лицензия — Apache 2.0.

Карточка модели jacklyu1989/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 Minifutz/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.

Wan-AI/Wan2.1-VACE-1.3B-diffusers — версия семейства Wan2.1 VACE на 1,3 млрд параметров, подготовленная для запуска через Diffusers. Её разработала команда Wan-AI. Это диффузионный трансформер для генерации и редактирования видео; VACE объединяет несколько сценариев создания и изменения видеоматериалов в одной модели. Модель предназначена для image-to-video: она принимает изображение и создаёт на его основе видео. Семейство VACE поддерживает входные данные произвольного разрешения; для оптимального результата рекомендуется придерживаться диапазона размеров, описанного в инструкции запуска. В карточке модели также отмечена поддержка английского и китайского языков. Весовой формат репозитория — safetensors, лицензия — Apache-2.0. README семейства Wan2.1 описывает генерацию видео и изображений, редактирование видео, а также работу с текстом внутри изображений и видео. Эти возможности не следует автоматически считать поддержанными именно данной версией VACE 1.3B: для неё метаданные указывают image-to-video. Для запуска требуются совместимые Diffusers и вычислительные ресурсы; точные требования этой версии в предоставленных данных не приведены.

Wan2.1-VACE-1.3B-GGUF — это прямая конверсия модели Wan2.1-VACE-1.3B в формат GGUF, опубликованная samuelchristlie на основе исходной модели Wan-AI. Модель предназначена для генерации и редактирования видео, включая сценарии text-to-video и image-to-video, а также генерацию визуального текста. Она относится к открытому семейству видеомоделей Wan2.1 и совместима с библиотекой Diffusers. Модель имеет размер 1,3 млрд параметров. В карточке указана поддержка английского языка и категория text-to-video; другие языки и точный размер контекста не раскрыты. Заявлена пригодность для работы на потребительских GPU, однако конкретные требования к памяти, производительность и дополнительные ограничения не приведены. Модель распространяется по лицензии Apache 2.0, унаследованной от исходной модели. Для использования необходимо скачать файлы репозитория и настроить совместимое программное окружение; подробные параметры запуска в карточке не указаны.

Карточка модели fdk6566/wan2.2_14b_i2v_480p_lightning_nsfw_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 MsMagic/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Карточка модели Caronte78/Wan2.2-I2V-A14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B, поэтому описание составлено по ней. Wan2.2-I2V-A14B — модель генерации видео из изображения, разработанная командой Wan-AI. Она принимает исходное изображение и создаёт на его основе видео; модель предназначена для сценариев, где нужно анимировать статичный кадр или задать визуальную основу для видеосцены. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE): специализированные эксперты участвуют в разных этапах процесса денойзинга. Поддерживаются разрешения 480p и 720p. В README отмечены более стабильный синтез видео, уменьшение нереалистичных движений камеры и улучшенная работа со сценами в разных стилях. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache 2.0. Для работы требуется значительная вычислительная мощность; README описывает многокарточный запуск и режимы с выгрузкой модели, но не приводит точный размер этой версии. Модель предназначена для генерации видео из изображений; заявленные возможности текстовой генерации относятся к другим моделям семейства Wan2.2.

Карточка модели Ikjohuo87/Wan2.2-I2V-A14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B, поэтому описание составлено по ней. Wan2.2-I2V-A14B — модель генерации видео из изображения, разработанная командой Wan-AI. Она принимает исходное изображение и создаёт на его основе видео; модель предназначена для сценариев, где нужно анимировать статичный кадр или задать визуальную основу для видеосцены. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE): специализированные эксперты участвуют в разных этапах процесса денойзинга. Поддерживаются разрешения 480p и 720p. В README отмечены более стабильный синтез видео, уменьшение нереалистичных движений камеры и улучшенная работа со сценами в разных стилях. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache 2.0. Для работы требуется значительная вычислительная мощность; README описывает многокарточный запуск и режимы с выгрузкой модели, но не приводит точный размер этой версии. Модель предназначена для генерации видео из изображений; заявленные возможности текстовой генерации относятся к другим моделям семейства Wan2.2.

Карточка модели thantai88/Wan2.2-I2V-A14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B, поэтому описание составлено по ней. Wan2.2-I2V-A14B — модель генерации видео из изображения, разработанная командой Wan-AI. Она принимает исходное изображение и создаёт на его основе видео; модель предназначена для сценариев, где нужно анимировать статичный кадр или задать визуальную основу для видеосцены. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE): специализированные эксперты участвуют в разных этапах процесса денойзинга. Поддерживаются разрешения 480p и 720p. В README отмечены более стабильный синтез видео, уменьшение нереалистичных движений камеры и улучшенная работа со сценами в разных стилях. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache 2.0. Для работы требуется значительная вычислительная мощность; README описывает многокарточный запуск и режимы с выгрузкой модели, но не приводит точный размер этой версии. Модель предназначена для генерации видео из изображений; заявленные возможности текстовой генерации относятся к другим моделям семейства Wan2.2.

magespace/Wan2.2-I2V-A14B-Lightning-Diffusers — версия Wan2.2 Image-to-Video, оптимизированная Lightx2v для быстрой генерации видео из изображения. Она принимает исходное изображение и текстовое описание движения или сцены, а также поддерживает генерацию видео только по тексту. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE); заявлены варианты генерации в разрешении 480p и 720p. Модель предназначена для создания коротких видеороликов с заданной сценой и движением, включая кинематографическую стилизацию. В карточке базовой Wan2.2 указана генерация роликов длительностью около пяти секунд для A14B; отдельные возможности Lightning-варианта могут отличаться. Для запуска используется библиотека Diffusers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. Генерация видео требует значительных вычислительных ресурсов; README базовой модели указывает для одного из режимов T2V потребность как минимум в 80 ГБ видеопамяти, а также описывает способы снизить нагрузку. Это указание не подтверждает точные требования данной сборки Lightning. Длина контекста и поддерживаемые языки в предоставленных данных не описаны.

squirrelae/Wan2.2-TI2V-5B-GGUF — это квантованная версия модели Wan2.2-TI2V-5B, разработанной Wan-AI. Модель предназначена для задач text-to-video и text-and-image-to-video, то есть для генерации видео по текстовому описанию и, судя по идентификатору TI2V, по сочетанию текста и изображения. Формат GGUF ориентирован на использование через совместимые инструменты, включая пользовательский узел ComfyUI-GGUF для ComfyUI. Из README известно, что модель поддерживает английский и китайский языки. Архитектура, точный размер в параметрах, поддерживаемые модальности и длина контекста отдельно не описаны. Квантование может сделать модель удобнее для запуска в средах с ограниченными ресурсами, однако конкретный уровень квантования и его влияние на качество не указаны. Модель распространяется по лицензии Apache-2.0, при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели. Для работы требуется совместимая интеграция, например ComfyUI с узлом ComfyUI-GGUF.

Kiijoku/Wan2.2-TI2V-5B-Turbo-GGUF — это квантизированная версия модели Wan2.2-TI2V-5B-Turbo, преобразованная в формат GGUF на основе чекпойнта quanhaol/Wan2.2-TI2V-5B-Turbo и исходных файлов WanVideo. Модель предназначена прежде всего для генерации видео по изображению (I2V), а также позиционируется как универсальная модель для задач text-to-video и image-to-video. В README указано, что она может работать на видеокартах с 4 ГБ памяти, что делает её подходящей для локального запуска на ограниченном оборудовании. Модель имеет размер 5B параметров и поддерживает совместное использование с большинством LoRA, созданных для обычной версии Wan2.2 TI2V-5B. Для работы требуются отдельные UMT5-XXL encoder и VAE; конкретные языки и максимальная длина контекста не указаны. Рекомендуется использовать четыре шага генерации, CFG 1, совместимые сэмплеры Euler, SA_Solver или Uni_PC и разрешения 1280×704 либо 704×1280, однако эти параметры являются рекомендациями из README, а не строгими ограничениями модели. Лицензия — Apache 2.0.

RPMerge — объединённая Брюсом Те Музом (Bruce the Moose) модель семейства Yi объёмом 33,9 млрд параметров. Она предназначена для генерации текста с длинным контекстом, следования инструкциям и создания историй. В основе архитектура LlamaForCausalLM; модель создана слиянием нескольких моделей Yi 34B методом DARE TIES. Для запросов подходит шаблон Orca-Vicuna: SYSTEM, USER и ASSISTANT. Заявленная длина контекста — 200 000 токенов. Автор ориентирует модель на продолжение романов, ролевые истории и анализ длинного контекста, а также на ответы в стиле инструкционного ассистента. По собственным тестам автора, модель работала с продолжением текста и длинным анализом; тестирование ролевого чата было ограниченным. Для Yi автор рекомендует тщательно подбирать параметры генерации из-за особенностей распределения вероятностей токенов. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных данных не раскрыты.

MoviiGen 1.1 — модель генерации видео по текстовому описанию, разработанная авторами проекта MoviiGen и дообученная на базе Wan2.1. Она предназначена для создания кинематографичных видеороликов и творственного видеопроизводства; авторы особо отмечают передачу атмосферы, движение камеры, детализацию объектов, ясность и реалистичность изображения. В README заявлена генерация с разрешением 720p и 1080p. Модель построена на диффузионном трансформере Wan2.1 T2V-14B и распространяется в формате safetensors для библиотеки Diffusers. Описание модели и метаданные указывают поддержку английского и китайского языков. Лицензия — Apache-2.0. README описывает оценку эстетических характеристик экспертами, но не приводит независимых тестов, параметров длительности ролика или подробных ограничений по качеству и содержанию.