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

Карточка модели amandabenson/acestep-v15-xl-base-fork на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-base, поэтому описание составлено по ней. 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.

AnimateLCM — модель Fu-Yun Wang и соавторов для быстрой генерации видео по текстовому описанию. Она предназначена для создания видео в заданном стиле без необходимости в персонализированных видеоданных и рассчитана на генерацию за четыре шага. Репозиторий содержит веса в формате safetensors и поддерживает работу через Diffusers. Авторы также указывают на варианты для быстрой генерации видео из изображения — AnimateLCM-SVD-xt и AnimateLCM-I2V; они представлены как отдельные модели. В доступной карточке не приведены сведения о размере, длине контекста, поддерживаемых языках и лицензии, поэтому эти характеристики здесь не указаны.

Archaeo-12B-V2 — плотная языковая модель на архитектуре Mistral, созданная Delta-Vector для ролевых диалогов и творческого письма. Это продолжение исходной Archaeo; модель объединяет Rei-V3-KTO-12B и Francois-PE-V2-Huali-12B методом SLERP. В карточке указаны 12,1 млрд параметров и контекст до 131 072 токенов. Модель принимает текст и генерирует текст, поддерживает формат диалога ChatML и доступна в Transformers. Её можно применять для ведения ролевых сцен, написания художественных фрагментов и продолжения диалогов. В метаданных также заявлен интерфейс вызова инструментов, но подробности его использования в карточке не приведены. Веса опубликованы в формате safetensors; README также упоминает варианты GGUF и EXL2. Лицензия в предоставленных данных не указана.

Модель Sunbird — адаптация Whisper large-v3 для распознавания речи на языках, распространённых в Уганде, включая луганда, ачоли, лугбара, атесо, раньяколе, руторо, лумасаба, суахили, лусога, киньяруанда и английский с угандийским акцентом. Она дообучена на датасете SALT, а также на данных Common Voice, Google FLEURS и Makerere Yogera. Модель принимает аудио и выдаёт транскрипцию, автоматически определяя язык или используя язык, заданный явно. Для повышения устойчивости к бытовым условиям при обучении добавляли шум, имитировали телефонную речь понижением частоты до 8 кГц и использовали уличные записи из Уганды. Карточка приводит метрики WER и CER на тестовых выборках; качество заметно различается по языкам, в частности WER выше на майянском и лусога, чем на английском, суахили и киньяруанда. Базовый Whisper не поддерживает перечисленные в карточке языки, поэтому для них используется особый формат задания языка. Модель опубликована под лицензией MIT.

Azure-Starlight-12B — объединённая модель Vortex5 для генерации текста и диалогов. Она создана методом Model Stock из Astral-Noctra-12B, Starlit-Shadow-12B, Famino-12B-Model_Stock и Crimson-Twilight-12B; использует плотную архитектуру Mistral и содержит 12,1 млрд параметров. Модель предназначена для художественного письма: создания историй и длинных структурированных повествований, ролевых диалогов и эмоционально выразительного взаимодействия. Метаданные указывают контекст до 1 024 000 токенов и возможность чат-взаимодействия. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели baichuan-inc/Baichuan-Omni-1d5-Base на Hugging Face совпадает с карточкой baichuan-inc/Baichuan-Omni-1d5, поэтому описание составлено по ней. Baichuan-Omni-1.5 — открытая мультимодальная модель команды Baichuan, представленная в карточке репозитория baichuan-inc/Baichuan-Omni-1d5. Это плотная модель с 7,1 млрд параметров и контекстом 65 536 токенов, предназначенная для диалогов и взаимодействия с текстом, изображениями, видео и аудио. Модель принимает эти четыре типа входных данных и формирует текстовые и аудиовыходы; заявлены потоковая обработка аудио и видео и голосовое общение в реальном времени. Модель рассчитана на понимание изображений и видео, распознавание и понимание речи, генерацию речи, а также мультимодальные диалоги. В README отдельно отмечены двуязычные голосовые сценарии на китайском и английском, управление стилем голоса и понимание медицинских изображений. Заявления о сравнительных результатах приведены разработчиками и здесь не подтверждены независимой проверкой. Репозиторий содержит веса в формате safetensors; метаданные указывают Apache-2.0. Для развёртывания и оценки медицинских выводов необходима отдельная проверка качества в целевом сценарии; README также предостерегает от использования в интернет-сервисах без соответствующих проверок и согласований.

bravend/bartpho-syllable-vi-spellcheck — дообученная VinAI BARTpho-syllable модель для проверки и исправления орфографии во вьетнамском языке. Она использует архитектуру encoder-decoder на базе mBART и общий энкодер с двумя головами: одна генерирует исправленный текст, другая определяет ошибки на уровне токенов. В репозитории указаны 242,3 млн параметров, контекст до 1024 токенов, формат safetensors и библиотека Transformers. Модель предназначена для проверки формального письменного вьетнамского в новостях, документах и отредактированной прозе. Её можно применять для автоматической коррекции предложений и предварительного выявления подозрительных слов; режим детекции работает без генерации и быстрее. Обучение включало синтетические орфографические ошибки и данные VSEC; модель оценивалась на этом бенчмарке. Модель хуже справляется с неформальной речью и интернет-сленгом, редко отмечает имена собственные и может ошибочно помечать допустимые орфографические варианты. Она обучалась на отдельных предложениях, поэтому длинные тексты следует предварительно разделять на предложения; входы длиннее 1024 токенов также нужно делить. Для загрузки требуются классы из репозитория через trust_remote_code=True. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

BEN2-transformersjs — совместимая с Transformers.js копия ONNX-модели BEN2-ONNX, предназначенная для удаления фона на изображениях в браузере. Репозиторий содержит конфигурации и веса ONNX в формате FP16; модель решает задачу сегментации изображений. Модель можно использовать в веб-приложениях для отделения объекта переднего плана от фона. Репозиторий указывает лицензию Apache-2.0. README отсылает к исходной карточке за сведениями о назначении и ограничениях, поэтому дополнительные характеристики качества и использования здесь не заявлены.

ClaudioItaly/Book-Gut12B — объединённая языковая модель, созданная с помощью mergekit методом SLERP из nbeerbower/Stella-mistral-nemo-12B-v2 и nbeerbower/mistral-nemo-gutenberg-12B-v2. Модель основана на плотной архитектуре MistralForCausalLM, содержит 12,1 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. Модель может подойти для написания и продолжения текста, в том числе книжного, а также для общения в формате чата. Она принимает и выдаёт текст; заявленная длина контекста составляет 1 024 000 токенов. Модель распространяется в формате safetensors по лицензии MIT.

Это визуальная часть модели CLIP на базе архитектуры ConvNeXt Large с MLP-головой, предоставленная библиотекой timm. Веса обучены на данных LAION-2B и дополнительно настроены; обозначение soup указывает на объединение нескольких чекпойнтов. Репозиторий содержит только image encoder, поэтому модель принимает изображения и извлекает их признаки, а не формирует текстовые ответы. Модель предназначена для получения векторных представлений изображений, которые можно использовать для поиска по изображениям, сравнения визуального сходства и построения других систем анализа изображений. В метаданных указаны форматы PyTorch и safetensors, лицензия Apache-2.0. Размер модели, поддерживаемые языки и ограничения качества в предоставленных сведениях не описаны.

CvT-13-384-22k — свёрточный Vision Transformer (CvT), впервые опубликованный авторами Wu et al. в работе «CvT: Introducing Convolutions to Vision Transformers». Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k для классификации изображений с разрешением 384×384 пикселя. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Её можно применять для классификации фотографий и как визуальный компонент прикладных систем, которым нужны метки классов. Репозиторий содержит веса PyTorch и TensorFlow; лицензия — Apache-2.0.

Eagle2-1B — компактная мультимодальная модель Vision-Language от NVIDIA для сценариев, где важны быстрый вывод и умеренные вычислительные ресурсы. Она построена на архитектуре Eagle 2.5 VL и объединяет языковую основу Qwen2.5-0.5B-Instruct с компонентами PaliGemma и SigLIP; модель распространяется в формате safetensors и рассчитана на контекст до 16 тысяч токенов. Модель принимает текст, изображения и видео и формирует текстовые ответы. Она подходит для диалога по изображениям и видео, ответов на вопросы по документам, графикам и визуальным данным. В README приведены результаты на DocVQA, ChartQA и InfoVQA; они показывают применимость к анализу документов и диаграмм, но сами по себе не гарантируют качество в конкретном сценарии. Карточка указывает поддержку нескольких языков, не перечисляя их по отдельности. Модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Как и другие VLM, она может ошибаться при распознавании визуальных деталей и интерпретации материалов; перед применением в значимых процессах ответы следует проверять.

EasyAnimateV5.1-12b-zh-InP — видеогенеративная модель Alibaba PAI из семейства EasyAnimate, построенная на архитектуре Transformer и предназначенная для создания видео по изображению. Версия 12B поддерживает генерацию видео разных разрешений: в карточке семейство описано как обученное на 49 кадрах при 8 кадрах в секунду, примерно для шестисекундных роликов; для этого чекпойнта заявлен режим image-to-video и использование начального и конечного изображений вместе с текстовым запросом. Модель рассчитана на многоязычные запросы и сценарии преобразования изображения в видео. Веса доступны в формате Diffusers и Safetensors; лицензия — Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: README приводит варианты экономии видеопамяти за счёт переноса частей модели на CPU, а режим с float8-квантизацией может снизить качество. Фактическая производительность зависит от разрешения, числа кадров и доступной видеопамяти.

EVA-Qwen2.5-72B-v0.2 — плотная языковая модель для ролевого общения и написания историй, созданная Kearm, Auri и Cahvay. Это полнопараметрическое дообучение Qwen/Qwen2.5-72B на смеси синтетических и естественных данных, включая наборы для письма, ролевых персонажей и диалогов. Модель использует архитектуру Qwen2ForCausalLM, содержит 71,5 млрд параметров и поддерживает контекст длиной до 131 072 токенов. Версия 0.2 получила обновлённые параметры обучения и увеличенную длину последовательности; разработчики отмечают улучшенное следование инструкциям на длинном контексте и меньшую повторяемость. Модель предназначена для генерации текста в формате ChatML, в частности для творческого письма и ролевых диалогов. В README указана лицензия «other», без уточнения её условий; перед использованием следует проверить лицензионные сведения репозитория. Разработчики сообщают, что квантизации LLM-Compressor могут заметно ухудшать качество, тогда как GGUF и GPTQ, по их наблюдениям, этой проблемой не затронуты.

fastvit_mci2.apple_mclip2_dfndr2b — модель семейства MobileCLIP v2, подготовленная для библиотеки timm. Это только визуальный энкодер, соответствующий изображённой части MobileCLIP v2; модель обучена на наборе данных DFNDR-2B. Модель предназначена для извлечения признаковых представлений изображений, например для поиска похожих изображений и построения систем сопоставления визуальных данных. Доступная карточка не описывает текстовый энкодер, размеры модели или контекст. Распространяется по лицензии apple-amlr.

FastWan-QAD-FP8-1.3B — модель генерации видео по текстовому описанию из серии FastWan-QAD, разработанная FastVideo. Она основана на Wan-AI/Wan2.1-T2V-1.3B-Diffusers и предназначена для быстрого локального создания коротких видеороликов. Модель использует дистилляцию с учётом квантования (QAD) для вывода за три шага и FP8-квантованные линейные слои. Модель обучена генерировать видео в разрешении 832×480: 81 кадр, около пяти секунд при 16 кадрах в секунду. Для вычислений внимания используется SageAttention2++, а для декодирования — компактный автоэнкодер TAEHV. По данным карточки, на RTX 4090 генерация такого ролика занимает примерно 3,4 секунды; заявлена совместимость с GPU поколений Ampere, Ada и Hopper. Для работы требуется поддерживаемая GPU и соответствующая среда инференса. Лицензия — Apache-2.0.

FIBO-Edit 1.5 Turbo — модель редактирования изображений от Bria AI, созданная на основе FIBO-Edit 1.5 Base. Она принимает исходное изображение, текстовую инструкцию в структурированном JSON формате VGL и до четырёх референсных изображений, а затем создаёт отредактированное изображение. Поддерживаются редактирование по маске, перенос стиля и внешнего вида, виртуальная примерка, интеграция товаров и композиция по нескольким референсам. Модель использует Diffusers pipeline BriaFiboEditPipeline и архитектуру с трансформером на 8 млрд параметров; в составе также указаны VAE Wan 2.2 и текстовый энкодер SmolLM3. Это дистиллированная версия: для вывода требуется 4 шага диффузии вместо 30 у базовой версии. Карточка заявляет поддержку английского языка для карточки модели, но не перечисляет языки инструкций отдельно. Модель разработана для управляемого редактирования изображений в интерактивных и коммерческих конвейерах. Веса доступны для некоммерческого использования по отдельной лицензии; коммерческое использование предлагается через отдельные условия Bria AI. README заявляет обучение на лицензированных данных и высокое качество следования инструкциям, однако эти утверждения не заменяют независимую оценку для конкретного сценария.

flammen22-mistral-7B — языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная FlammenAI. Модель создана на основе дообучения flammenai/flammen21X-mistral-7B с применением Direct Preference Optimization на наборе данных Doctor-Shotgun/theory-of-mind-dpo; в README также описано слияние предварительно обученных моделей. Она предназначена для генерации текста, ролевых диалогов от лица персонажей, творческого письма и задач общего назначения. Модель принимает текст и генерирует текст, использует библиотеку Transformers и формат весов Safetensors. Заявленная длина контекста — 32 768 токенов. Лицензия — Apache-2.0. README характеризует модель как специализированную на ролевой игре и творческом письме, но не приводит результатов оценивания или подробностей о качестве.

DavidAU/Gemma3-27B-it-vl-Polaris-HI16-Heretic-Uncensored-INSTRUCT — мультимодальная инструктивная модель на архитектуре Gemma 3, дообученная автором DavidAU с помощью Unsloth на наборе Polaris Alpha для улучшения общих способностей и генерации текста. Она принимает текст и изображения и предназначена для диалогов, анализа изображений, творческого письма, продолжения сцен и историй, ролевых игр и других инструктивных задач. В карточке заявлены контекст до 128k токенов и сохранённая обработка изображений; модель распространяется в формате Safetensors и имеет теги языков en, fr, de, es, it, pt, ru, zh и ja. Автор описывает модель как uncensored и приводит результаты бенчмарков ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и WinoGrande, но эти заявления представлены без подробностей методики проверки. Модель создана на основе coder3101/gemma-3-27b-it-heretic и дообучена на TeichAI/polaris-alpha-1000x. Условия лицензии в предоставленных сведениях не приведены.

G3 Glitter 12B — модель для творческого письма и диалоговых сценариев, созданная на основе Gemma 3 12B IT. Разработчик объединил её с равными весами из двух дообученных моделей: одной для ролевого общения и другой для длинных художественных текстов. Модель использует архитектуру Gemma 3 с 12 млрд параметров и поддерживает понимание изображений; для диалога применяет формат инструкций Gemma 2/3 с необязательным системным сообщением. Модель подходит для написания художественных текстов, продолжения историй и ролевых диалогов, а также может принимать изображения вместе с текстовыми инструкциями. В README описано обучение на примерах ролевого общения и длинной прозы, включая человеческие и синтетические данные. Сведения о лицензии в предоставленных материалах отсутствуют.

Gryphe разработал Gemma-4-26B-A4B-StyleTune-V2 на основе Gemma 4 26B A4B IT от Google. Это текстовая instruct-модель для диалогов, ролевых сценариев и творческого письма с изменённым стилем генерации. Модель обучена на повествовательных данных за одну эпоху: изменён только один тензор — выходной слой lm_head, остальные веса базовой модели заморожены. По результатам сравнения на 200 ролевых запросах автор сообщает о снижении числа клише на 52%; это авторская оценка для указанного набора, а не гарантия результата на других задачах. Сохранены возможности базовой модели, включая следование инструкциям и рассуждения. Основа Gemma 4 поддерживает анализ изображений, однако эта версия предназначена прежде всего для генерации текста. Модель распространяется в формате safetensors под лицензией Apache-2.0. README рекомендует использовать встроенный шаблон чата Gemma 4; конкретная длина контекста и список поддерживаемых языков этой версии не приведены.

GeoLM — языковая модель на основе BERT для геопространственного понимания, разработанная авторами GeoLM. Она предварительно обучена на данных OpenStreetMap, WikiData и Wikipedia, а затем дообучена на GeoWebNews для распознавания топонимов в предложениях. Модель принимает английский текст и выделяет в нём названия мест; она предназначена, например, для извлечения географических упоминаний из новостных текстов. Размер модели — 135,5 млн параметров, контекст — до 512 токенов. Карточка не приводит метрик качества и описывает ограничения, связанные с возможными стереотипными или вредными смещениями языковых моделей. Лицензия CC BY-NC 2.0 допускает использование с указанием авторства, но ограничивает коммерческое применение.

por62/GigaAM-v3-e2e-rnnt-vllm — версия GigaAM-v3, подготовленная для запуска в контейнере vLLM. Это модель распознавания речи на основе Conformer с декодером RNN-T и сквозной обработкой аудио: она преобразует русскую речь в нормализованный текст с пунктуацией. В README указано, что семейство GigaAM-v3 разработано на основе предварительного обучения на русской речи с целью HuBERT-CTC; эта версия соответствует варианту e2e_rnnt. Метаданные репозитория указывают 151,2 млн параметров и формат safetensors. Модель предназначена для транскрибации русской речи в разных акустических условиях, включая разговоры в колл-центрах, фоновую музыку и естественную речь. README сообщает об улучшении среднего качества на новых доменах и приводит результаты сравнений, однако численные показатели могут зависеть от тестового набора и условий оценки. Метаданные также отмечают английский язык, но README описывает обучение и основные сценарии для русской речи. Лицензия — MIT.

Karen TheEditor V2 CREATIVE — языковая модель для редактирования художественных и нехудожественных текстов. Она исправляет орфографию и грамматику в американском английском, стараясь сохранять авторский стиль; в творческом режиме может также предлагать небольшие контекстные улучшения и перефразирование. Модель основана на архитектуре Mistral, содержит 7,1 млрд параметров, принимает текст и предназначена для обработки абзаца или блока текста за раз. Указанный контекст — 32 768 токенов. Модель обучена на американских текстах художественной и нехудожественной прозы с искусственно внесёнными ошибками. Она ориентирована в том числе на распространённые ошибки изучающих английский язык, например неверное употребление времён, артиклей, предлогов и согласования. Для работы рекомендуется перед исходным текстом добавить инструкцию с просьбой исправить орфографию и грамматику. Доступна лицензия Llama 2; README отмечает, что при длинных сообщениях в обычной беседе модель может принять их за запрос на корректуру.

Модель toiar/khasi-asr-transcribe-diarize — дообученная на Khasi версия аудиомодели MOSS-Transcribe-Diarize от OpenMOSS-Team. Она предназначена для транскрибирования речи на Khasi, английском и хинди, включая режимы с временными метками и диаризацией говорящих, а также вывод только с метками говорящих. Базовая модель имеет размер 0,9 млрд параметров и поддерживает длинные аудиозаписи с временными метками, диаризацией и аннотациями акустических событий. Модель принимает аудио и преобразует его в текстовые транскрипты с разметкой говорящих. Она распространяется в формате safetensors по лицензии Apache-2.0. В проверках отмечались ошибки записи чисел в Khasi; при транскрибировании коротких высказываний на хинди возможен переход с деванагари на латиницу.

Koto-Small-7B-IT — instruct-настроенная языковая модель Aurore-Reveil, дообученная на базе allura-org/Koto-Small-7B-PT. Базовая модель Koto-Small-7B-PT обучалась на MiMo-7B-Base на корпусе творческих текстов; карточка позиционирует эту версию для ролевых диалогов и выполнения инструкций. Модель имеет плотную архитектуру Qwen2ForCausalLM с 7 млрд параметров, принимает текст и выдаёт текст. Она рассчитана на диалоговый формат ChatML и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык. Весовые файлы представлены в формате safetensors. Модель подходит для ролевых сцен, творческого письма и диалоговых сценариев с инструкциями. Результат генерации зависит от настроек семплирования; авторы рекомендуют температуру 1,25 и min_p 0,05. Лицензия — MIT.

L3.3-MS-Evayale-70B — слитая SteelSkull модель на архитектуре Llama 3.3 с 69,5 млрд параметров. Автор объединил EVA-LLaMA-3.33-70B-v0.0 и L3.3-70B-Euryale-v2.3 методом Model Stock, используя Llama-3.3-70B-Instruct как базовую инструктивную модель. Модель предназначена для диалоговой генерации текста и художественного письма: цель слияния — совместить выразительное повествование EVA с детализированной прозой и описаниями сцен Euryale. Модель работает с текстом, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors; в карточке также указаны чат и интерфейс вызова инструментов. Автор упоминает сторонние GGUF-квантизации. Лицензия в предоставленных данных не указана.

L3.3-MS-Nevoria-70B — созданная SteelSkull объединённая модель на архитектуре Llama 3.3 с 69,5 млрд параметров. Она объединяет компоненты EVA-LLaMA-3.33-70B-v0.1, L3.3-70B-Euryale-v2.3, Negative_LLAMA_70B, Anubis-70B-v1 и Llama-3.1-Nemotron-lorablated-70B; автор описывает её как Model Stock с намеренно необычным смешиванием весов. Модель предназначена для генерации текста в диалогах, творческого письма, создания подробных сцен и ролевых сценариев. В карточке отмечены выразительная проза, следование инструкциям и способность сохранять контекст сложных сцен; указанное в метаданных контекстное окно составляет 131 072 токена. Есть интерфейс для вызова инструментов. Это объединение готовых моделей, доступное в формате safetensors для библиотеки Transformers. README сообщает о лицензии «other», но не уточняет её условия. Отзывы и тесты в карточке не гарантируют такого же качества для всех сценариев; модель может воспроизводить предвзятость и ошибки исходных компонентов.

Llama-3.2-3B-All-Mix — объединённая модель семейства Llama, созданная bunnycore с помощью mergekit и метода TIES на основе huihui-ai/Llama-3.2-3B-Instruct-abliterated, с включением bunnycore/Llama-3.2-3B-Pure-RP и Lyte/Llama-3.2-3B-Overthinker. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, ролевых сценариев, рассуждений с развёрнутыми ответами, ответов на вопросы и суммаризации. Карточка заявляет сбалансированную работу в разных задачах и областях, но не приводит количественных оценок качества. Модель принимает текстовые запросы и генерирует текст; интерфейс поддерживает чат и вызов инструментов. Файлы модели опубликованы в формате safetensors для Transformers. Язык и лицензия в предоставленных данных не указаны, поэтому их нельзя надёжно определить.

Карточка модели Ademola265/LTX-2 на Hugging Face совпадает с карточкой Aga16/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.