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

DavidAU разработал эту модель как дообученную версию Gemma 3 4B Instruct с набором данных Four Horsemen reasoning. Это плотная мультимодальная модель класса Gemma 3, предназначенная для диалогов, рассуждений, творческого письма и анализа изображений. Автор заявляет контекст до 128 тысяч токенов и возможность включить подробный режим рассуждений фразой «think deeply:»; шаблон чата и системный промпт для этого не обязательны, но могут влиять на результат. Модель рассчитана на генерацию и продолжение историй, ролевые диалоги и ответы на запросы об изображениях. В карточке заявлено снижение числа отказов и возможность создавать откровенный контент, однако для желаемого уровня эксплицитности иногда требуется дополнительное указание. Репозиторий содержит веса Safetensors и использует лицензию Apache 2.0. Показатели бенчмарков приведены автором, но независимая проверка этих заявлений в доступных данных не описана.

Gemma4-Gutenberg-31B-Heretic — мультимодальная модель семейства Gemma 4, созданная автором nbeerbower на основе coder3101/gemma-4-31B-it-heretic. Модель дообучена методом ORPO с LoRA-адаптером, который затем объединён с базовыми весами; обучение на предпочтениях направлено на создание художественной прозы в литературной манере. Модель предназначена для написания рассказов и романов, развития сцен и передачи внутреннего мира персонажей. Текстовый декодер настроен на связное повествование, сдержанный темп и меньше шаблонных формулировок. По карточке, визуальная и аудиочасти базовой мультимодальной модели сохранены, однако описание дообучения сосредоточено на прозе. Лицензия — Apache-2.0. Вариант Heretic унаследовал от базы abliterated-настройку и реже отказывается от мрачных или зрелых творческих запросов. Качество и уместность результатов могут различаться; модель всё ещё требует проверки человеком, особенно при работе с чувствительными темами.

GigaMag-Behemoth-123b — экспериментальная объединённая языковая модель, созданная автором bruhzair с помощью mergekit. Автор разрабатывал её для написания историй как вариант, похожий на Monstral v2; в слияние вошли Gigaberg-Behemoth-SLERP-0.2 и Behemoth-Magnum-v4-SLERP. По метаданным это плотная MistralForCausalLM с 122,2 млрд параметров и контекстом до 131 072 токенов, распространяемая в формате safetensors. Модель предназначена для генерации текста и диалогов, в частности для творческого письма и продолжения историй. README указывает, что модель экспериментальная и мало тестировалась, поэтому качество и стабильность результатов не установлены. Лицензия в предоставленных данных не указана.

Gooner_3B — объединённая причинно-языковая модель семейства StableLM Epoch, созданная jeiku с помощью mergekit. Она предназначена для генерации текста и диалогов, включая ролевые сценарии; в состав объединения входят Smort_3B, Bluemoon_cleaned_StableLM, Humiliation_StableLM, Theory_of_Mind_RP_128_StableLM и Erotica_StableLM. Модель содержит 2,7 млрд параметров, использует плотную архитектуру и принимает текст, выдавая текст. Контекстное окно составляет 4096 токенов; веса доступны в формате safetensors. Модель объединяет несколько предварительно обученных языковых моделей линейным методом с равными весами. В README также указана точность float16. Поддерживаемые языки и условия лицензии в предоставленных данных не приведены, поэтому их нельзя надёжно определить.

Tereveni-AI/gpt2-124M-uk-fiction — языковая модель семейства GPT-2 для генерации текста на украинском языке. По тегам и архитектуре это плотная авторегрессионная модель для продолжения текста; README указывает на использование GPT2LMHeadModel вместе с AlbertTokenizer и предупреждает, что стандартный пример кода не работает с этой конфигурацией. Модель подходит для создания и продолжения художественных фрагментов на украинском языке. Её контекстное окно составляет 1024 токена. Доступны веса в форматах PyTorch и Flax. В метаданных не указаны сведения о размере параметров и лицензии, поэтому их нельзя уточнить по имеющимся данным.

HoloViolet-7B-test5 — объединённая модель на архитектуре Mistral, созданная автором карточки с помощью LazyMergekit из GreenNode/GreenNode-mini-7B-multilingual-v1olet и KoboldAI/Mistral-7B-Holodeck-1. Она предназначена для генерации художественного текста, продолжения историй и ролевого письма: модель учитывает ситуацию и контекст, развивает их творчески и может предлагать неожиданные продолжения. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов; файлы опубликованы в формате safetensors. Автор отмечает выразительный стиль и способность развивать заданную сцену, но модель иногда прямо проговаривает намерения персонажей. Автор также считает её уступающей более новой twizzler. В карточке нет сведений о лицензии, поэтому условия использования по доступным данным описать нельзя.

HunyuanVideo-PromptRewrite — модель Tencent для переписывания текстовых запросов к генератору видео HunyuanVideo. Она дообучена на базе Hunyuan-Large и предназначена для адаптации пользовательских описаний к формату, который лучше понимает видеогенератор. Модель содержит 29,1 млрд параметров, использует архитектуру HunYuanForCausalLM семейства Hunyuan с Mixture of Experts и поддерживает диалоговый режим. Для неё указаны формат PyTorch и контекст до 131 072 токенов. Доступны два режима переписывания. Normal помогает точнее передать исходное намерение пользователя, а Master дополнительно развивает описание композиции, освещения и движения камеры, чтобы улучшить визуальное качество видео. В режиме Master возможна потеря некоторых смысловых деталей. Модель принимает и выдаёт текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

ChaoticNeutrals/Infinitely-Laydiculous-9B — языковая модель Mistral, созданная слиянием Endevor/InfinityRP-v1-7B и l3utterfly/mistral-7b-v0.1-layla-v4 методом passthrough. Модель содержит 8,9 млрд параметров, использует архитектуру MistralForCausalLM и формат SafeTensors; нативное окно контекста составляет 32 768 токенов. Модель предназначена для генерации текста и ролевых диалогов. Англоязычная базовая модель Layla настроена на ролевое общение с ожиданием ответа пользователя и передачей мыслей персонажа; это описание базовой модели, а не подтверждённая отдельная характеристика результата слияния. Лицензия в доступных сведениях не приведена.

JP-EN-Translator-1K-steps-7B-merged — экспериментальная модель mpasila для перевода с японского на английский с учётом дополнительного контекста. Она дообучена на базе augmxnt/shisa-base-7b-v1 на модифицированной версии параллельного набора ParallelFiction-Ja_En-100k; карточка указывает формат запросов Alpaca. В основе — плотная авторегрессионная архитектура MistralForCausalLM с 7,5 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст; метаданные указывают английский язык, а предназначение и обучающие данные — перевод между японским и английским. Лицензия — Apache-2.0. Автор предупреждает, что качество может быть невысоким; модель экспериментальная.

L3.1-nemotron-sunfall-v0.7.0-GGUF — это квантованная версия текстовой генеративной модели L3.1-nemotron-sunfall-v0.7.0, разработанной crestf411 и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста, включая диалоговые сценарии, ролевое взаимодействие, следование инструкциям и художественное письмо. При обучении использовались наборы данных для roleplay, инструкций и литературной генерации, включая LimaRP-DS, Sonnet3.5-Charcard-Roleplay и другие указанные в карточке источники. Модель работает с llama.cpp и поддерживает несколько вариантов квантования от Q8_0 до Q2_K и форматов IQ. Более крупные варианты обеспечивают более высокое качество, а компактные требуют меньше оперативной памяти, но могут заметно уступать по качеству. Рекомендуемыми в карточке названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Размер файлов варьируется примерно от 21,14 до 74,98 ГБ. Архитектура, число параметров, максимальный контекст, перечень языков и поддержка модальностей, отличных от текста, в README не указаны. Модель ориентирована на локальный запуск, в частности через LM Studio, с использованием специального шаблона prompt format на основе токенов Llama 3. Сильными сторонами являются широкий выбор уровней квантования и специализация на ролевом взаимодействии и генерации художественного текста. Ограничения связаны с большими требованиями к памяти даже у компактных вариантов, потерей качества при агрессивном квантовании и отсутствием в карточке подробных сведений о производительности и языковых возможностях. Распространение указано по лицензии Llama 3.

L3-Dark-Planet-8B-GGUF — языковая модель семейства Llama 3, разработанная DavidAU и распространяемая в формате GGUF. Модель предназначена для генерации текста, прежде всего художественной прозы, сюжетов и подсюжетов, продолжения сцен, сторителлинга и ролевых сценариев. Заявлена поддержка английского языка; README также упоминает фантастику, романтику, хоррор и другие жанры. Модель имеет размер 8B параметров и рассчитана на работу с шаблонами Llama 3 и/или Command-R. Базовый контекст составляет 8192 токена, с возможностью расширения до 32k и более с использованием RoPE, однако при увеличении контекста могут возникать связанные с RoPE проблемы. Доступны различные варианты квантования, включая улучшенные и оптимизированные для CPU версии. Среди сильных сторон заявлены низкая perplexity, высокая стабильность, улучшенная детализация и выразительность прозы по сравнению с Llama 3 Instruct, а также широкий диапазон рабочих температур. Модель обычно генерирует короткие ответы, если длина явно не задана, и может демонстрировать негативную тональность; при высокой температуре возможно ухудшение следования инструкциям. Модель распространяется по лицензии Apache-2.0. README не содержит сведений о мультимодальности, поэтому модель следует считать текстовой.

DavidAU LFM2.5-1.2B-Thinking-SuperMinds-7x-Heretic-Uncensored-DISTILL — дообученная диалоговая языковая модель семейства LFM2.5, созданная на основе MuXodious/LFM2.5-1.2B-Thinking-absolute-heresy. По карточке, модель дополнительно обучена на семи специализированных наборах данных с примерами рассуждений; автор сообщает, что процесс рассуждения был заменён. Модель предназначена для генерации текста, диалогов, творческого письма и продолжения историй, включая сценарии, где требуется откровенное содержание. Модель имеет плотную архитектуру Lfm2ForCausalLM, около 1,5 млрд параметров и контекст до 128 000 токенов. В метаданных указан английский язык. Автор отмечает компактные, но подробные рассуждения и отсутствие отказов из-за цензурных ограничений; чтобы получить явно взрослый или грубый стиль, запрос может требовать более точных указаний. Для некоторых настроек и низкой точности квантования возможно зацикливание генерации. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия — Apache-2.0.

DavidAU/Llama-3.1-128k-Dark-Planet-Uncensored-8B-GGUF — текстовая generative-модель, разработанная DavidAU на базе Llama 3.1. Модель создана с использованием слияния компонентов Sao10K/L3-8B-Stheno-v3.2, NeverSleep/Llama-3-Lumimaid-8B-v0.1-OAS и Hastagaras/Jamet-8B-L3-MK.V-Blackroot. Распространяется в формате GGUF и рассчитана преимущественно на англоязычную генерацию текста. Модель предназначена для художественного письма, создания и продолжения сюжетов, сцен и подсюжетов, прозы, научной фантастики, ужасов, романтики, ролевых сценариев и других творческих задач. Это instruct-модель с заявленным контекстом до 128 000 токенов; автор рекомендует использовать окно не менее 8 000, предпочтительно 16 000 токенов. Требуется шаблон Llama 3, также может использоваться шаблон Command-R, который заметно меняет характер вывода. К заявленным сильным сторонам относятся повышенная детализация прозы, генерация диалогов и разнообразных повествовательных форм, стабильная работа при разных значениях температуры и низкая perplexity по сравнению с исходной Llama 3 Instruct. Модель описывается как uncensored и ориентированная на более свободную творческую генерацию. При этом качество зависит от точности инструкций, шаблона, параметров сэмплирования и выбранной квантизации; автор отмечает негативный уклон, переменную длину ответов и возможные проблемы при расширении контекста с помощью RoPE. Для ролевых сценариев слишком высокая температура может ухудшать следование инструкциям. Лицензия модели — Apache-2.0.

namissss/Llama-3.2-1B-Creative-Lora — текстовая модель для генерации текста, созданная слиянием моделей через mergekit. В README указан метод passthrough и исходные модели unsloth/Llama-3.2-1B и bunnycore/Llama-3.2-1B-Creative-Lora; архитектура — плотная LlamaForCausalLM с 1,2 млрд параметров, веса представлены в safetensors. Модель работает с текстом, а её контекст составляет до 131 072 токенов. Модель предназначена для генерации текста с творческой направленностью. Её можно использовать для продолжения прозы и создания черновиков текстов. Данных о поддерживаемых языках и специализированных прикладных областях в предоставленных материалах нет. Лицензия в метаданных и README не указана.

Карточка модели tsudhahar/LlamaFictionFin-0.2-8B на Hugging Face совпадает с карточкой tsudhahar/LlamaCarbon-0.2-8B, поэтому описание составлено по ней. LlamaCarbon-0.2-8B — языковая модель, дообученная разработчиком tsudhahar на базе unsloth/meta-llama-3.1-8b-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 7,5 млрд параметров и рассчитанная на генерацию текста; заявленный размер контекста — 131 072 токена. В метаданных указан английский язык и формат safetensors. Модель подходит для генерации продолжений текста и других сценариев, основанных на текстовом вводе и выводе. README не описывает специализированную область применения или результаты оценки качества. Модель распространяется по лицензии Apache-2.0.

LTX2.3 Audio Reactive LoRA — адаптер LoRA для базовой модели Lightricks/LTX-2.3, разработанный для генерации видео, визуально реагирующего на музыку и звуковую дорожку. Модель предназначена прежде всего для сценариев audio-to-video и image-plus-audio-to-video, включая музыкальные клипы, визуализаторы и синхронизированную с битом анимацию; также может использоваться в рабочих процессах image-to-video и text-to-video через совместимую инфраструктуру Diffusers и endpoint fal.ai. Адаптер усиливает реакцию видео на удары, бас, снейры, хай-хэты и изменения синтезатора. Он ориентирован на движение геометрических форм, частиц, световых импульсов, камеры, дыма, жидкого света и деформацию материалов в такт музыке. В README указаны рекомендации использовать первый кадр со структурированными объектами, геометрией и визуализаторными элементами, масштаб LoRA 1.0–1.5, частоту 24 кадра в секунду, сегменты длительностью 5–15 секунд и разрешение 1024×1024 для квадратных роликов. Конкретные сведения о размере адаптера, архитектуре базовой модели, поддерживаемых языках и максимальной длине контекста не приведены. Сильная сторона модели — выраженная аудиореактивная динамика, включая более заметные удары в ритм, пульсацию света, мерцание частиц и движение дыма или жидких эффектов. Ограничение заключается в том, что результат особенно зависит от подходящего исходного изображения и точного текстового описания желаемой синхронизации; общие характеристики качества и ограничения базовой LTX-2.3 в README не раскрыты. Использование регулируется LTX-2 Community License Agreement, унаследованным от базовой модели; лицензия указана как other.

LTX Video-2.5 Uncensored Turbo v1.1 — производная версия видеомодели LTX-2.5, опубликованная ChrisColeTech. Веса объединяют несколько LoRA: Eros10 для генерации откровенного контента, DMD для ускорения и следования инструкциям, а также адаптеры для сохранения деталей, работы с референсами и генерации видео из изображений. В комплект входят текстовый энкодер Gemma 4 12B с проекциями LTX и аудиокомпоненты; модель распространяется в форматах GGUF и FP8, а также в safetensors. Модель предназначена для генерации видео по текстовым описаниям и изображениям, а также для управления видео с помощью референсов и аудио. В README указана генерация текстового видео за 4 шага, рекомендуются 8 шагов для лучшего качества; для image-to-video рекомендуется 8–12 шагов. Заявлены разрешение до 1280×720 и частота 24 кадра/с. Для запуска автор указывает ComfyUI и обновлённый comfyui-gguf-loader. Модель специально настроена на откровенный контент, но также поддерживает обычную генерацию видео. Заявления о качестве, скорости и следовании инструкциям принадлежат автору карточки. Лицензия в метаданных указана как unknown.

frtertaer/LTX-2.5-uncensored-v1.1-FP8 — квантованная сборка модели LTX Video-2.5, опубликованная пользователем frtertaer и основанная на Lightricks/LTX-2.5 с компонентами TenStrip. Это модель генерации видео с поддержкой text-to-video, image-to-video, video-to-video, audio-to-video и сценариев с референсными изображениями. Веса содержат объединённые настройки нескольких LoRA-адаптеров, включая Eros10 NSFW, DMD Distilled, официальный LTX Video IC-LoRA, IC-LoRA Detailer и Img2Vid LoRA; заявлена возможность генерации контента без ограничений для всех аудиторий. Модель использует GGUF и FP8-квантизацию, а текстовый энкодер Gemma4 12B встроен в сборку и дополнительно не требуется. Поддерживаются режимы FL2VA, T2VA, I2VA, REF2VA и audio-to-video. Рекомендуются разрешение до 1280×720, частота 24 кадра в секунду, 124 кадра и 8 шагов; заявленный диапазон составляет от 4 до 16 шагов, а максимальная длина — до 960 кадров. README не указывает поддерживаемые языки. К сильным сторонам относятся ускоренная генерация, улучшенное следование инструкциям, сохранение лиц, согласованность движения и повышенное соответствие референсным изображениям. Ограничения включают зависимость от совместимого ПО, в частности ComfyUI с custom node comfyui-gguf-loader, а также неизвестную лицензию: условия использования в README не указаны.

LTX-Video-0.9.6-dev-gguf — это прямое преобразование в формат GGUF модели LTX-Video, разработанной Lightricks. Квантизацию выполнил пользователь city96. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео; указана поддержка английского языка. Репозиторий ориентирован на запуск в ComfyUI с пользовательским узлом ComfyUI-GGUF. Для работы требуются основной файл модели, текстовый энкодер T5-V1.1-XXL-Encoder и VAE LTX-Video-0.9.6. В README также приведён пример рабочего процесса и демонстрационный результат, однако их недостаточно для точной оценки качества. Архитектура, число параметров, размер контекста и поддерживаемые разрешения не указаны. Это квантизированная версия, а не дообученная модель, поэтому ограничения и исходные условия лицензии LTX-Video сохраняются. В метаданных указана лицензия other и ссылка на файл LICENSE.md; подробные условия лицензии в README не приведены.

Lumimaid-v0.2-12B — разговорная языковая модель на 12,1 млрд параметров, разработанная NeverSleep при участии Undi и IkariDev. Она основана на Mistral-Nemo-Instruct-2407 и дообучена на смешанных наборах инструкций, диалогов и материалов для ролевого общения; авторы отмечают, что в версии 0.2 значительно переработали и очистили обучающие данные. Модель принимает текст и генерирует текст в формате диалога Mistral. Модель предназначена для чат-общения, написания текстов и ролевых сценариев, включая контент для взрослых. В метаданных заявлено контекстное окно до 1 024 000 токенов; авторы рекомендуют экспериментировать с низкой температурой генерации. Модель выпущена по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

AnnaZhang/lwdetr_small_30e_objects365 — модель обнаружения объектов на изображениях семейства LW-DETR, основанная на архитектуре LW-DETR, представленной Chen и соавторами. Она предназначена для быстрого поиска и локализации объектов. Вариант small обучен 30 эпох на Objects365; карточка также описывает обучение моделей LW-DETR с последующей настройкой на COCO 2017, но не уточняет, применялся ли этот этап именно к данному чекпойнту. Модель использует Vision Transformer с чередованием оконного и глобального внимания, свёрточный проектор и неглубокий трёхслойный декодер DETR с deformable cross-attention. Такой дизайн нацелен на компромисс скорости и точности. Для применения модель принимает изображение и выдаёт классы объектов и их ограничивающие рамки. Лицензия — Apache-2.0.

stevenbucaille выпустил LW-DETR Tiny — компактную модель обнаружения объектов, основанную на Light-Weight Detection Transformer. Модель представлена в статье «LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection» и доступна в библиотеке Transformers; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель принимает изображения и определяет на них объекты, выдавая классы и рамки. Архитектура использует ViT-энкодер с чередованием оконного и глобального внимания, сверточный проектор и неглубокий трехслойный DETR-декодер с деформируемым cross-attention. Такая конструкция рассчитана на баланс скорости и точности для обнаружения объектов в реальном времени. Модель обучалась с предварительным обучением на Objects365 и финальной настройкой на COCO 2017. Карточка описывает общую архитектуру LW-DETR, но не приводит отдельные показатели качества или скорости именно для варианта Tiny.

AnnaZhang/lwdetr_xlarge_60e_coco — модель обнаружения объектов LW-DETR, основанная на архитектуре Light-Weight Detection Transformer и опубликованная в Transformers. Она предназначена для детекции объектов на изображениях с балансом скорости и точности, в том числе для сценариев реального времени. Модель использует ViT-энкодер с чередованием оконного и глобального внимания, свёрточный проектор C2f и неглубокий трёхслойный декодер DETR с deformable cross-attention. Для крупных вариантов декодер получает признаки двух масштабов. Модель обучалась на Objects365 с последующим обучением на COCO 2017. Она принимает изображения и выдаёт классы объектов и их ограничивающие рамки; в Transformers доступна в формате safetensors. Лицензия — Apache-2.0. Карточка не указывает конкретное число параметров, контекст здесь не применим.

Kaoeiri/Magpantheon-v4x1.6.2-Cydonia-vXXX-22B — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе anthracite-org/magnum-v4-22b с добавлением моделей семейства Cydonia и Pantheon-RP. Модель использует плотную архитектуру MistralForCausalLM и содержит 22 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия, включая создание связной прозы и ролевые сценарии. Модель работает с текстом, поддерживает контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Метаданные отмечают интерфейс вызова инструментов, однако README не содержит подробностей его использования. Базовая модель ориентирована на английский язык, поэтому данные не подтверждают поддержку других языков. Модель опубликована под лицензией, указанной в метаданных Hugging Face; доступные сведения не позволяют определить её условия.

MambaVision-B-1K — модель NVIDIA для классификации изображений на основе архитектуры MambaVision. Репозиторий содержит веса в формате Safetensors; модель опубликована под лицензией Apache 2.0. Модель предназначена для определения классов объектов и сцен на изображениях. Карточка репозитория содержит только краткое описание, поэтому дополнительные характеристики и сценарии применения по ней установить нельзя.

Midnight-Miqu-70B-v1.5-Safetensorsfix — диалоговая языковая модель на базе плотной архитектуры Llama с 68,7 млрд параметров. Её создал автор Midnight Miqu, объединив методом DARE Linear модели sophosympatheia/Midnight-Miqu-70B-v1.0 и migtissera/Tess-70B-v1.6; в качестве основы слияния использовалась 152334H_miqu-1-70b-sf. Модель предназначена прежде всего для ролевых диалогов и художественного письма. Она поддерживает контекст до 32 764 токенов и может работать с шаблонами Vicuna и Mistral; автор рекомендует задавать подробные инструкции и примеры, чтобы настроить стиль ответа. Модель описана как uncensored, поэтому может генерировать контент для взрослых. Автор сообщает о сопоставимых с версией 1.0 оценках EQ Bench и perplexity, но не проверял её качество на широком наборе других задач. Модель распространяется в формате Safetensors через Transformers. В метаданных указана лицензия «other»; конкретные условия следует проверять в репозитории модели.

joeygambino/MiniMax-H3-comfy-native-fl2va — это квантизированная версия MiniMax-H3 от MiniMaxAI, адаптированная для запуска в ComfyUI. Модель предназначена для генерации видео по текстовому описанию с управлением первым и последним кадрами: она может начинать или заканчивать ролик на заданном изображении и планировать движение камеры между двумя опорными кадрами. В отличие от варианта ref2va, она не использует референсные строки, изображения, голосовое якорение или банк идентичности, поэтому ориентирована на последовательное создание связанных сцен, когда последний кадр одного эпизода передаётся как первый кадр следующего. Модель распространяется в форматах NVFP4, W4A8, INT8, FP8 и MXFP8 с размером файлов примерно от 11,67 до 20,08 ГБ. Это 4- и 8-битные варианты весов; 4-битные активации не используются, поскольку они заметно ухудшают качество. Файлы рассчитаны на прямую загрузку в стандартный ComfyUI версии 0.32 и новее, без ComfyUI-GGUF и пользовательского загрузчика. Архитектура основана на MiniMax-H3; в README также указано наследование 200-слойной конфигурации, но число параметров, поддерживаемые языки и размер контекстного окна не приведены. Сильной стороной fl2va является точное следование заданному кадру: в приведённом сравнении она достигла 26,35 dB против 16,15–16,81 dB у ref2va при сопоставимых условиях. Выбор формата зависит от оборудования: NVFP4 лучше всего подходит для видеокарт Blackwell, W4A8 — для Ada, а INT8 — для Ampere; неподдерживаемые форматы могут работать в эмулированном режиме и медленнее. Ограничения включают отсутствие референсного режима, возможное снижение качества у 4-битных весов и неполную проверку: сборки прошли forward-тесты на GPU, но не были протестированы полноценным рендерингом. В README упоминаются и типичные дефекты базовой модели, включая искажение текста, отражающих элементов, конечностей и синхронизации губ. Лицензия — Apache-2.0.

MiniMax Music 3 — модель генерации песен от MiniMax. Она принимает текст песни и музыкальное описание, задающее жанр, темп, тональность, настроение, вокал, инструменты и развитие аранжировки, и создаёт стереозапись WAV с частотой 32 кГц и разрядностью 16 бит. Модель способна генерировать композиции длительностью до пяти минут с куплетами, припевом, бриджем и другими секциями. Архитектура сочетает Global LLM на 8 млрд параметров для долгосрочной музыкальной структуры, Local LLM на 0,6 млрд параметров для акустических деталей и синтез на основе Flow Matching и Flow-VAE. Global LLM инициализирована из Qwen3-8B; Flow-VAE адаптирован на основе MiniMax Speech. Для управления можно размечать текст песни тегами секций и подробно описывать звучание, однако эти указания не гарантируют точного соответствия результата заданным тексту, темпу, тональности, инструментам или структуре. Для работы требуется CUDA; доступна только генерация без потоковой передачи. Текстовый запрос ограничен 5000 токенами, генерация — 9000 акустическими кадрами. Модель рассчитана на создание песен с вокалом и музыкальным сопровождением. Условия лицензии в предоставленных материалах не описаны.

Abiray/MiniMax-Music3-GGUF — это набор GGUF-квантизаций диффузионного трансформера (DiT) модели MiniMax-Music3, разработанной MiniMaxAI. Репозиторий адаптирует веса для локального запуска в ComfyUI с использованием расширения ComfyUI-GGUF и сниженным потреблением видеопамяти. Модель предназначена для генерации структурированных полноформатных музыкальных композиций по текстовому описанию и текстам песен, продолжительностью до 5 минут, в стереоформате с частотой 32 кГц. Доступны варианты от F16 размером 4,98 ГБ до Q3_K_M размером 1,16 ГБ. Q8_0 рекомендуется как вариант с качеством, близким к исходному, а Q4_K_M ориентирован на видеокарты с 8–10 ГБ VRAM. Более сильное квантование уменьшает требования к памяти, но может приводить к заметному ухудшению или смягчению звучания. Для работы требуются отдельные текстовый энкодер и VAE из репозитория Comfy-Org/MiniMax-Music-3; одних GGUF-файлов недостаточно. Наилучшие результаты достигаются при раздельной передаче текста песни с маркерами секций и описания музыки, включающего жанр, темп, тональность, вокал и аранжировку. Модель ориентирована на сценарии локальной генерации музыки через ComfyUI, включая создание песен с вокалом и заданной структурой. Условия использования наследуются от оригинальной модели и указаны как Apache-2.0.

MiniMax Music 3 GGUF — пакет модели MiniMax Music 3, разработанный для audio.cpp и распространяемый в формате GGUF. Модель предназначена для генерации музыки и песен по текстовому описанию, включая задание текста песни через lyrics. Она поддерживает длительные генерации, в том числе композиции продолжительностью до пяти минут, однако такие запуски ориентированы прежде всего на завершённость и качество, а не на работу в реальном времени. Пакет включает несколько компонентов: language model, flow transformer, RVQ depth decoder, condition encoder и vocoder. Доступны варианты компонентов в форматах BF16, Q8_0 и Q4_0, что позволяет выбирать между качеством, скоростью и потреблением памяти. Конкретные архитектурные размеры, число параметров, список языков и поддерживаемые модальности в README не указаны. В конфигурации по умолчанию используются Q4_0 для language model и flow transformer и Q8_0 для RVQ depth decoder. На RTX 5090 с CUDA для 30-секундной генерации заявлены скорость 1,35x реального времени и пиковое потребление 9,8 GiB VRAM; вариант BF16 требует 19,4 GiB и работает медленнее реального времени. Сильные стороны модели — поддержка генерации песен с заданными текстом и описанием стиля, возможность выбора точности компонентов и наличие оптимизированной конфигурации для GPU. Ограничения включают активную оптимизацию потребления памяти, отсутствие гарантии realtime-производительности для длинных композиций и зависимость от audio.cpp с подходящим backend. Пакет распространяется по MiniMax Music 3 Community License; перед использованием, особенно в коммерческих проектах, необходимо проверить условия лицензии.