2342 поста
видео-диффузия, обученная на статичных кадрах
chroma-h3 — image- («stills») fine-tune модели MiniMaxAI/MiniMax-H3 от lodestones. Это полный H3 diffusers-пайплайн, где fine-tune влит в transformer/ в bf16, а Qwen3-VL text encoder, tokenizer, processor, video/audio VAEs и scheduler оставлены без изменений.
world model, управляемая картинкой и клавишами
Чекпоинт Memorizon от Institute of Foundation Models (IFM), MBZUAI: image-to-video world model на базе Wan2.2-TI2V-5B (~5,14 млрд параметров). На вход — одно изображение и клавиатурные действия или траектория камеры; на выходе видео 1280×704 с 16 fps, генерируемое по одной секунде за раз.
8 MP за 8 шагов, без CFG
P-H3-Image от PrunaAI — диффузионная модель для text-to-image и редактирования изображений на базе MiniMax-H3. В репозитории — pipeline для diffusers; трансформер на 33.1B параметров, генерация в 8 MP и редактирование с 1–8 входными картинками.
персонаж из референса, сцена из промпта
Anima Reference Adapter (v2) — адаптер от ElectronGirl для text-to-image модели Anima base v1.0. Он берёт персонажа и часть стиля из одной референс-картинки, а позу, фон и композицию — из промпта, который описывает только сцену.
8 или 4 шага вместо 50
Это few-step LoRA для FLUX.3 klein base от NoiseToNova, обученная через Parallel Decoding Distillation (PDD). Генерирует за 8 или 4 шага вместо 50, CFG дистиллирован (teacher CFG 4), поэтому каждый шаг — один forward pass. Версия v0.1, rank 128.
LoRA для правки изображений по текстовой инструкции
Moss-Image-Edit — это LoRA-адаптер для модели MOSS-Image от автора chinoll. Он позволяет менять цвет, одежду, освещение, сезон и визуальный стиль изображения по текстовому описанию. Работает с MOSS-Image Base или SFT, а в карточке есть готовые workflow для ComfyUI.
движение Pika в одном файле на любой скорости
Набор стандартных LoRA от Pika-Labs для MiniMax-H3: Pika H3 Flex объединён с few-step дистилляциями в один файл. Работает в ComfyUI или Diffusers, на stock H3 в bf16 / int8 / GGUF и на merge-сборках вроде Singularity. Видео генерируется со синхронизированным аудио.
генерация и редактирование с референсами
Репозиторий rootlocalghost — это FLUX 3 Image Klein от Black Forest Labs, перепакованный для ComfyUI: дистиллированный и base-трансформеры, текстовый энкодер, промпт-апсемплер и VAE.
открытый трёхшаговый рефайнер MiniMax-H3
Open-H3-Regenerate-2K от Efficient-Large-Model — открытая замена закрытому API H3-Regenerate-2K для video-to-video. Это трёхшаговый refinement-проход на базе MiniMax-H3: черновик 768P (1344×768, 121 кадр) регенерируется в 2560×1440.
видео со звуком за шесть шагов
Pika-Labs выпустила Pika H3 Flex — дообученную видео-аудио модель на базе MiniMax-H3 (33,12 млрд параметров). Она генерирует видео с синхронизированным стереозвуком за шесть шагов сэмплирования и поддерживает до 12 референсов для управления сценой.
компактная квантизация video+audio DiT с ускорением 8.92x
Сторонняя квантизация MiniMax-H3 FL2VA от yeowon для ComfyUI. Модель генерирует видео по первому/последнему кадру с синхронным аудио; 33.1B total / 20.11B active parameters. Чекпойнт на 50 блоков в 4-Trit Balanced Base-3: 14.98 GiB Joint-tANS (16.22 GiB raw).
8-мегапиксельные картинки за 6 шагов
Few-step turbo LoRA для PrunaAI/P-H3-Image: веса rank 16 (Apache-2.0) из InstantX/MiniMax-H3-Turbo-Lora-Diffusers, конвертированные из larryvrh/MiniMax-H3-Turbo-Lora.
азербайджанская речь на CPU
Модель распознавания азербайджанской речи от LocalDoc. Архитектура — FastConformer-CTC (18 слоёв, d512) с 3-pass loop refiner, product-key acoustic memory и 6-gram token KenLM; вход 16 kHz mono. Ориентирована на CPU и выдаёт текст с регистром и пунктуацией, числа — словами.
циклы thinking-режима лечатся правкой 0,016% весов
Qwen3.5-0.8B Astra Weight Edit — версия Qwen3.5-0.8B на 0,87 млрд параметров, в которой без обучения отредактированы два тензора. Публикация JonathanColetti; метод и диф — от Rikiya Takehi, Jayden Teoh, Alex Zhang и Omar Khattab (MIT CSAIL).
видеоэнкодер без лишних эвристик
LeVJEPA 1.5 Large от galilai-group — self-supervised видеоэнкодер на 303M параметров (ViT-L/16). Его обучали на ~5 300 часах видео и 151 EF, а средний балл на 22 image/video датасетах составил 78.76%.
аниме-файнтюн Moss для выразительного лайнарта
Moss:RAEL — аниме-ориентированный файнтюн модели Moss, обученный на базе OpenMOSS-Team/MOSS-Image-Base. Автор — sselpah; карточка описывает генерацию аниме-иллюстраций и скриншотов с управлением через промпты артистов, тайтлов и copyright. Размер и архитектура в карточке не указаны.
решения по вероятностям, без генерации
Sarvam-Prism — decision-модель от Sarvam AI на базе Sarvam-105B. Она принимает контекст и вопросы с фиксированным набором ответов, а за один forward pass возвращает вероятность каждого варианта. Текст не генерирует, поэтому ответ всегда из ваших опций; поддерживает английский и 10 индийских языков.
два голоса в 1,4 млн параметров
PiVo — исследовательская TTS-модель от Empero Research с двумя английскими голосами, Pi и Vo. Это полный стек с 1 401 562 обучаемыми параметрами: акустическая модель на 584 965 параметров и FARGAN-производный вокодер на 816 597 параметров выдают 16 kHz mono.
LLM правила веса без обучения
Это Qwen3.5-0.8B (0,87 млрд параметров) от RikiyaT, отредактированная без градиентного спуска: продвинутая LLM Astra напрямую изменила веса базовой Qwen/Qwen3.5-0.8B, чтобы та лучше решала математику.
четыре шага до картинки
Это RL-дообученная версия LightX2V Lightning v2, дистиллированная из Qwen-Image-2.1 (около 7,12 млрд параметров). Модель от lightx2v умеет text-to-image, редактирование по одному референсу и генерацию по нескольким референсам всего за 4 шага денойзинга при CFG = 1.0.