LTX-2.3-uncensored-v1.4-FP8
0xSojalSec基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗DISCOVER & COMPARE
AI 모델 탐색 792
LTX-2.3-Audio-Reactive-LORA
100percentrobot基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
기본 정보 등록 · 상세 정보 보완 예정
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗fg_hg
1c1基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
기본 정보 등록 · 상세 정보 보완 예정
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗An **NVFP4 (4-bit) Qwen3-VL-32B text encoder** for MiniMax-H3, made with `convert-to-quant`. It is a drop-in replacement for the H3 conditioning text encoder (ComfyUI `CLIPLoader`, type `minimax`). The H3 video weights are unchanged — only the text encoder is quantized to 4-bit, to bring the full H3 stack onto consumer GPUs. This encoder deliberately keeps more of the network in bf16 than a minimum-size 4-bit encoder does. The `--qwen_vlm` filter protects — at bf16 — the token embeddings, the **first and last language layers**, and the **entire vision tower**, quantizing only the middle language-layer linears to NVFP4. The result is 16.64 GiB, about 2 GiB above the most aggressively quantized community NVFP4 encoders (≈14.6 GiB, e.g. the AWQ-quantized encoder in `Comfy-Org/MiniMax-H3`), in exchange for leaving the precision-sensitive layers (embeddings, boundary layers, vision) untouched. It is a fidelity-first tradeoff: spend ~2 GiB more VRAM to keep the layers that most affect conditioning at full precision. Everything still fits a 24 GB card with offload. Everything is held constant except encoder precision — the bf16 encoder vs this NVFP4 encoder, same prompts, same seeds, same DiT — over a 16-clip paired set.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗LTX-Video-0.9.1-diffusers
a-r-r-o-w基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗MiniMax-H3-Acc-LoRAs
A20labs基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Sulphur-2-base
a4rtx基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Wan2.2-Distill-Loras
AakashTestCheck基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
기본 정보 등록 · 상세 정보 보완 예정
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Minimax_h3_hybrid
abakanai基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗minimax-h3-int8
abhishekchohan基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗FastH3-Omni-GGUF
AbirayHigh-precision **GGUF quantizations** of **FastVideo/FastH3-Omni-Comfy** (`fasth3_omniref_8step_pruned_bf16.safetensors`), the **8-step consistency-distilled Omni-Reference (`Ref2VA`)** model built on **MiniMax-H3** by FastVideo (Hao AI Lab) in collaboration with Nuva Lab and Reactor. Unlike standard naive quantizations that crush timestep modulation tables and output heads into low-bit blocks, **this GGUF suite uses hybrid precision shielding** to keep critical audio/video decoding heads, 32-head PDD (Progressive Distillation) offsets, and AdaLN interpolation tables in **lossless `FP32`**, while compressing the 50-block DiT + Video Sparse Attention (`VSA`) backbone for consumer RTX GPUs. All files are converted from the **44.24 GB Pruned BF16** checkpoint (`FastVideo/FastH3-Omni-Comfy`) compatibility with `city96/ComfyUI-GGUF`.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗This repository contains the **LTX-Video 2.3 (v1.1)** Distilled weights, quantized to **GGUF** format. GGUF offers highly efficient inference and excellent memory scaling, allowing you to run this heavy 22B parameter model on consumer hardware by splitting the workload between your GPU (VRAM) and CPU (System RAM). To use these GGUF files in **ComfyUI**, you will need a custom node suite that supports loading GGUF models (such as `ComfyUI-GGUF`).
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗LTX-2.5-Distilled-GGUF
AbirayThis repository provides quantized GGUF formats of the distilled transformer from Lightricks/LTX-2.5. These weights are highly optimized for local execution, allowing you to run high-fidelity video and audio generation workflows on hardware with memory constraints while retaining the core visual fidelity of the original base model. LTX-2.5 operates on a split-component architecture. To run these GGUF diffusion models in environments like ComfyUI or local Python pipelines, you must also fetch the official Text Encoders and VAEs directly from the upstream Lightricks/LTX-2.5 repository. Download these from the `text_encoders` directory:
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗LTX2.3-10Eros-1.3-GGUF
Abiray基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗LTX2.3-10Eros-GGUF
Abiray基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗MiniMax-H3-GGUF
AbirayThis repository (`Abiray/MiniMax-H3-GGUF`) provides GGUF quantized versions and necessary component files for the MiniMax H3 model. MiniMax H3 is a general-purpose, omni-modal generative system that supports unified understanding of multimodal contexts composed of text, images, video, and audio. It can generate video with native stereo audio at resolutions up to 2K and durations of up to 15 seconds. --- If you are looking for a smaller model with the same great quality that fits better on consumer-tier GPUs, please check out the **MiniMax-H3-Pruned-GGUF** repository. The pruned architecture is compressed down to 8.9 GB – 21.6 GB, bringing MiniMax H3 execution directly to consumer hardware. **Available Pruned Quants:** | Bit Size | Quantization Type | File Size | | :--- | :--- | :--- | | **3-bit** | `Q3_K_M` | 8.9 GB | | **4-bit** | `Q4_K_S`, `Q4_K_M` | 11.6 GB | | **5-bit** | `Q5_K_S`, `Q5_K_M` | 14.1 GB | | **6-bit** | `Q6_K` | 16.7 GB | | **8-bit** | `Q8_0` | 21.6 GB | --- This repository includes quantized versions of both the `FL2VA` (First-and-last-frame mode) and `Ref2VA` (Omni-reference mode) base models. * **FL2VA Models:** * `MiniMax-H3-FL2VA-Q3_K_M.gguf` (15.6 GB) * `MiniMax-H3-FL2VA-Q3_K_S.gguf` (15.6 GB) * `MiniMax-H3-FL2VA-Q4_0.gguf` (18.6 GB) * `MiniMax-H3-FL2VA-Q4_K_M.gguf` (19.9 GB) * `MiniMax-H3-FL2VA-Q4_K_S.gguf` (19.9 GB) * `MiniMax-H3-FL2VA-Q5_0.gguf` (22.8 GB) * `MiniMax-H3-FL2VA-Q5_K_M.gguf` (23.9 GB) * `MiniMax-H3-FL2VA-Q5_K_S.gguf` (23.9 GB) * `MiniMax-H3-FL2VA-Q6_K.gguf` (28.2 GB) * `MiniMax-H3-FL2VA-Q8_0.gguf` (36 GB) * **Ref2VA Models:** * `MiniMax-H3-Ref2VA-Q3_K_M.gguf` (15.6 GB) * `MiniMax-H3-Ref2VA-Q3_K_S.gguf` (15.6 GB) * `MiniMax-H3-Ref2VA-Q4_0.gguf` (18.6 GB) * `MiniMax-H3-Ref2VA-Q4_K_M.gguf` (19.9 GB) * `MiniMax-H3-Ref2VA-Q4_K_S.gguf` (19.9 GB) * `MiniMax-H3-Ref2VA-Q5_0.gguf` (22.8 GB) * `MiniMax-H3-Ref2VA-Q5_K_M.gguf` (23.9 GB) * `MiniMax-H3-Ref2VA-Q5_K_S.gguf` (23.9 GB) * `MiniMax-H3-Ref2VA-Q6_K.gguf` (28.2 GB) * `MiniMax-H3-Ref2VA-Q8_0.gguf` (36 GB) * `qwen3vl_32b_minimax_h3_int4_convrot.safetensors` (15 GB) * `qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors` (27.1 GB) * `qwen3vl_32b_minimax_h3-Q4_K_M.gguf` (14.6 GB) * `minimax_h3_audio_vae_fp32.safetensors` (605 MB) * `minimax_h3_video_vae_fp16.safetensors` (5.21 GB) * **H3-Base-FL2VA:** First-and-last-frame mode. Supports zero, one, or two input images. * No image input: T
번역 대기 중 · 원문 표시
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗This hybrid model fuses the crisp visual quality, motion dynamics, and clean audio of **FL2VA** with the persistent multi-image character conditioning of **Ref2VA** using a **rank-1024 delta weight merge ($\Delta W_{r=1024}$)** on the pruned 20.1B parameter MiniMax-H3 architecture. With these GGUFs, you can now run reference-conditioned MiniMax-H3 locally on consumer GPUs (16 GB – 24 GB VRAM) with minimal quality loss. Place the downloaded `.gguf` file into: ComfyUI/models/diffusion_models/ *(or `ComfyUI/models/unet/`)*
번역 대기 중 · 원문 표시
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗GGUF quantized versions of **WarmBloodAban/Minimax-h3_Singularity**, a community fine-tune of MiniMax H3 specialized in enhanced visual fidelity — HDR clarity, distant-face restoration, cleaner skin, stronger action motion, and improved VFX. These quantizations reduce VRAM requirements for use with ComfyUI, enabling local inference on consumer GPUs. Place the downloaded `.gguf` file in your ComfyUI `models/unet/` directory (or `models/diffusion_models/` depending on your ComfyUI-GGUF fork). You will also need the following components: For accelerated generation, you can optionally pair this model with the **minimax_h3_ref2v_turbo_4step_v0.1** LoRA, which enables 4-step fast inference.
번역 대기 중 · 원문 표시
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Pruned and optimized `.safetensors` versions of WarmBloodAban/Minimax-H3 Singularity, formatted for native ComfyUI custom nodes (such as `comfyui-mixed-quantizer` and native INT8 loaders). 1. Place your chosen `.safetensors` file into your ComfyUI models folder: `ComfyUI/models/diffusion_models/` 2. Load the model using your preferred native ComfyUI loader or mixed-quantizer custom nodes. 3. Pair it with the Qwen3-VL text encoder and MiniMax-H3 Video + Audio VAEs.
번역 대기 중 · 원문 표시
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗SCAIL-2-GGUF
AbirayThis repository contains GGUF quantizations of **SCAIL-2**, the cutting-edge end-to-end controlled character animation and video motion-transfer model built on the Wan 2.1 14B architecture by zai-org. These weights are specifically optimized to execute the heavy SCAIL-2 Diffusion Transformer (DiT) inside ComfyUI at a fraction of the native FP16/FP8 VRAM overhead. 1. **Required Loader:** Install city96's ComfyUI-GGUF extension. 2. **Node Placement:** Use the `Unet Loader (GGUF)` node. 3. **File Path:** Download your preferred quant from this repository and drop it into: ComfyUI/models/unet/ ---
번역 대기 중 · 원문 표시
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Sulphur-2-base-GGUF
Abiray基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
입력 텍스트→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗This repository contains **GGUF-quantized versions** of the LightX2V Distilled Wan2.2 14B Image-to-Video Model. By quantizing the ultra-fast 4-step distilled models into the GGUF format, this repository allows for drastically reduced VRAM/RAM requirements while maintaining near real-time, high-performance video generation. We provide quantizations ranging from heavily compressed (Q3) to near-lossless (Q8) to fit your specific memory and quality requirements. Both **High Noise** and **Low Noise** versions are available.
번역 대기 중 · 원문 표시
입력 이미지→ 출력 영상
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗일치하는 모델 없음
제공사, 분류, 입출력 조건을 조정하세요. 새 모델이 계속 등록됩니다.
COST EXPLORER
좋은 모델, 명확한 비용.
월간 토큰 사용량으로 예상 API 비용을 비교하세요.
1 M = 100만 토큰 · USD
동일 채널의 기본 텍스트 토큰 요금 비교
동일 채널의 기본 텍스트 토큰 요금 비교
수집된 백만 토큰당 USD 요금입니다. 캐시 할인, 구간 요금, 추가 추론 출력, 세금은 제외됩니다. 최신 요금은 출처에서 확인하세요.
MODEL HANDBOOK
이해하고 선택하세요
API 요금은 어떻게 비교하나요?+
입력, 출력, 캐시 요금을 구분하고 동일 작업량으로 비교하세요. 이미지, 음성, 영상은 개수, 시간, 해상도로 과금될 수 있습니다.
오픈 웨이트는 무료 상업 이용을 뜻하나요?+
반드시 그렇지는 않습니다. 버전별 라이선스, 상업 이용 제한, 정책을 확인하세요. 자체 호스팅에는 연산 및 유지 비용도 듭니다.
1위 모델이 나에게 가장 적합한가요?+
순위는 작업, 버전, 평가 방식에 따라 다릅니다. 실제 업무로 정확도, 지연, 안정성, 비용을 비교하세요.