I.10Видео, анимация и 3D

parlance/dreamlike-diffusion-1.0-inpainting — модель для редактирования изображений с помощью диффузионной генерации. Согласно карточке, она создана смешиванием dreamlike-art/dreamlike-diffusion-1.0 и runwayML/stable-diffusion-v1-5-inpainting и предназначена для заполнения или изменения областей изображения по текстовому описанию. Метаданные указывают задачу image-to-image и поддержку StableDiffusionInpaintPipeline; модель поставляется в форматах Diffusers и PyTorch. Карточка не приводит подробностей о качестве, рекомендуемых настройках или лицензии смешанной модели; в метаданных указана лицензия other. Исходная карточка dreamlike-art/dreamlike-diffusion-1.0 предложена для ознакомления, но её содержание здесь не предоставлено.

Uminosachi/dreamshaper_8Inpainting — модель для дорисовки и изменения изображений по текстовому описанию. Согласно карточке, это конвертированная версия dreamshaper_8Inpainting, предназначенная для сценариев inpainting: пользователь задаёт область изображения для изменения и описывает желаемый результат текстом. Модель относится к семейству Stable Diffusion и распространяется в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. Данные карточки не уточняют размер модели, поддерживаемые языки, длину контекста и конкретные ограничения качества.

EpicRealism — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi/epicrealism и доступная через API ModelsLab. Карточка предлагает создавать фотореалистичные изображения, в том числе портреты, с помощью текстового запроса и необязательного негативного запроса. Пример API поддерживает выбор размера изображения, числа шагов генерации, guidance scale, seed, а также параметры улучшения запроса, апскейлинга и подключения LoRA и embeddings. Метаданные указывают на использование Diffusers и PyTorch и лицензию CreativeML OpenRAIL-M. Язык запросов и размер модели в доступных сведениях не определены.

ChrisColeTech/flux2-klein-GGUF — квантованная сборка модели FLUX.2 klein 9B, разработанной на базе Black Forest Labs FLUX.2-klein-9B. Это модель генерации изображений по текстовому описанию и преобразования изображений по схеме image-to-image. Репозиторий содержит веса и не является переобученной моделью: это повторно квантованная сборка с раздельными компонентами в формате GGUF. Основной компонент — трансформер объёмом 9B параметров в файле flux-2-klein-9b-Q5_K_M.gguf; отдельно поставляются текстовый энкодер Qwen3-8B в формате Q4_K_M и VAE flux2-vae.safetensors. Поддерживаются режимы text-to-image и image-to-image. Для text-to-image рекомендованы изображения 1024×1024, четыре шага денойзинга, guidance 1.0 и максимальная длина промпта 512 токенов. На A100 генерация изображения 1024×1024 занимает около 8 секунд, что является сильной стороной модели. Для image-to-image рекомендуется 24 шага, guidance 4.0 и strength 0.90; запуск в режиме четырёх шагов может практически не изменить исходное изображение. Сборка рассчитана на загрузчики, поддерживающие явное указание путей к отдельным компонентам, и может не загружаться стандартным примером для upstream-модели без адаптации. Сведения о лицензии отсутствуют, поэтому условия коммерческого и иного использования требуют дополнительной проверки.

Kwai Keye-VL-1.5-8B — мультимодальная языковая модель, разработанная командой Kwai Keye компании Kuaishou. Она предназначена прежде всего для понимания видео и изображений, визуального восприятия и рассуждений по мультимодальным входам. Модель содержит 7,6 млрд параметров и построена на базе языковой модели Qwen3-8B с визуальным энкодером, инициализированным из SigLIP; для объединения текста, изображений и видео использует 3D RoPE. Для видео применяется стратегия Slow-Fast: часть кадров обрабатывается в высоком разрешении, а большее число кадров — в низком. Модель поддерживает динамическое разрешение изображений и контекст до 131 072 токенов. Она рассчитана на диалоговые сценарии, анализ длинных видеоматериалов и ответы на вопросы о визуальном содержимом; также заявлены способности к логическим и математическим рассуждениям и работе с RAG. В карточке сообщается о результатах на публичных тестах понимания видео и мультимодальных задач, однако они не гарантируют качество на произвольных данных. Модель доступна под лицензией Apache 2.0.

LanguageBind_Video_Huge_V1.5_FT — видеотекстовая модель проекта LanguageBind, разработанная авторами исследования LanguageBind, принятого на ICLR 2024. Это полностью дообученная версия видеокодировщика LanguageBind; суффикс Huge указывает на вариант увеличенного размера, но точное число параметров в предоставленных данных не приведено. Модель предназначена для сопоставления видеороликов с текстовыми описаниями и zero-shot классификации видео по заданным текстовым меткам. LanguageBind выравнивает представления видео и языка в общем семантическом пространстве, поэтому модель можно применять для поиска видео по тексту и оценки сходства видео с описаниями без отдельного обучения на каждом наборе классов. В основе проекта — обучение на видео- и текстовых данных VIDAL-10M; архитектура репозитория указана как CLIPModel. В карточке Hugging Face основная задача помечена как zero-shot-image-classification, однако README описывает именно видеотекстовое сопоставление. Поддерживаемая метаданными задача сохранена в классификации, а видео и текст отражены как фактические модальности из описания проекта. README не уточняет поддержку конкретных естественных языков. Модель распространяется по лицензии MIT. Указания о длине контекста и количественном размере этой версии в предоставленных данных отсутствуют.

LibreHPS-4B v1.1 — мультимодальная модель оценки предпочтений, разработанная командой deepcrayon. Она принимает изображение или короткое видео вместе с текстовым запросом и оценивает, насколько результат соответствует запросу; также может сравнить два изображения и определить, какое, вероятно, предпочтёт человек. Модель полезна для отбора и ранжирования генераций, оценки качества по нескольким критериям и обучения генеративных моделей с обратной связью от предпочтений. Модель содержит 4 млрд параметров и использует плотную архитектуру Qwen3.5 с гибридом Mamba2 и полного внимания. Оценки выдаются по осям общего качества, соответствия запросу, визуальной связности и стиля; для видео добавляется естественность движения. Для загрузки и получения оценок нужны reward heads и пакет librehps; одних весов с обычным Transformers недостаточно. Лицензия — Apache-2.0. Обучение проводилось на результатах генераторов с разрешительным лицензированием, поэтому оценки изображений закрытых генераторов, включая Midjourney и большинство изображений OpenAI, могут быть ненадёжны. Модель не предназначена для модерации контента; оценка движения обучена на коротких роликах с 5–8 кадрами, поэтому применение к более длинным видео является экстраполяцией. Неопределённость в поле sigma для этого чекпойнта неинформативна; для неё следует использовать калиброванную вероятность.

Lob RealVisXL v2.0 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi.com и доступная через API ModelsLab. Карточка демонстрирует создание фотореалистичного портрета и указывает на поддержку параметров запроса, включая негативный промпт, число шагов генерации, guidance scale и размеры изображения. Модель предназначена для генерации реалистичных изображений по промптам. Пример в карточке использует описания внешности, освещения, окружения и параметров камеры; также показаны настройки для улучшения промпта, панорам и подключения LoRA или эмбеддингов. В метаданных указаны StableDiffusionXLPipeline и форматы Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не сообщает точное число параметров, длину контекста или список поддерживаемых языков. Качество и безопасность результата зависят от промпта и настроек; документация API предлагает параметр отключения safety checker.

Qwen-Image 2.1 GGUF — квантизированная версия диффузионной модели Qwen-Image 2.1, разработанной командой Qwen (Alibaba). Конвертацию весов в формат GGUF и их квантизацию выполнил AlperKTS; модель предназначена для запуска в ComfyUI с расширением ComfyUI-GGUF. Модель поддерживает генерацию изображений по текстовому описанию, редактирование и преобразование изображений, а также сценарии image-to-image. В карточке заявлена поддержка английского и китайского языков. Основные возможности включают качественную визуализацию, рендеринг текста на изображениях и сохранение композиции. Архитектурные параметры, количество параметров и размер контекстного окна не указаны. Доступны варианты Q8_0 размером около 7,2 ГБ с рекомендуемым объёмом видеопамяти от 12 ГБ, Q6_K размером около 5,5 ГБ для 8–12 ГБ видеопамяти и Q5_K_M размером около 4,6 ГБ для 8 ГБ видеопамяти. Квантизация снижает требования к памяти по сравнению с исходной BF16-моделью размером около 14,2 ГБ, однако может сопровождаться компромиссом между экономией ресурсов и точностью. Для работы также требуются отдельные VAE и текстовый энкодер Qwen3-VL. Модель распространяется по лицензии Qwen Research License.

molbal/Qwen-Image-2.1-GGUF — GGUF-версия модели Qwen Image 2.1, разработанной командой Qwen и адаптированной molbal для использования в ComfyUI. Базовая модель представляет собой diffusion transformer для генерации изображений по текстовому описанию и редактирования изображений с поддержкой референсных изображений через ComfyUI. Модель принимает текстовый prompt и, опционально, исходное изображение для редактирования или визуального обусловливания. Результатом является изображение в формате RGBA, включая поддержку прозрачности. Для текстового кодирования используется Qwen3-VL 8B. Доступны варианты GGML-квантизации Q4_0 и Q8, а также вариант Q8_CR с нативным INT8 ConvRot; Q4_CR обозначен как находящийся в разработке. Модель предназначена для запуска через узлы GGUF Loader из пакета comfyui-gguf-reboot и требует размещения совместимых компонентов Qwen Image 2.1, текстового энкодера Qwen3-VL 8B и VAE в каталогах ComfyUI. К сильным сторонам относятся поддержка генерации и редактирования изображений, референсных изображений, прозрачности и нескольких уровней квантизации. В README не указаны поддерживаемые языки, размер контекста, точные требования к памяти и производительность, поэтому эти характеристики нельзя определить по имеющимся данным. Лицензия указана как qwen-research; подробные условия приведены в лицензии Qwen Image 2.1.

BennyDaBall/Qwen-Image-2.1-NVFP4 — независимая NVFP4-квантизованная сборка Qwen Image 2.1, исходную модель и архитектуру которой разработала команда Qwen. Это не новая базовая модель и не официальный релиз Qwen: автор выполнил конвертацию официальных BF16-весов Comfy-Org и подготовил пакет для ComfyUI. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображений по референсу, создания изображений с прозрачным RGBA-фоном и генерации постеров с текстом. В состав входят квантизованные image transformer и языковой энкодер Qwen3-VL 8B, а vision tower, эмбеддинги, выходная голова, критические тензоры image-модели и VAE сохранены в BF16. Полный пакет занимает 12,42 ГБ и рассчитан на использование в ComfyUI с поддержкой Qwen Image 2.1 и native NVFP4; заявленная проверка проводилась на RTX 5090. Поддерживаются рабочие разрешения, включая примеры 1024×1024 и 2048×2048, однако точный размер контекста в README не указан. Ключевое преимущество сборки — существенное уменьшение размера относительно BF16-пакета и ускорение инференса на совместимом оборудовании; для RTX 5090 указано 6,746 секунды медианного времени для запуска 1024×1024 за 40 шагов. К ограничениям относятся необходимость актуальной версии ComfyUI и совместимых NVFP4-ядер, применение runtime-патча для ускоренного текстового кондиционирования, а также возможные отличия результатов от BF16 из-за квантизации. Преобразование не включало калибровку или дообучение, а качество и скорость не гарантируются для всех конфигураций. Лицензия указана как qwen-research-license; модель предназначена для исследовательского и оценочного использования в соответствии с условиями приложенной лицензии.

Qwen-Image-2.1-viggle-turbo — разработанный Viggle шестишаговый дистиллированный вариант модели Qwen/Qwen-Image-2.1, распространяемый как LoRA-адаптер. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсов. В обычном режиме требуется 6 шагов вместо 40 у базовой модели; также доступен девятишаговый режим с более тонкими деталями и лучшей передачей мелкого текста. Автор сообщает, что шестишаговая версия примерно в пять раз быстрее базовой при сопоставимом качестве на большинстве примеров. Адаптер загружается в трансформер базовой модели; доступны веса safetensors, а в метаданных также перечислены варианты GGUF с разной разрядностью. Модель работает с текстовыми запросами и изображениями-референсами и выдаёт изображения. README описывает применение через diffusers и ComfyUI; для ComfyUI указаны возможные шероховатости интеграции. Качество уступает базовой модели при сложном редактировании, сохранении личности и композиции по нескольким референсам; мелкий и длинный текст чаще искажается. В шестишаговом режиме мелкие текстуры могут быть мягче, а цвета — немного менее насыщенными. Лицензия в метаданных указана как other, конкретные условия использования в доступных данных не раскрыты.

Qwen-Image-ControlNet-Inpainting — модель ControlNet от InstantX для масочного заполнения и расширения изображений на базе Qwen-Image. Она предназначена для редактирования выбранной области с сохранением заданного контекста изображения: замены объектов и фона, изменения текста на изображении и дорисовки за его границами. Контрольная сеть состоит из шести двойных блоков, скопированных из предварительно обученных слоёв трансформера. Модель обучали с нуля 65 тысяч шагов на наборе из 10 миллионов изображений общего назначения и изображений людей; разрешение обучения — 1328 × 1328, точность — bfloat16. Для работы требуется базовая модель Qwen/Qwen-Image и совместимый конвейер Diffusers; также заявлена поддержка ComfyUI версии 0.3.59 или новее. Модель чувствительна к формулировкам запроса: рекомендуется подробно описывать всё изображение, включая редактируемую область и фон, и использовать описательные запросы. Модель распространяется по лицензии Apache-2.0.

Это 4-битная NF4-квантизованная версия Qwen-Image-Edit-2511, опубликованная seochan99 и предназначенная для редактирования изображений по текстовым инструкциям. Модель работает через библиотеку Diffusers и использует формат BitsAndBytes NF4 с вычислениями в bfloat16; квантизованы text encoder и transformer. По данным карточки, потребление видеопамяти составляет около 17 ГБ против примерно 40 ГБ у исходной версии BF16. Модель поддерживает редактирование одного или нескольких изображений, объединение изображений в общую сцену, перенос стиля и сохранение согласованности персонажей. Карточка сообщает о тестировании на NVIDIA RTX 4090. Лицензия репозитория — Apache-2.0.

Qwen-Image-Edit-AIO-FP8 — вариант семейства Qwen-Image-Edit для редактирования изображений по текстовым инструкциям. README связывает его с моделями Qwen-Image-Edit-2509 и Qwen-Image-Edit-2511, разработанными командой Qwen компании Alibaba. Это диффузионная мультимодальная модель с архитектурой MMDiT и 20 млрд параметров; версия FP8 предназначена для снижения потребления видеопамяти и ускорения вывода при небольшой потере качества. Модель поддерживает редактирование с несколькими изображениями-референсами, сохранение идентичности людей и товаров, изменение текста внутри изображений и совместимость с ControlNet. Модель подходит для композиции изображений по нескольким референсам, замены материалов, изменения геометрии и итеративного редактирования с сохранением структуры, освещения и ракурса. README отмечает сценарии промышленного дизайна и создания композиций с несколькими людьми. В метаданных указан английский язык карточки, но они не подтверждают, что модель ограничена только им. Лицензия — Apache-2.0; README сообщает, что применяются условия исходной страницы Qwen-Image-Edit.

ariG23498/sd-3.5-merged — объединённая модель для генерации изображений по текстовому описанию на основе Stable Diffusion 3.5 Large и Stable Diffusion 3.5 Large Turbo от Stability AI. Автор карточки сообщает, что объединение нацелено на сочетание детализации Large со скоростью Turbo; для примера указана генерация за 6 шагов против 40 у Large и 4 у Turbo. Модель предназначена для создания изображений по текстовым запросам и доступна в формате Diffusers с весами Safetensors. Карточка указывает английский язык. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверять с лицензиями базовых моделей.

Stable Diffusion 2 Inpainting — модель латентной диффузии для редактирования изображений по текстовому запросу и маске. Этот репозиторий является зеркалом устаревшей модели stabilityai/stable-diffusion-2-inpainting; авторы модели — Робин Ромбах и Патрик Эссер, зеркало не связано со Stability AI. Модель создана на основе stable-diffusion-2-base и дополнительно обучена на 200 тысячах шагов. Для задания текста использует фиксированный предварительно обученный энкодер OpenCLIP-ViT/H, а маска и латентное представление изображения служат дополнительными условиями генерации. Модель предназначена для заполнения или изменения выбранных областей изображения, а также творческого дизайна и исследовательской работы с генеративными моделями. Карточка описывает применение через Diffusers; метаданные указывают форматы Diffusers, PyTorch и safetensors. Основной язык запросов — английский: модель обучалась преимущественно на английских подписях, поэтому запросы на других языках могут работать хуже. Лицензия — CreativeML Open RAIL++-M License.

X-CLIP — видеоязыковая модель базового размера с патчами 16×16, разработанная авторами статьи Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Это минимальное расширение CLIP, обученное контрастивно на парах видео и текста и дообученное в режиме few-shot с 8 примерами на класс датасета HMDB-51. Модель обрабатывает видеоклипы по 32 кадрам с разрешением 224×224. Модель предназначена для классификации видео в режимах zero-shot, few-shot и supervised, а также для поиска соответствия между видео и текстом. На HMDB-51 указана точность top-1 62,8%. Репозиторий содержит веса PyTorch; лицензия — MIT.

frankjoshua/albedobaseXL_v13 — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face. Репозиторий содержит веса в формате Diffusers и Safetensors и предназначен для запуска через StableDiffusionXLPipeline. Модель принимает текстовый запрос и генерирует изображение. Доступные сведения подтверждают задачу text-to-image и совместимость с архитектурой Stable Diffusion XL; подробные характеристики обучения, размер модели, поддерживаемые языки и условия лицензии в карточке, использованной для анализа, не описаны.

Chroma1-HD — базовая модель для генерации изображений по текстовому описанию, разработанная Lodestones. Это модель с 8,9 млрд параметров на основе FLUX.1-schnell с изменённым слоем кодирования временного шага и маскированием токенов заполнения T5. Она обучена на отобранном наборе из 5 млн примеров, собранных из пула в 20 млн изображений и включающем художественные, фотографические и нишевые стили. Модель предназначена для генерации изображений, а также как основа для дообучения под конкретные стили, концепции и персонажей. Её можно применять через diffusers и ComfyUI; для ComfyUI требуются текстовый кодировщик T5 XXL и VAE FLUX. В README также описан вариант с квантованным инференсом через gemlite. Модель выпущена по лицензии Apache 2.0. Она не настроена с помощью специального фильтра безопасности и может воспроизводить предубеждения обучающих данных, а также создавать вредоносный, откровенный или оскорбительный контент. Подробный технический отчёт, согласно карточке, ещё готовится.

CogVLM2-Llama3-Caption — модель для создания текстовых описаний видео, разработанная командой Zhipu AI. Она преобразует видеоданные в подписи и описания, которые можно использовать как обучающие данные для текстово-видеовой модели CogVideoX. Модель построена на архитектуре CogVLMVideoForCausalLM и дообучена на базе meta-llama/Meta-Llama-3.1-8B-Instruct; содержит 8,3 млрд параметров и рассчитана на контекст до 2048 токенов. Для запуска предусмотрена библиотека Transformers, веса доступны в формате safetensors. Основной сценарий — автоматическое описание видео для подготовки обучающих наборов данных. В метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует уточнять в карточке модели и у правообладателей базовой модели.

lllyasviel/control_v11p_sd15_inpaint — это версия ControlNet v1.1, разработанная Lvmin Zhang и Maneesh Agrawala. Модель преобразована в формат Diffusers из оригинального checkpoint и предназначена для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель добавляет к диффузионной генерации дополнительное условие в виде изображения для inpainting. Она подходит для заполнения или изменения выделенных областей изображения по текстовому описанию, сохраняя информацию о незамаскированных участках и предоставляя более точный контроль над результатом. Заявленный язык — английский; поддерживаемые модальности включают текст и изображения, в частности исходное изображение, маску и control image. Ключевая сильная сторона модели — управляемое редактирование изображений за счёт интеграции ControlNet с предварительно обученной диффузионной моделью. Ограничение заключается в том, что checkpoint рассчитан на Stable Diffusion v1-5 и специализирован для сценариев inpainting; совместимость с другими моделями не гарантируется, хотя экспериментально допускается использование с некоторыми вариантами Stable Diffusion. Размер модели и максимальный контекст в README не указаны. Лицензия — CreativeML OpenRAIL M.

FLUX.2 [dev] — модель Black Forest Labs с 32 млрд параметров на основе трансформера rectified flow. Она генерирует и редактирует изображения по текстовым инструкциям, в том числе с одной или несколькими референсными картинками, позволяя переносить в результат персонажей, объекты и стили без дообучения. Модель поддерживает сценарии text-to-image и image-to-image; в метаданных указаны библиотека Diffusers и форматы Diffusers и Safetensors. Модель обучена с guidance distillation для более эффективной генерации. Разработчик описывает её как открытую по весам модель для исследований и творческих рабочих процессов; README также сообщает о мерах безопасности, входных и выходных фильтрах и примере пиксельного водяного знака. Указанная в карточке лицензия — other; README уточняет, что для открытых весов действует FLUX.2 [dev] Non-Commercial License, а коммерческое использование регулируется отдельными условиями лицензии. Перед развёртыванием необходимо учитывать ограничения лицензии и требования к фильтрации или ручной проверке контента.

FLUX.2 [klein] 9B INT8 — это квантизированный чекпойнт трансформера базовой модели black-forest-labs/FLUX.2-klein-9B, разработанный vistralis на основе модели Black Forest Labs. Модель предназначена для генерации изображений по текстовому описанию, а также для сценариев редактирования изображений и композиции. Она интегрируется с библиотекой Diffusers и содержит только веса трансформера; текстовый энкодер, VAE, токенизатор и scheduler загружаются из базовой модели. Модель имеет около 9 млрд параметров и использует INT8-квантизацию весов и активаций в формате W8A8, выполненную с помощью NVIDIA TensorRT Model Optimizer. Заявлено примерно двукратное сжатие по сравнению с BF16. Основные слои хранятся в INT8 с масштабами float32, а embedder-слои и выходная проекция сохранены в BF16. Квантизация рассчитана на снижение требований к памяти и может быть альтернативой FP8 для оборудования без нативной поддержки FP8. В README не указаны поддерживаемые языки и максимальная длина контекста. По внутренней оценке на 48 промптах INT8 показала CLIP Score 0,6422 против 0,6426 у BF16-базовой модели; LPIPS составил 0,0615, PSNR — 22,34 дБ, FID — 32,27. Эти результаты указывают на близкое соответствие тексту и высокую схожесть с BF16-выводом, однако выборка небольшая и служит лишь ориентиром. Лицензия — flux-non-commercial-license; коммерческое использование, вероятно, ограничено условиями этой лицензии.

FLUX.2 [klein] 4B Base — генеративная модель Black Forest Labs для создания и редактирования изображений. Она предназначена для генерации изображений по текстовым описаниям, а также для редактирования с использованием нескольких референсных изображений. Модель поддерживает сценарии text-to-image и image-to-image и поставляется в данном репозитории в формате FP8. Модель построена на архитектуре rectified flow transformer и содержит около 4 миллиардов параметров. Она работает с текстовыми и визуальными входными данными; заявленный язык — английский. Размер контекста и другие параметры контекстного окна в карточке не указаны. Версия FP8 требует около 13 ГБ видеопамяти и доступна на видеокартах NVIDIA уровня RTX 3090/4070 и выше. Сильными сторонами модели являются поддержка генерации изображений и многореференсного редактирования при сравнительно умеренных аппаратных требованиях. Ограничения включают возможные ошибки следования запросу, зависимость результата от стиля формулировки промпта и искажения при генерации текста внутри изображений. Модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать смещения из обучающих данных. Модель распространяется по лицензии Apache 2.0. Запрещено использовать её и производные модели для незаконных, вредоносных, мошеннических, дискриминационных или связанных с эксплуатацией несовершеннолетних сценариев, создания несогласованных интимных изображений, причинения вреда через персональные данные и полностью автоматизированного принятия решений в областях высокого риска.

FLUX.2 [klein] 9B Base — генеративная модель Black Forest Labs для создания и редактирования изображений. Она преобразует текстовые описания в изображения и поддерживает редактирование с несколькими референсными изображениями, поэтому предназначена для text-to-image и image-to-image сценариев, включая создание визуального контента и интерактивное редактирование. Модель построена на архитектуре rectified flow transformer и содержит около 9 миллиардов параметров. Данная версия представляет собой FP8-квантованный вариант весов; основная версия доступна в формате BF16. В карточке указаны поддержка английского языка и интеграция с библиотекой Diffusers. Для работы требуется около 29 ГБ VRAM; заявлена доступность на NVIDIA RTX 4090 и более производительных видеокартах. Ограничения включают возможное несоответствие результата запросу, зависимость качества следования промпту от стиля формулировки, искажения или ошибки в отображаемом тексте, а также возможное воспроизведение предвзятостей из обучающих данных. Модель не предназначена для предоставления фактической информации и не должна использоваться для незаконных, вредоносных, обманных или высокорисковых сценариев, включая полностью автоматизированные решения, затрагивающие юридические права. Модель распространяется по лицензии FLUX Non-Commercial License, допускающей некоммерческое использование; применение фильтров или ручной проверки входных и выходных данных является обязательным согласно условиям лицензии.

Craftly-Image-2.1 — модель генерации изображений по текстовому описанию, представленная как разработка Craftly AI Labs. В README она описана как диффузионный трансформер в латентном пространстве (DiT) с flow-matching планировщиками, текстовым энкодером CraftlyVision-7B-Instruct и 16-канальным пространственным VAE. Модель предназначена для фотореалистичной генерации, рендеринга текста на изображениях и создания сложных пространственных композиций. Заявлена поддержка динамического соотношения сторон и разрешения до 2K; метаданные указывают английский и китайский языки. Репозиторий содержит формат Diffusers и веса Safetensors. В README приведён пример запуска с bfloat16 на CUDA. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория.

Juggernaut XL v6 — модель генерации изображений по текстовому описанию, созданная KandooAI совместно с RunDiffusion. Это дообученная версия Stable Diffusion XL Base 1.0 с фотографической основой RunDiffusion Photo v1, предназначенная для фотореалистичных, портретных и кинематографичных изображений. Модель работает с текстовыми запросами и выдаёт изображения; карточка указывает поддержку английского языка. В README рекомендованы разрешения 832 × 1216 и 1216 × 832, а для генерации — 30–40 шагов сэмплера DPM++ 2M Karras. Версия v6 подходит для сохранения совместимости с LoRA, ControlNet, эмбеддингами и производственными процессами, настроенными под этот чекпойнт, а также для получения его характерной эстетики: более мягкого освещения и сдержанного контраста. Для новых проектов автор рекомендует более поздние версии Juggernaut. Лицензия CreativeML Open RAIL-M разрешает личное и творческое использование; размещение за платными API-сервисами требует отдельного разрешения или лицензии.

Krea 2 AnyPaint — функциональный адаптер от yijunwang2 для базовой модели Krea/Krea-2-Turbo. Модель предназначена для редактирования изображений по произвольной маске, включая inpainting, outpainting и комбинированные сценарии расширения холста и изменения содержимого. Адаптер поддерживает маски произвольной формы, несколько раздельных областей редактирования, узкие и изогнутые участки, маски, пересекающие границу исходного изображения, а также сохранение немаскированных областей с помощью согласованных латентных ограничений. Он рассчитан на работу с фотографиями, иллюстрациями, 3D-рендерами, интерьерами, объектами и изображениями людей. В метаданных указаны image-to-image pipeline, библиотека Diffusers и LoRA; сведения о размере модели, поддерживаемых языках, максимальном контексте и отдельных модальностях не приведены. Обычные импортеры LoRA и автоматически сгенерированный пример Diffusers несовместимы с этим функциональным адаптером: для использования требуются поставляемые автором файлы example.py, pipeline.py и anypaint.py либо соответствующая интеграция для ComfyUI. Модель распространяется по лицензии Krea 2 Community License; подробные условия доступны по указанной в README ссылке.

Mage-Flow-Edit — модель генерации и редактирования изображений из семейства Mage-Flow, представленная в карточке как модель для редактирования по инструкции. Семейство разработано как компактный стек примерно на 4 млрд параметров: в его основе лежат латентный токенизатор Mage-VAE и общий мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow matching. Репозиторий использует Diffusers и формат safetensors. Модель принимает исходное изображение и текстовую инструкцию, чтобы менять содержимое и внешний вид, преобразовывать сцену, восстанавливать изображение и создавать структурно согласованные варианты. Семейство поддерживает работу с разрешениями от 512 до 2048 пикселей и разными соотношениями сторон. В README описаны базовая, согласованная с предпочтениями и ускоренная четырёхшаговая версии семейства; точный вариант этого репозитория не уточнён. README заявляет компактность и высокую скорость, а для Turbo-варианта приводит время редактирования около 1,02 секунды на изображение 1024×1024 на одном A100. Эти показатели относятся к указанной конфигурации и не гарантируют такую же скорость на другом оборудовании. Модель распространяется по лицензии MIT.