I.10Видео, анимация и 3D

OmniGen-v1 — универсальная модель генерации изображений, представленная авторами проекта OmniGen. Она принимает текстовые и визуальные подсказки и предназначена для генерации изображений по тексту, редактирования изображений и создания изображений с учетом референсов или заданного объекта и его идентичности. Модель объединяет эти сценарии в одном решении без дополнительных модулей вроде ControlNet и отдельной предварительной обработки изображений. Модель содержит 3,7 млрд параметров, использует плотную архитектуру на базе Phi-3 и распространяется в формате safetensors. В карточке Hugging Face указана задача text-to-image; README также описывает генерацию по изображениям и мультимодальным подсказкам. Для запуска доступен код инференса, а авторы предоставляют возможность дообучения, включая LoRA. Репозиторий создан в октябре 2024 года. OmniGen позиционируется как гибкий инструмент для разнообразных задач генерации и редактирования изображений. Авторы отмечают, что модель пока имеет возможности для улучшения; при работе с несколькими изображениями могут потребоваться настройки размера входных изображений, а для снижения потребления памяти предусмотрена выгрузка части модели. Лицензия — MIT.

photo Movie C1 — вариант модели генерации изображений семейства photo Movie, опубликованный Yntec. Это версия без EMA, основанная на Yntec/photoMovieXFinal и дообученная для создания изображений по текстовому описанию. Модель предназначена для генерации реалистичных и стилизованных изображений, включая портреты, пейзажи, городские и киберпанк-сцены, а также кинематографические и цифровые иллюстрации. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование с библиотекой Diffusers. В карточке приведены примеры запросов на английском языке с разными художественными стилями и визуальными эффектами. Лицензия — CreativeML OpenRAIL-M.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений, представленная командой Qwen. Компонент визуальной генерации содержит 7 млрд параметров и построен на 32 слоях одно-поточного DiT. Модель поддерживает обычные и прозрачные изображения RGBA, а также редактирование с использованием до 10 референсных изображений, масок и локальных пометок. Модель предназначена для создания изображений по текстовым запросам, редактирования отдельных областей, извлечения объектов из фотографий и сохранения внешности людей или товаров при работе с референсами. Среди заявленных улучшений — смешанное внимание с разной гранулярностью, повторное использование prefix KV cache, более точная типографика, освещение портретов и детализация текстур. Репозиторий содержит веса в формате Safetensors для Diffusers. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты. Карточка заявляет высокую эффективность инференса, но не приводит независимых оценок качества или требований к оборудованию.

Карточка модели 0xSojalSec/Qwen-Image-2.1-viggle-turbo-5x на Hugging Face совпадает с карточкой Viggle/Qwen-Image-2.1-viggle-turbo, поэтому описание составлено по ней. Qwen-Image-2.1-viggle-turbo — LoRA-адаптер, обученный Viggle на основе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсных изображений. Версия v0.2.1 использует адаптер ранга 256 в формате bf16 и рассчитана на 6 проходов трансформера без classifier-free guidance; также доступен вариант ранга 128. По заявлению разработчика, генерация примерно в пять раз быстрее базовой модели с 40 шагами, при этом качество на большинстве проверенных примеров сопоставимо. Адаптер рассчитан на работу поверх базового трансформера Qwen-Image-2.1 через Diffusers; в репозитории также приведены workflows для ComfyUI. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. Ограничения заметнее при рендеринге мелкого плотного текста и сложном редактировании, включая композицию по нескольким референсам, замену лиц, сохранение идентичности и инструкции с множеством ограничений; в этих случаях базовая модель может справляться лучше. Для ComfyUI автор предупреждает о возможных шероховатостях интеграции.

Qwen-Image-Edit-2511-GGUF — это квантованные версии модели Qwen-Image-Edit-2511, разработанной командой Qwen. Модель предназначена для редактирования изображений по входному изображению и текстовым инструкциям, включая творческие преобразования портретов, сохранение внешности персонажей, объединение нескольких людей в одну сцену, изменение освещения и ракурса, а также задачи промышленного дизайна. Ключевые улучшения относительно Qwen-Image-Edit-2509 включают уменьшение дрейфа изображения, более высокую согласованность персонажей, в том числе на групповых фотографиях, встроенную поддержку эффектов популярных LoRA, улучшенную генерацию промышленных объектов и усиленное геометрическое рассуждение. Последнее позволяет, например, создавать вспомогательные конструктивные линии для проектирования и аннотирования. Модель работает с изображениями и текстовыми инструкциями; в карточке указаны языки en и zh, библиотека diffusers и pipeline image-to-image. Архитектура, число параметров и размер контекста не указаны. Эта версия распространяется в формате GGUF, что связано с квантованием и может быть удобно для локального запуска при ограниченных ресурсах, однако конкретные варианты квантования и требования к оборудованию в карточке не приведены. Ограничения по качеству, безопасности и поддерживаемым разрешениям также не описаны. Модель распространяется по лицензии Apache 2.0.

calcuis/qwen-image-edit-plus-gguf — это GGUF-квантизированная версия модели Qwen/Qwen-Image-Edit-2509 для редактирования изображений по текстовым инструкциям. Модель предназначена для image-to-image сценариев: изменения объектов и деталей изображения, добавления элементов, замены или настройки фона, объединения содержимого нескольких изображений и работы с композициями из нескольких входных изображений. В зависимости от режима можно использовать до трёх изображений одновременно. Модель поддерживает текстовые и визуальные входные данные, однако сведения о точном размере основной модели, максимальном текстовом контексте и полном наборе языков в README не указаны. Доступны несколько GGUF-вариантов с разными схемами квантизации, включая IQ3_S, IQ4_NL и MXFP4_MOE, а также экспериментальные lite-варианты и интеграция с safetensors через Nunchaku. Lite LoRA может автоматически применяться для генерации за 4–8 шагов вместо стандартных 40, что сокращает время загрузки и инференса, но экспериментальные режимы могут быть менее стабильными. Модель можно запускать через gguf-connector, gguf-node в ComfyUI или обновлённую версию Diffusers; для работы требуются совместимые текстовые энкодеры, VAE и соответствующее аппаратное обеспечение. README не приводит результаты бенчмарков и не описывает ограничения качества, поэтому стабильность и производительность зависят от выбранного варианта, режима запуска и устройства. Распространение указано по лицензии Apache-2.0.

Uminosachi/realisticVisionV51_v51VAE-inpainting — модель для генерации и дорисовки изображений по текстовому запросу. В README она названа inpainting-моделью и описана как конверсия realisticVisionV51_v51VAE-inpainting. Метаданные указывают на Stable Diffusion Pipeline и форматы Diffusers, PyTorch и Safetensors. Модель предназначена для заполнения или изменения выбранных областей изображения по текстовой инструкции. Также она размечена для генерации изображений по тексту. Репозиторий использует лицензию CreativeML OpenRAIL-M. Подробности об архитектуре, размере, языках и ограничениях качества в предоставленных данных не приводятся.

Realistic Vision v6.0 — модель генерации изображений по текстовому описанию, опубликованная под именем stablediffusionapi. Карточка предлагает использовать её через API ModelsLab; в примере можно задавать положительный и отрицательный промпты, размер изображения, число шагов генерации и guidance scale. В README модель описана как ориентированная на фотореалистичные изображения, включая портреты с детализированным освещением и внешностью. Репозиторий Hugging Face содержит веса в форматах Diffusers и PyTorch, а модель использует StableDiffusionPipeline. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, максимальное разрешение или поддерживаемые языки промптов.

RealVis Medium 1.0b — модель генерации изображений, созданная SG161222 дообучением SD3.5 Medium для получения реалистичных и фотореалистичных изображений по текстовым запросам. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для работы, в частности, через ComfyUI. Модель ещё находится в разработке, поэтому результаты могут меняться. При длине запроса более 256 токенов T5 на краях изображения могут появляться артефакты; сокращение запроса может помочь. Распределение обучающих данных отличается от версии Large, поэтому одинаковые запросы могут давать другие результаты. Автор рекомендует Skip Layer Guidance для улучшения структуры и анатомической согласованности. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

SPARK.Chroma_preview — предварительная модель генерации реалистичных изображений по текстовым описаниям, созданная SG161222 как дообучение Chroma1-HD. Базовая модель основана на FLUX.1-schnell и содержит 8,9 млрд параметров. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для работы, в частности, через ComfyUI. Модель ориентирована на фотореалистичную генерацию и предлагает ограниченный набор стилей. Это предварительный выпуск: качество реализма и мелких деталей может быть ниже, чем у Chroma1-HD; возможны ошибки в анатомии и надписях. Для использования указана лицензия Apache 2.0.

alwold/stable-diffusion-2-inpainting — репозиторий модели Stable Diffusion 2 для дорисовки и редактирования изображений по текстовому запросу и маске. Разработчики исходной модели — Robin Rombach и Patrick Esser. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер OpenCLIP-ViT/H; веса продолжили обучать от stable-diffusion-2-base ещё 200 тысяч шагов. Репозиторий содержит модель в форматах Diffusers, PyTorch и safetensors. Модель предназначена для заполнения выбранных областей изображения и творческого редактирования с помощью текстового описания. При обработке используются стратегия генерации масок LAMA и латентные представления изображения с замаскированной областью. Основной язык запросов — английский; качество подсказок на других языках ниже. Лицензия — CreativeML Open RAIL++-M. Ограничения исходной карточки Stable Diffusion 2 применимы и здесь: модель может ошибаться в композиционно сложных сценах и изображении людей, не гарантирует фотореализм и не умеет надёжно создавать читаемый текст. Данные обучения включали отфильтрованные подмножества LAION-5B, но модель может воспроизводить смещения и нежелательное содержание; её не следует использовать для фактических изображений людей и событий или вредоносных целей.

Карточка модели Zlhugface1/stable-diffusion-2-inpainting на Hugging Face совпадает с карточкой sd2-community/stable-diffusion-2-inpainting, поэтому описание составлено по ней. 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.

sd3-reality-mix — полноранговая дообученная модель генерации изображений, созданная на основе Stability AI Stable Diffusion 3 Medium. Она принимает текстовые запросы и предназначена для создания изображений, в том числе в фотореалистичном стиле и по сложным описаниям. Модель использует пайплайн StableDiffusion3Pipeline и распространяется в формате Diffusers с весами Safetensors; текстовый энкодер не обучался, поэтому для генерации можно использовать энкодер базовой модели. В обучении использовались датасеты photo-concept-bucket и dalle3, изображения примерно по 1 мегапикселю и разные соотношения сторон. README приводит примеры проверок при разрешениях от 512×512 до 1280×768 и 960×1152, но не гарантирует качество для этих параметров. Модель доступна по лицензии CreativeML OpenRAIL-M.

Stable Diffusion 1.5 Alchemist — модель генерации изображений по текстовому описанию, разработанная Яндексом и дообученная на датасете Alchemist. Она основана на Stable Diffusion v1.5 и предназначена для создания изображений с улучшенной эстетикой и большей сложностью композиции. Модель распространяется в формате Diffusers с весами Safetensors и рассчитана на работу через библиотеку Diffusers. Модель подходит для генерации изображений по текстовым запросам. В карточке указана лицензия Apache-2.0. Из доступных сведений не следуют размер модели, длина контекста или перечень поддерживаемых языков; метаданные отмечают английский язык.

VideoPrism-B — фундаментальный видеоэнкодер, разработанный Google DeepMind. Модель преобразует последовательность кадров в компактные эмбеддинги, которые можно использовать в классификаторах, LLM, системах поиска и других моделях понимания видео. Она предназначена для классификации видео и действий, пространственно-временной локализации, видеопоиска и open-set-классификации при сопоставлении видео с текстом. Модель содержит около 114 млн параметров и использует backbone ViT-B в архитектуре факторизованного видеоэнкодера на основе ViViT: Vision Transformer для изображений и четыре слоя Transformer с временным вниманием. На вход подаются RGB-видео с размером кадров 288×288; выход имеет форму (число кадров × 16 × 16, число каналов признаков) и может быть преобразован в пространственно-временное представление. Во время обучения использовалось 16 кадров, но модель поддерживает произвольное их количество за счёт интерполяции временных позиционных эмбеддингов. Модель создаёт визуальные признаки; сведения о поддерживаемых естественных языках для этой базовой версии не указаны. Сильная сторона VideoPrism — универсальность: один замороженный checkpoint показал результаты лучше предыдущих foundation-моделей на 31 из 33 публичных бенчмарков без дообучения на целевых наборах данных. Ограничения связаны с возможными смещениями и шумом обучающих данных, рисками неподходящего или вредоносного контента, а также недостаточной проработкой длинных видео, геометрической информации и несемантических признаков. Модель распространяется по лицензии Apache-2.0.

BK-SDM-Tiny-2M — компактная модель для генерации изображений по текстовому описанию, разработанная авторами семейства Block-removed Knowledge-distilled Stable Diffusion (BK-SDM). Она создана на основе Stable Diffusion с архитектурным сжатием U-Net и дистилляционным предварительным обучением; версия 2M обучалась на 2,3 млн пар изображение–текст из LAION-Aesthetics V2 6.25+, что в десять раз больше данных, чем в предыдущем выпуске BK-SDM. Модель запускается через библиотеку Diffusers и предназначена для эффективного синтеза изображений; в карточке приведены примеры генерации с разрешением 512×512. В сравнении на MS-COCO авторы сообщают, что увеличение обучающих данных улучшает визуальные результаты, соответствие изображений запросам и метрики качества. Приведённые численные результаты относятся к BK-SDM-Base-2M, поэтому их нельзя напрямую считать оценкой Tiny-версии. Модель распространяется по лицензии CreativeML OpenRAIL-M; при использовании следует соблюдать рекомендации Stable Diffusion v1.

rafacost/DreamOmni2-7.6B-GGUF — это квантованная модель в формате GGUF, представляющая прямую конвертацию DreamOmni2-7.6B, разработанной xiabs. Конверсию выполнил rafacost. Модель относится к классу image-to-image и основана на DreamOmni2, предназначенной для мультимодального редактирования и генерации изображений по инструкциям. Модель рассчитана на сценарии генерации и редактирования изображений с использованием мультимодальных инструкций. Для запуска предусмотрена интеграция с ComfyUI через пользовательские узлы проекта DreamOmni2-GGUF; файлы модели размещаются в каталоге ComfyUI/models/unet, а LoRA — в ComfyUI/models/loras. Квантование в формате GGUF может снизить требования к ресурсам по сравнению с исходной моделью, однако конкретный тип квантования и системные требования в README не указаны. В доступных данных не указаны точная архитектура, размер контекста, поддерживаемые языки, перечень модальностей и количественные результаты оценки. Лицензия указана как Apache-2.0, при этом для конвертированной модели сохраняются исходные условия лицензирования и ограничения использования базовой модели.

DreamShaper 6.2 — модель генерации изображений по текстовому описанию, размещённая пользователем Yntec. Карточка называет её подробной версией DreamShaper 6.2 и указывает вариант no-EMA со встроенным VAE 840KVAE. Модель предназначена для создания иллюстраций, аниме и мультяшных изображений, а также фотореалистичных сцен и пейзажей; примеры включают персонажей, еду и игровое искусство. Модель распространяется в формате Diffusers с весами Safetensors и использует Stable Diffusion. Указана лицензия CreativeML Open RAIL-M. В карточке приведены примеры промптов и сгенерированных изображений; данных о размере модели, длине контекста или поддерживаемых естественных языках нет.

Fluently V4-inpainting — модель генерации и редактирования изображений на основе Stable Diffusion 1.5, опубликованная автором Fluently. Это специальная версия для inpainting, особенно для небольших областей и сложных объектов; карточка также заявляет поддержку outpainting, реалистичных и художественных изображений, аниме и комиксов. Модель рассчитана на использование с Diffusers и форматом safetensors; автор рекомендует запускать её через AUTOMATIC1111 с 20–30 шагами и CFG 5–7. В README автор описывает Fluently как результат объединения нескольких чекпойнтов и LoRA, однако метаданные Hugging Face указывают базовой моделью runwayml/stable-diffusion-inpainting и классифицируют связь как дообучение. Лицензия обозначена как other, поэтому условия использования следует уточнять на странице модели. Заявления автора о качестве анатомии и детализации не сопровождаются количественными оценками.

Карточка модели fuliucansheng/FLUX.1-Fill-dev-diffusers на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Fill-dev, поэтому описание составлено по ней. FLUX.1 Fill [dev] — модель генерации и редактирования изображений от Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный с дистилляцией guidance. Модель заполняет выбранные области существующего изображения по текстовому описанию, стараясь согласовать результат с запросом и структурой исходного изображения. Модель предназначена для редактирования изображений и творческих рабочих процессов: например, для замены или добавления объектов и восстановления областей изображения по текстовой инструкции. Она принимает изображение и текстовое описание и выдаёт отредактированное изображение. Для запуска предусмотрена поддержка Diffusers через FluxFillPipeline. Качество генерации и следование запросу могут уступать FLUX.1 Fill [pro] и зависят от формулировки запроса. При заполнении сложных текстур возможны линии на границах области, а незатронутые области могут немного менять цвет. Модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Для весов указана лицензия FLUX.1 [dev] Non-Commercial License; README описывает допустимые сценарии использования, но лицензия ограничивает коммерческое применение.

Flux.1 Lite 8B Alpha — экспериментальная модель генерации изображений по текстовым описаниям, разработанная Freepik на основе FLUX.1-dev от Black Forest Labs. Это трансформерная модель с 8 млрд параметров, дистиллированная из FLUX.1-dev; веса доступны в формате safetensors для Diffusers. По данным разработчика, она использует на 7 ГБ меньше оперативной памяти и работает на 23% быстрее исходной модели при сохранении точности bfloat16. Для генерации рекомендуется guidance_scale 3.5 и 22–30 шагов. Модель предназначена для создания изображений по текстовым запросам и доступна как alpha-версия. README описывает применение в ComfyUI и генераторе Freepik. Языки запросов в предоставленных материалах не перечислены. Веса выпущены по некоммерческой лицензии FLUX.1 [dev] от Black Forest Labs, поэтому коммерческое использование ограничено условиями этой лицензии.

FLUX.2 [klein] 9B-KV — модель Black Forest Labs для генерации и редактирования изображений. Это оптимизированный вариант FLUX.2 [klein] 9B с кэшированием KV-пар изображений-референсов: они вычисляются на первом шаге денойзинга и повторно используются на следующих. По заявлению разработчика, такой подход ускоряет редактирование с несколькими референсами до 2,5 раза. Модель объединяет генерацию изображений по тексту и редактирование с несколькими изображениями-референсами. Это 9-миллиардная flow-модель с текстовым энкодером Qwen3 на 8 млрд параметров; чекпойнт дистиллирован до четырёх шагов инференса. Она предназначена, в частности, для интерактивного редактирования и создания вариантов на основе тех же референсов. Для работы требуется около 29 ГБ видеопамяти по данным карточки. Модель не предназначена для предоставления фактических сведений; соответствие промпту не гарантировано, а текст внутри изображений может искажаться. Результаты зависят от формулировки запроса, а модель может воспроизводить смещения обучающих данных. Лицензия допускает некоммерческое использование; необходимо соблюдать её условия и правила использования Black Forest Labs.

Flux2-Klein-9B-True-V1 — модель генерации изображений из текста, разработанная wikeeyang на основе FLUX.2-klein-9B от Black Forest Labs. Это дообученная версия, ориентированная на text-to-image, редактирование изображений, работу с референсами и inpainting. Заявлена поддержка английского и китайского языков. По данным README, модель имеет размер 9B и предназначена для использования в экосистеме Diffusers и ComfyUI. В сравнении с исходной моделью автор заявляет более чёткую и реалистичную генерацию, более точное редактирование и снижение проблем с потерей деталей, характерных для дистиллированных моделей. Модель совместима с LoRA и допускает гибкую настройку параметров. Рекомендуются CFG 1.0 и 20–30 шагов для генерации, 10–25 шагов для редактирования и inpainting; при использовании turbo LoRA — около 8–12 шагов. В качестве sampler/scheduler рекомендуются euler/simple, но допускаются и другие варианты. Ограничения включают отсутствие указанного размера контекста, сведений о точной архитектуре, разрешении, требованиях к аппаратному обеспечению и результатах независимых оценок. Заявленные преимущества основаны на описании автора и примерах из README. В метаданных указана лицензия Apache-2.0, однако раздел о лицензировании требует использовать модель в соответствии с FLUX Non-Commercial License от Black Forest Labs; перед применением необходимо руководствоваться условиями исходной лицензии.

Flux2-Klein-9B-True-V3 — доработанная модель wikeeyang на базе black-forest-labs/FLUX.2-klein-9B для генерации изображений по текстовому описанию. Модель предназначена для text-to-image synthesis, а также для редактирования изображений по инструкциям, точечного регионального редактирования с масками и применения LoRA для задач вроде смены лица, одежды и внешнего вида. Заявлена поддержка английского и китайского языков; модель интегрируется с библиотекой Diffusers и экосистемой ComfyUI на базе PyTorch. Версия V3, по заявлению автора, улучшает эстетику и композицию и устраняет часть проблем версий V1 и V2. Доступны варианты в форматах bf16, int8 и int4_convrot, что позволяет использовать модель на видеокартах с ограниченной памятью; для полной bf16-версии автор указывает возможность запуска примерно с 4–6 ГБ VRAM при использовании block offloading. Также заявляется небольшая потеря качества при квантовании и высокая скорость int8-версии, однако независимые численные оценки, точные требования к памяти, размер контекста и подробности архитектуры в README не приведены. Модель может быть полезна для создания иллюстраций, концепт-арта, генерации персонажей и управляемого редактирования изображений. Ограничения включают зависимость результатов от выбранного формата квантования, аппаратной конфигурации, ComfyUI или другого совместимого загрузчика, а также отсутствие подробных бенчмарков и гарантированных характеристик качества. Несмотря на поле license: apache-2.0 в метаданных, в тексте README указано, что модель следует использовать по некоммерческой лицензии FLUX от black-forest-labs; это условие необходимо учитывать как основное заявленное ограничение использования.

misri/juggernautXL_juggXIByRundiffusion — модель генерации изображений по текстовому описанию на основе Stable Diffusion XL, опубликованная пользователем misri. Репозиторий содержит веса в формате Safetensors и конфигурацию StableDiffusionXLPipeline для использования через Diffusers; название и источники связывают её с семейством Juggernaut XL от RunDiffusion и KandooAI. Модель предназначена для создания изображений по текстовым запросам, в том числе фотореалистичных изображений и художественных стилей. Карточка RunDiffusion описывает возможности семейства в генерации фотореалистичных сцен, а пример запуска репозитория демонстрирует текстовый запрос и получение изображения. Для этой копии Hugging Face указывает неизвестную лицензию, поэтому условия использования следует уточнять у правообладателя. Размер контекста и число параметров в доступных сведениях не приведены.

lvladikov/Krea2-Turbo-Distill-4step-LoRA — LoRA-адаптер для модели Krea 2 Turbo, предназначенный для генерации изображений по текстовому описанию. Разработчик адаптера — lvladikov; базовая модель создана командой Krea. Адаптер совместим с Diffusers и ComfyUI и не требует пользовательских узлов, изменённого sampler или дополнительного кода. Модель сокращает минимальное практическое число шагов денойзинга Krea 2 Turbo с 8 до 4, используя сигмы и конфигурацию базовой модели. По заявленным результатам, это обеспечивает примерно в 1,6 раза более быструю генерацию при сохранении качества мелких текстур: на части тестов оно сопоставимо с 8-шаговой версией или превосходит её. Обучение проводилось на 78 000 образцах, включая текстовые промпты и реальные фотоснимки, с учётом соответствия изображений исходным описаниям. Поддерживаются 12 разрешений и различные соотношения сторон в диапазоне от 512×512 до 1440×1440. Адаптер предназначен для ускоренной text-to-image генерации, включая фотореалистичные изображения и художественные сцены. Рекомендуется использовать 4 шага инференса и guidance scale 0; сила адаптера масштабируется, причём значение 0,75 указано как подходящая альтернативная настройка. При полной силе на стилизованных изображениях, высококонтрастных сценах и очень больших разрешениях текстура может выглядеть чрезмерно выраженной. Для работы требуется базовая модель Krea 2 Turbo и соответствующее окружение Diffusers или ComfyUI. Распространяется по Krea 2 Community License, обозначенной как лицензия other; условия следует уточнять в приложенном LICENSE.pdf.

Krea 2 Turbo (+ Identity Edit) — это дистиллированная модель генерации и редактирования изображений, опубликованная пользователем ChrisColeTech в формате GGUF. Сборка содержит denoiser Krea 2 Turbo Edit со встроенной identity LoRA, текстовый энкодер Qwen3-VL-4B и VAE Qwen-Image; это готовые веса, а не модель, дообученная в данном репозитории. Модель поддерживает генерацию изображений по текстовому описанию, преобразование изображений и редактирование с сохранением идентичности объекта или человека. Режим Identity Edit принимает одну-две референсные фотографии и текстовую инструкцию, сохраняя личность, позу, освещение и сцену без маски или выделения области. Также доступно обычное strength-based редактирование img2img. Заявленный рабочий режим — 8 шагов без guidance; в примерах используются изображения размером 1024×1024, а на RTX 5090 генерация занимает около 35 секунд. Основной denoiser поставляется в нескольких уровнях GGUF-квантизации, включая Q4_K_M размером 7,26 ГБ, а также доступна сборка scaled-FP8. Текстовый энкодер Qwen3-VL-4B занимает 5,24 ГБ, VAE — 254 МБ. Точные сведения о поддерживаемых языках, максимальном контексте и полной архитектуре не указаны. Сильные стороны модели — высокая скорость за счёт дистилляции, поддержка нескольких режимов работы и сохранение идентичности при редактировании; ограничения включают необходимость совместимого GGUF Loader и отсутствие подробных данных о качестве, языках и требованиях к оборудованию. Лицензия в репозитории указана как unknown.

Карточка модели szwagros/Krea-2-Turbo-fp8 на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

Monetico — модель генерации изображений по текстовому описанию, разработанная Collov Labs. Это эффективное воспроизведение Meissonic на основе нем autoregressive masked image modeling: модель создаёт изображение целиком, а не генерирует его последовательность пикселей или токенов. В README заявлена генерация изображений 512×512 качества, сопоставимого с Meissonic и SDXL, и возможность запуска на потребительских видеокартах. Модель предназначена для создания изображений по текстовым запросам. README не сообщает поддерживаемые языки запросов и подробные требования к видеопамяти. Репозиторий использует форматы Diffusers и Safetensors. Лицензия — Apache-2.0.

Карточка модели BAAI/OmniGen-v1 на Hugging Face совпадает с карточкой Shitao/OmniGen-v1, поэтому описание составлено по ней. OmniGen-v1 — универсальная модель генерации изображений, представленная авторами проекта OmniGen. Она принимает текстовые и визуальные подсказки и предназначена для генерации изображений по тексту, редактирования изображений и создания изображений с учетом референсов или заданного объекта и его идентичности. Модель объединяет эти сценарии в одном решении без дополнительных модулей вроде ControlNet и отдельной предварительной обработки изображений. Модель содержит 3,7 млрд параметров, использует плотную архитектуру на базе Phi-3 и распространяется в формате safetensors. В карточке Hugging Face указана задача text-to-image; README также описывает генерацию по изображениям и мультимодальным подсказкам. Для запуска доступен код инференса, а авторы предоставляют возможность дообучения, включая LoRA. Репозиторий создан в октябре 2024 года. OmniGen позиционируется как гибкий инструмент для разнообразных задач генерации и редактирования изображений. Авторы отмечают, что модель пока имеет возможности для улучшения; при работе с несколькими изображениями могут потребоваться настройки размера входных изображений, а для снижения потребления памяти предусмотрена выгрузка части модели. Лицензия — MIT.