I.10Видео, анимация и 3D

Paramount — модель генерации изображений по текстовому описанию, созданная Yntec путём объединения моделей Paragon 1.0, AnalogMadness и Analog Diffusion. Она предназначена для создания разнообразных изображений с фотографической подачей и эстетикой аналоговой плёнки: от кинематографичных сцен и портретов до иллюстраций и рекламных сюжетов. Репозиторий содержит веса в формате safetensors для Diffusers; в основе семейства лежит Stable Diffusion 1.5. Примеры в карточке показывают широкий диапазон сюжетов и стилей, включая изображения людей, фантастические сцены и стилизованные кадры. Карточка не сообщает размер модели и длину контекста. Лицензия — CreativeML OpenRAIL-M; перед применением следует учитывать её условия использования и ограничения на распространение.

ProteusV0.1 — модель генерации изображений по текстовому описанию от dataautogpt3, созданная на основе OpenDalleV1.1. Её дообучили примерно на 220 тысячах изображений с подписями GPTV, включая фотографии из стоков с открытой лицензией и часть аниме-изображений, а также применили оптимизацию предпочтений DPO на 10 тысячах пар изображений, созданных ИИ. Модель распространяется в формате Diffusers и поддерживает StableDiffusionXLPipeline. Модель предназначена для создания изображений по промптам в разных стилях, включая фотореализм, сюрреализм, аниме и мультфильмы. В карточке отмечены улучшенная отзывчивость к запросам, проработка черт лица и реалистичных текстур кожи. Для генерации автор рекомендует разрешение 1024×1024 или 1280×1280, 20–40 шагов, CFG 7–8 и сэмплер DPM++ 2M SDE с планировщиком Karras. Модель лицензирована по GPL-3.0. Качество результата зависит от формулировки запроса и настроек генерации; в README не приведены количественные результаты сравнительных оценок.

vantagewithai/Qwen-Image-2.1-ComfyUI-GGUF — это GGUF-квантизированная версия модели Qwen-Image-2.1, адаптированная для использования в ComfyUI. Исходную модель разработала команда Qwen; данный вариант распространяется автором vantagewithai и основан на Qwen/Qwen-Image-2.1. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений. Она поддерживает создание обычных и прозрачных RGBA-изображений, работу с прозрачными слоями, выделение объектов на фотографиях, локальные правки с помощью кругов, нарисованных аннотаций или отдельных масок, а также использование до 10 референсных изображений. Заявлена возможность сохранять идентичность людей и товаров при редактировании. Поддерживаются соотношения сторон от 1:1 до 16:9 и 9:16 с разрешениями вплоть до 2752×2752 в зависимости от формата. Визуальный генеративный компонент содержит 7 миллиардов параметров и построен на архитектуре Single-Stream DiT с 32 слоями. В модели используются смешанное по гранулярности внимание и повторное использование prefix KV cache, что направлено на повышение эффективности вывода. Среди сильных сторон заявлены улучшенная отрисовка текста, реалистичные текстуры, портретное освещение, детализированная генерация и единая поддержка создания и редактирования изображений. Сведения о поддерживаемых языках, максимальном текстовом контексте и конкретных характеристиках квантизации в README не указаны. Модель распространяется по лицензии Qwen Research License Agreement; условия следует уточнять в файле LICENSE исходного репозитория.

Rin247/Qwen-Image-2.1-FP4 — пакет модели генерации изображений из текста на основе Qwen-Image-2.1. Автор репозитория подготовил его в формате safetensors для библиотеки diffusers; пакет включает денойзер, текстовый энкодер и VAE. Модель предназначена для создания изображений по текстовым запросам. Веса денойзера и текстового энкодера представлены в FP4; VAE использует FP8, а не 4-битное представление. Карточка называет пакет экспериментальным. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

Qwen-Image-2.1 mflux q4 — это конверсия модели Qwen/Qwen-Image-2.1, подготовленная mlx-community для запуска на компьютерах Apple с Apple silicon. Трансформер и текстовый энкодер Qwen3-VL хранятся в 4-битном формате MLX affine, а VAE использует компоновку Qwen Image 2.1 для mflux. Модель предназначена для генерации изображений по текстовому описанию; исходная модель также поддерживает редактирование изображений. Пакет создан из upstream-версии 790c926 с помощью mflux 0.20.0 и MLX 0.32.2. Размер пакета — около 8,9 ГБ. По результатам проверки на Mac Studio пиковое использование памяти составило 4,68 ГиБ при генерации 512×512 за 40 шагов и 5,14 ГиБ при генерации 1024×1024 за 4 шага. Для загрузки требуется изменённый загрузчик Rapid-MLX: стандартный mflux 0.20.0 не загружает этот пакет с квантизированным текстовым энкодером. Конверсия и исходная модель распространяются по лицензии Apache-2.0.

unsloth/Qwen-Image-2512-GGUF — это GGUF-квантизированная версия фундаментальной модели Qwen-Image-2512 для генерации изображений по текстовому описанию. Базовую модель разработала команда Qwen, а данную версию подготовила Unsloth с использованием методологии Unsloth Dynamic 2.0. Модель предназначена для сценариев text-to-image, включая создание реалистичных изображений людей, природных сцен, животных, иллюстраций и композиций с текстовыми элементами. Модель поддерживает английский и китайский языки. Она ориентирована на повышение реалистичности людей, детализацию природных объектов, а также точность и качество отображения текста и мультимодальных композиций. GGUF-квантизация снижает требования к ресурсам, а критически важные слои переведены в более высокую точность; конкретный размер модели, параметры, контекст и варианты квантования в README не указаны. Для запуска рекомендуются ComfyUI или stable-diffusion.cpp; также упоминается интеграция с инструментами ComfyUI-GGUF. Ограничениями являются зависимость от совместимого программного обеспечения и отсутствие в карточке подробностей о производительности, требованиях к оборудованию и точной конфигурации. Модель распространяется по лицензии Apache-2.0.

Daex032/Qwen-Image-Edit-2511-GGUF — это GGUF-квантизированная версия модели Qwen-Image-Edit-2511, разработанной командой Qwen. Сборка предназначена для задач редактирования изображений по текстовым инструкциям и относится к сценарию image-to-image; заявлены поддержка английского и китайского языков. Модель ориентирована на сохранение идентичности персонажей и объектов при редактировании, включая работу с несколькими людьми, объединение изображений и создание сцен с заданным расположением объектов. Среди улучшений указаны снижение дрейфа изображения, повышение согласованности персонажей, поддержка LoRA, улучшенная генерация промышленного дизайна и усиленное геометрическое рассуждение. Архитектура и количество параметров в README не указаны. Формат GGUF и методология Unsloth Dynamic 2.0 направлены на более эффективное локальное использование; для запуска упоминается интеграция с ComfyUI-GGUF. Модель распространяется по лицензии Apache-2.0. Ограничения включают отсутствие в README сведений о размере модели, требованиях к видеопамяти, максимальном разрешении и длине контекста, а также количественных оценок качества.

Realistic Vision 5.1 — модель Stable Diffusion для генерации фотореалистичных изображений по текстовому описанию, опубликованная stablediffusionapi. В карточке приведён пример работы через API ModelsLab с настройками размера изображения, числа шагов генерации и guidance scale; также указаны параметры negative prompt и усиления промпта. В метаданных указаны формат Diffusers/PyTorch и лицензия CreativeML OpenRAIL-M. Модель подходит для создания реалистичных портретов и сцен по промптам. Пример карточки демонстрирует генерацию изображения 512×512 за 30 шагов, однако это настройки примера, а не заявленные ограничения модели. Карточка не сообщает размер модели, длину контекста и подтверждённый список языков. Условия лицензии CreativeML OpenRAIL-M применяются к использованию весов; генерация через API ModelsLab может также регулироваться условиями этого сервиса.

RealVisXL V5.0 Lightning — модель генерации изображений от SG161222, ориентированная на фотореализм. Она принимает текстовые запросы и создаёт изображения; в карточке указана поддержка генерации как SFW-, так и NSFW-контента. Модель использует конвейер StableDiffusionXLPipeline и распространяется в форматах Diffusers и safetensors. В README рекомендованы быстрые настройки генерации: 5 шагов сэмплирования, DPM++ SDE Karras или DPM++ SDE и CFG 1,0–2,0. Для увеличения разрешения предложены отдельные параметры Hires Fix и апскейлеры. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.

BRIA RMBG v2.0 — модель сегментации изображений для удаления фона, разработанная BRIA AI на архитектуре BiRefNet. Она отделяет передний план от фона в фотографиях и других изображениях, включая изображения товаров, людей, объектов и рекламный контент. Модель обучена на более чем 15 000 вручную размеченных изображений высокого разрешения; заявленная область применения включает коммерческое создание контента, игровые материалы и электронную торговлю. Модель принимает изображение и выделяет передний план, что позволяет создавать маски сегментации и изображения с удалённым фоном. В README отмечены сбалансированное представление людей разных полов и этнических групп, а также людей с инвалидностью в оценочном наборе. Репозиторий содержит PyTorch, ONNX и safetensors форматы; метаданные относят модель к image-segmentation. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; для коммерческого применения требуется отдельное соглашение с BRIA. Модель предназначена для удаления фона и дихотомической сегментации, поэтому описание не подтверждает универсальную сегментацию произвольных классов объектов. README не приводит численные показатели качества или сведения о поддерживаемых языках.

matei-dorian/segformer-b5-finetuned-human-parsing — дообученная модель сегментации изображений на основе NVIDIA SegFormer MiT-B5. Она выполняет семантический разбор людей на изображении, присваивая пикселям классы частей тела и предметов одежды, включая лицо, волосы, руки, ноги, головные уборы, очки, верхнюю одежду, юбки, брюки, обувь, сумки и шарфы. Модель подходит для анализа изображений людей и выделения отдельных частей тела и одежды. В README приведены результаты оценки: mean IoU 0,6258 и общая точность 0,8256. Метрики заметно различаются по классам: например, IoU лица составляет 0,8294, а шарфа — 0,2956; для фона указана нулевая IoU. Модель распространяется в форматах PyTorch и Safetensors. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в репозитории; сведения о датасете обучения в README не раскрыты.

Карточка модели 004T/StableXlL на Hugging Face совпадает с карточкой kandinsky-community/kandinsky-2-1, поэтому описание составлено по ней. Kandinsky 2.1 — модель генерации изображений по тексту, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Она предназначена для создания изображений по запросам, а также для редактирования и преобразования изображений под текстовым управлением и интерполяции между изображениями. Модель сочетает подходы unCLIP и латентной диффузии: включает трансформерный image prior, диффузионную UNet и декодер MoVQGAN. CLIP-кодировщик преобразует текст и изображения в эмбеддинги; image prior связывает эти пространства, а диффузионная часть формирует изображение. Для обучения использовались данные LAION и дополнительные высококачественные изображения с описаниями. Модель доступна в формате Diffusers и поддерживает работу через библиотеку diffusers. Репозиторий распространяется по лицензии Apache-2.0. Это генеративная модель, поэтому результат зависит от формулировки запроса и может не соответствовать ему точно; описание не приводит отдельных гарантий качества для конкретных сценариев.

VisioniX Alpha — модель генерации изображений по текстовому описанию, созданная ehristoforu на основе Stable Diffusion XL Base 1.0. Она дообучена на реалистичных изображениях и предназначена для создания фотореалистичных сцен, портретов и детализированного художественного изображения с вниманием к общей эстетике и анатомии. Модель рассчитана на широкий круг задач генерации изображений. В карточке рекомендуются 22–25 шагов инференса, CFG 5–7 и сэмплеры DPM++ 3M SDE (Karras) или DPM++ SDE (Karras). Репозиторий использует Diffusers и формат SafeTensors. Лицензия — CreativeML OpenRAIL-M.

Zen Image Edit — модель генерации и редактирования изображений, созданная AiArtLab на основе Qwen-Image-2.1. Она работает через конвейер Diffusers и принимает текстовые инструкции вместе с исходными изображениями и референсами: первое изображение предназначено для редактирования, последующие используются как референсы. Модель также поддерживает генерацию изображений с прозрачностью RGBA. Вместо исходного текстового энкодера Qwen3-VL-8B используется Qwen3.5-0.8B с 158-миллионным адаптером слияния текста и изображения внутри DiT-трансформера. В комплект также входит дообученный декодер VAE, уменьшающий регулярный двухпиксельный узор на выходных изображениях. Для редактирования предусмотрена передача нескольких изображений; README приводит примеры генерации при разрешении 1024 пикселя и указывает, что размер холста зависит от последнего изображения, если явно не задать ширину и высоту. Модель ориентирована на текстовое создание изображений, редактирование персонажей и сцен, а также перенос визуальных признаков с референсов. README сообщает, что адаптер обучался и проверялся только на английском языке; надписи с числами могут генерироваться неверно, а сходство с нетекстовыми фото референсами ограничено возможностями исходного энкодера. При пакетной обработке более одного изображения на разрешении 1024 пикселя пиковое потребление памяти достигает примерно 28 ГБ. Модель распространяется на условиях Qwen Research License Agreement; энкодер Qwen3.5-0.8B — по Apache License 2.0.

Ming-flash-omni 2.0 — мультимодальная модель компании InclusionAI на архитектуре Ling-2.0 с механизмом Mixture-of-Experts: 100 млрд параметров всего и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных объектов и культурных объектов, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также генерацию и редактирование изображений. Среди заявленных возможностей — клонирование голоса без дополнительного обучения, управление характеристиками аудио, такими как эмоция и тембр, и удаление объектов с изображений с сохранением согласованности текстур и глубины сцены. В метаданных указаны архитектура BailingMM2NativeForConditionalGeneration и форматы PyTorch, Safetensors, ONNX, Flax и TensorFlow. Модель выпущена под лицензией MIT. В карточке не приведены длина контекста и языки аудио- или текстовых задач; английский указан среди языковых тегов.

Карточка модели servantofares/Ming-flash-omni-2.0 на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-2.0, поэтому описание составлено по ней. Ming-flash-omni 2.0 — мультимодальная модель от inclusionAI на архитектуре Ling-2.0 с Mixture-of-Experts: 100 млрд параметров всего, 6 млрд активных. Она принимает изображения, текст, видео и аудио, а выдаёт текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных сцен и знаний об объектах, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также создание и редактирование изображений. Среди заявленных возможностей — распознавание растений, животных, культурных объектов и достопримечательностей, управление характеристиками генерируемого аудио и клонирование голоса с нулевым примером. Для изображений заявлены генерация, сегментация и редактирование, в том числе удаление объектов и композиция сцен. Карточка описывает версии 2.0 как официальную открытую модель; лицензия репозитория — MIT. README не приводит подробностей о поддерживаемых языках, длине контекста, аппаратных требованиях или результатах независимой оценки; архитектура и заявленные способности не гарантируют качество на каждом сценарии. Метаданные указывают форматные варианты PyTorch, ONNX, Flax и TensorFlow.

Карточка модели andrewheins55/Ming-flash-omni-2.1 на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-2.0, поэтому описание составлено по ней. Ming-flash-omni 2.0 — мультимодальная модель от inclusionAI на архитектуре Ling-2.0 с Mixture-of-Experts: 100 млрд параметров всего, 6 млрд активных. Она принимает изображения, текст, видео и аудио, а выдаёт текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных сцен и знаний об объектах, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также создание и редактирование изображений. Среди заявленных возможностей — распознавание растений, животных, культурных объектов и достопримечательностей, управление характеристиками генерируемого аудио и клонирование голоса с нулевым примером. Для изображений заявлены генерация, сегментация и редактирование, в том числе удаление объектов и композиция сцен. Карточка описывает версии 2.0 как официальную открытую модель; лицензия репозитория — MIT. README не приводит подробностей о поддерживаемых языках, длине контекста, аппаратных требованиях или результатах независимой оценки; архитектура и заявленные способности не гарантируют качество на каждом сценарии. Метаданные указывают форматные варианты PyTorch, ONNX, Flax и TensorFlow.

OneThinker-8B — мультимодальная модель рассуждений для задач анализа изображений и видео, представленная разработчиками проекта OneThinker. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и построена на архитектуре Qwen3-VL с 8 млрд параметров. Модель объединяет несколько зрительных задач в одной системе: визуальные вопросы и ответы, математические задачи по изображениям, отслеживание объектов и сегментацию видео.

MIO-7B-Instruct — дообученная мультимодальная модель команды Multimodal Art Projection (M-A-P), основанная на Yi-6B-Chat от 01.AI. Карточка Hugging Face описывает репозиторий как модель для запуска через Diffusers; исследовательская статья о MIO описывает семейство как авторегрессионную модель, которая понимает и генерирует речь, текст, изображения и видео с помощью мультимодальных токенов. Семейство обучалось на мультимодальных данных и включает этапы предобучения и supervised fine-tuning для текстовых, визуальных и речевых задач. Описанные в статье возможности включают чередование видео и текста, визуальное рассуждение, генерацию визуальных инструкций и редактирование изображений. В метаданных этой версии указаны архитектура Llama, около 5,8 млрд параметров, контекст 4096 токенов и английский язык. Для репозитория указана лицензия Apache-2.0. Карточка содержит пример генерации изображения через Diffusers, но не приводит подробных оценок качества или разбивки возможностей именно этой версии; результаты статьи о семействе не следует считать отдельной оценкой MIO-7B-Instruct.

LibreYOLO/SenseNovaVision7b — зеркало весов SenseNova-Vision-7B-MoT от SenseTime для интеграции в уровень LibreVLM библиотеки LibreYOLO. Это единая мультимодальная модель компьютерного зрения на архитектуре Bagel-MoT: декодер Qwen2.5-7B MoT, визуальный модуль SigLIP и автоэнкодер FLUX. Один чекпойнт поддерживает обнаружение объектов, поиск точек и ключевых точек, OCR, оценку глубины, сегментацию и паноптическую сегментацию. Символьные результаты, например рамки, точки и распознанные слова, выдаются как структурированный текст; карты глубины и маски — как изображения, декодированные VAE. Модель можно использовать для анализа изображений через чат-интерфейс и генерацию. Веса и конфигурации в репозитории не изменены относительно исходной модели SenseTime; добавлены только карточка и уведомление. Лицензия весов CC BY-NC 4.0 разрешает некоммерческое использование. Для загрузки в LibreYOLO предусмотрено восстановление раскладки специальных токенов; другим средствам запуска может потребоваться такая же настройка или медленный токенизатор на основе vocab.json и merges.txt.

InternVL3-9B-Instruct — мультимодальная чат-модель OpenGVLab, дообученная методом supervised fine-tuning на базе OpenGVLab/InternVL3-9B-Pretrained. Она предназначена для диалога и рассуждений по тексту и изображениям, включая понимание нескольких изображений, видео, научных схем, интерфейсов GUI и 3D-сцен. Модель также обучалась работе с инструментами. Это вариант SFT без этапа MPO. Архитектура сочетает визуальный кодировщик InternViT, MLP-проектор и языковую модель; для обработки изображений используется разбиение на фрагменты 448×448 и динамическое разрешение. Поддерживаются мультимодальные входы и текстовые ответы; карточка указывает многоязычность, но конкретные языки и размер контекста для этого репозитория не приводит. Модель распространяется под лицензией MIT. К возможным ограничениям относятся ошибки в визуальном восприятии и рассуждениях; обработка нескольких изображений увеличивает число токенов и требования к контексту и вычислениям.

Карточка модели anas89ji/Ming-flash-omni-Preview на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-Preview, поэтому описание составлено по ней. Ming-flash-omni Preview — предварительная мультимодальная модель компании inclusionAI, дообученная на основе Ling-flash-2.0. Это разреженная MoE-модель с 100 млрд параметров, из которых активны 6 млрд на токен; архитектура указана как BailingMM2NativeForConditionalGeneration. Модель принимает текст, изображения, аудио и видео и может выдавать текст, изображения и аудио. Модель предназначена для мультимодального диалога: понимания изображений и видео, распознавания речи с учётом контекста и китайских диалектов, синтеза речи, генерации и редактирования изображений. Среди заявленных возможностей — генеративная сегментация, улучшенное сохранение сцены и идентичности при редактировании, а также отрисовка текста внутри изображений. Разработчик сообщает о сильных результатах на мультимодальных тестах, включая контекстное распознавание речи и распознавание 15 китайских диалектов. Модель опубликована под лицензией MIT. Это Preview-версия; карточка не приводит длину контекста и подробные требования к оборудованию. Для практического применения следует учитывать большой общий размер модели и проверять качество на целевых задачах.

InternVL3-14B-Instruct — мультимодальная модель OpenGVLab для диалога и генерации ответов по тексту и визуальным данным. Это версия SFT семейства InternVL3: она прошла мультимодальное предварительное обучение и supervised fine-tuning, но не этап MPO. Архитектура следует схеме ViT-MLP-LLM и реализована классом InternVLChatModel; модель доступна в формате safetensors для Transformers. Модель предназначена для понимания изображений и видео, мультимодальных рассуждений и диалога, а также задач с несколькими изображениями, GUI, 3D-сценами и научными диаграммами. Визуальная часть использует динамическое разбиение изображений на фрагменты 448×448 и позиционное кодирование V2PE; README также заявляет улучшенное понимание длинного контекста, но числовая длина контекста здесь не приведена. В семействе заявлена многоязычность. Модель может быть полезна для описания изображений, вопросов и ответов по визуальному содержимому, анализа видео и работы с GUI. README рекомендует тем, кто не уверен в выборе версии, использовать InternVL3-14B. Репозиторий указывает лицензию Apache-2.0. Ограничения качества, ресурсоёмкости и поддержки конкретных языков в предоставленных материалах подробно не описаны.

noctrex публикует GGUF-версии модели Qwen3-VL-30B-A3B-Instruct — мультимодальной модели Qwen с архитектурой Vision-Language для диалогового анализа изображений и видео. Это вариант с контекстом до 1 млн токенов, к которому применена imatrix; файлы доступны в форматах GGUF BF16, F16 и F32. Для запуска автор рекомендует использовать актуальную версию llama.cpp. Модель предназначена для диалогов по изображениям и видео, визуальных вопросов и ответов, OCR и пространственных рассуждений. Она принимает текст и изображения и выдаёт текст; метаданные также указывают поддержку vision и chat. Языковые характеристики в предоставленных данных не описаны. Это квантизированное представление базовой Qwen3-VL-30B-A3B-Instruct, поэтому для точного применения следует учитывать свойства исходной модели и выбранного файла GGUF. Лицензия в доступных данных не указана.

Карточка модели allenai/SAGE-MM-Qwen2.5-VL-7B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

gpustack/stable-diffusion-v2-1-turbo-GGUF — это быстрая генеративная text-to-image-модель, разработанная Stability AI и представленная в формате GGUF. Она является дистиллированной версией Stable Diffusion 2.1 и предназначена для синтеза изображений по текстовому описанию, включая сценарии генерации в реальном времени, исследование генеративных моделей, создание иллюстраций, дизайн и образовательные или творческие инструменты. Модель также поддерживает image-to-image-сценарии. В основе лежит метод Adversarial Diffusion Distillation (ADD), позволяющий получать изображения высокого качества за 1–4 шага, причём для text-to-image обычно достаточно одного шага. Предпочтительный размер изображения — 512×512, но возможны и более высокие разрешения. В репозитории указаны варианты квантования FP16, Q8_0, Q4_1 и Q4_0; OpenCLIP ViT-H/14 и VAE доступны в FP16. Модель работает с текстом и изображениями, однако язык текстовых запросов и максимальный размер контекста в предоставленных данных не указаны. Сильные стороны модели — высокая скорость генерации, пригодность для приложений реального времени и хорошее качество при малом числе шагов. Ограничения включают более низкое качество и соответствие запросу по сравнению с SDXL-Turbo; модель не предназначена для получения фактически достоверных изображений людей или событий, а также может наследовать ограничения и предвзятость исходной модели. Для использования необходимо соблюдать лицензионные условия и Acceptable Use Policy Stability AI; детали коммерческого лицензирования вынесены в документы Stability AI.

TowerVideo-9B — мультимодальная видеоязыковая модель семейства TowerVision, разработанная командой utter-project. Она принимает текст, изображения и видео и генерирует текст; модель предназначена для анализа видеоматериалов и других визуально-языковых задач, включая описание и обобщение, ответы на вопросы по визуальному содержимому и мультиязычный перевод с учётом культурного контекста. Модель содержит 9 млрд параметров и использует архитектуру LlavaOnevision: языковую основу TowerVision-9B с визуальным энкодером SigLIP2-patch14-384, соединённым мультимодальным адаптером. Контекст — 8192 токена. В карточке перечислены языки, включая английский, немецкий, русский, китайский, японский и хинди. Указаны сильные результаты на мультиязычных и культурно-ориентированных визуальных задачах; конкретные численные результаты для этой версии в карточке не приведены. Это дообучение utter-project/TowerVision-9B на видеотекстовой части датасета VisionBlocks. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия CC-BY-NC-SA-4.0 допускает использование с указанием авторства и на условиях лицензии, но запрещает коммерческое применение.

X-CLIP base-sized patch16 — модель Microsoft для анализа видео и текста, основанная на расширении CLIP для понимания видео-языковых связей. Она обучена с учителем на наборе Kinetics-400 в контрастивном режиме на парах «видео — текст». Модель использует 8 кадров на видео с разрешением 224×224; веса доступны в форматах PyTorch и Safetensors. Модель подходит для классификации видео в режимах zero-shot, few-shot и с обучением на размеченных данных, а также для поиска соответствий между видео и текстом. Её можно применять для оценки того, насколько текстовое описание подходит к ролику. На Kinetics-400 указаны результаты 83,8% top-1 и 95,7% top-5. Лицензия — MIT.

DINOv3 ViT-L/16 — модель извлечения визуальных признаков на основе Vision Transformer, разработанная Meta AI. Репозиторий содержит веса, предварительно обученные на LVD-1689M и дистиллированные от учителя DINOv3 ViT-7B; в метаданных указан размер 402,7 млн параметров. Модель принимает изображения и возвращает вектор CLS, патч-токены и register-токены. При размере изображения 224×224 получается 196 патч-токенов и пять специальных токенов; поддерживаются большие изображения с размерами, кратными 16. Признаки можно использовать без дообучения или подключать к небольшим классификаторам и другим downstream-модулям для классификации, поиска изображений, сегментации, оценки глубины и анализа видео. Карточка приводит сравнительные результаты на наборах для классификации, сегментации, оценки глубины и других задач, но отмечает различия в качестве между регионами и группами дохода. Лицензия указана как DINOv3 License; условия её применения следует проверять перед использованием.

Oryx-1.5-7B — мультимодальная модель THUdyh на 7,1 млрд параметров, дообученная на данных Oryx-SFT-Data на основе Qwen2.5-7B-Instruct и визуального энкодера Oryx-ViT. Она принимает изображения и видео произвольного пространственного размера и временной длины и формирует текстовые ответы; контекст составляет 32 768 токенов. Модель рассчитана на анализ визуальных материалов и диалог по их содержимому, поддерживает английский и китайский языки. Модель опубликована в формате safetensors под лицензией Apache-2.0. В карточке также указаны интерфейсы чата и вызова инструментов. README описывает обучение на смеси 1,2 млн примеров изображений и видео.