I.10Видео, анимация и 3D

Ex-Omni-2D — мультимодальная диалоговая модель, разработанная авторами проекта Ex-Omni-2D. Репозиторий содержит веса языковой, визуальной и речевой частей модели, а также LoRA-адаптер видеогенератора для публичного inference-пайплайна. В метаданных архитектура указана как плотная Qwen3 с классом LlavaHerQwen3ForCausalLM; заявлен размер 7,6 млрд параметров и контекст до 40 960 токенов. Модель предназначена для выразительного диалога с визуальным присутствием и работы с разными модальностями, включая текст, изображения, речь и видео. Для запуска README предписывает использовать конфигурацию из inference-репозитория; пайплайн загружает дополнительные зависимости, в том числе Wan2.1-T2V-1.3B, Qwen3-VL-2B-Instruct, Qwen3-TTS, Whisper-large-v3 и OmniAvatar-1.3B. Полный последовательный Teacher включён, причинный Student в этой версии отсутствует. Лицензия — Apache-2.0.

Карточка модели thfzjj/Krea2_FP8 на Hugging Face совпадает с карточкой AlperKTS/Krea2_FP8, поэтому описание составлено по ней. AlperKTS/Krea2_FP8 — созданная сообществом квантизированная версия Krea 2 OSS Turbo от KREA.ai для генерации изображений по текстовым запросам. Модель использует архитектуру Krea2 на базе трансформера; репозиторий содержит веса FP8 в формате safetensors. Избирательная квантизация 266 матриц снижает размер с 24,76 до 12,01 ГиБ, сохраняя в исходной точности векторы, смещения, нормализации и чувствительные слои. По README модель можно запускать в ComfyUI 0.25.0 и новее; приведённый рабочий процесс использует 8 шагов и разрешение 1280×720. Модель предназначена для создания изображений по текстовым описаниям, включая иллюстрации, аниме и 3D-сцены. FP8-вариант рассчитан на запуск на потребительских видеокартах с 16 или 24 ГБ памяти. README сообщает, что примеры получены исходными весами BF16, поэтому качество конкретно этой квантизированной версии отдельно не подтверждено. Лицензия — KREA 2 License Agreement; перед использованием необходимо соблюдать её условия.

Mage-VL — мультимодальная модель для понимания изображений и видео, включая потоковое видео. Визуальный энкодер Mage-ViT обучен с нуля; он использует структуру видеокодека, чтобы сохранять все патчи ключевых кадров и выбирать значимые патчи предсказанных кадров. По заявлению авторов, это сокращает число визуальных токенов более чем на 75% и даёт ускорение инференса до 3,5 раза относительно равномерной выборки кадров. Текстовую часть составляет причинный декодер Qwen3-4B-Instruct-2507, подключённый через двухслойный MLP-проектор. Модель предназначена для ответов и описаний по изображениям и видео, временной локализации событий и потоковых сценариев с упреждающим комментированием: лёгкий когнитивный шлюз отслеживает поток и вызывает основную VLM при появлении значимого события. Для выделения визуальных признаков поддерживаются кодековые сигналы H.264/AVC, HEVC/H.265 и DCVC-RT. В карточке приведены результаты на бенчмарках, но они не гарантируют аналогичного качества в прикладных условиях. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README описывает базовый декодер и публичный checkpoint microsoft/Mage-VL, но не устанавливает их связь с конкретным репозиторием ngoctham/Mage-VL, поэтому происхождение этой копии и её базовая модель не определены.

ModernDisney — модель генерации изображений по текстовому описанию, созданная Yntec смешением Deliberate и Mo-Di-Diffusion. Для получения стилизации под современную анимацию Disney автор рекомендует добавлять в запрос токен «Modern Disney»; без него модель опирается на стиль Deliberate. Примеры охватывают мультяшных персонажей, чиби-иллюстрации и сцены с людьми. Модель основана на Stable Diffusion и распространяется в формате Diffusers с файлами safetensors. В опубликованном варианте VAE kl-f8-anime2 встроен в веса. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит сведения о размере и длине контекста.

Qwen-Image-Edit-2511-Pixar-Inspired-3D — адаптер LoRA, разработанный prithivMLmods для базовой модели Qwen/Qwen-Image-Edit-2511. Это image-to-image-модель для преобразования исходных изображений в высококачественные стилизованные 3D-иллюстрации персонажей в эстетике, вдохновлённой Pixar, с сохранением общей узнаваемости объекта или человека на входе. Модель формирует гладкое пластикоподобное затенение кожи, выразительные крупные глаза, мягкие округлые пропорции лица, аккуратно уложенные волосы и кинематографичное студийное освещение с мягкими тенями, глобальным освещением и эффектом рассеяния света в материале. Она рассчитана на создание цельных, доброжелательных и современных персонажных рендеров с согласованными цветами, композицией и освещением. Для активации эффекта рекомендуется использовать запрос «Transform it into Pixar-inspired 3D». Адаптер совместим с Diffusers и версиями базовой модели 2509 и 2511; в README приведён пример запуска с Qwen/Qwen-Image-Edit-2511, PyTorch и вычислениями в формате bfloat16 на CUDA. Для наилучшего сохранения идентичности входной объект должен быть хорошо виден и чётко очерчен; качество результата может снижаться при неясном или плохо различимом исходном изображении. Сведения о размере, точном числе параметров, поддерживаемых языках и максимальном контексте не указаны. Модель распространяется по лицензии Apache-2.0.

jzli/realcartoonXL-v6 — модель генерации изображений по текстовому описанию в стиле мультфильмов и реалистичной иллюстрации, построенная на Stable Diffusion XL и предназначенная для запуска через Diffusers. Она принимает текстовые запросы и создает изображения; репозиторий использует формат safetensors. Карточка предлагает запуск модели и доступ к API, но не приводит дополнительных сведений о разработчике, размере, контексте или поддерживаемых языках. Условия лицензии в предоставленных данных не описаны.

VBVR-Pro-Wan2.2-I2V-A14B — дообученная Video-Reason модель Wan2.2-I2V-A14B для генерации видео по изображению и текстовой инструкции. Она предназначена для задач визуального рассуждения, в которых нужно показать развитие сцены во времени, например отслеживание изменений состояния объектов. Модель использует архитектуру Wan2.2-I2V с отдельными диффузионными трансформерами для высокого и низкого уровней шума; адаптеры rank 32 уже объединены с весами экспертов. Репозиторий содержит веса в формате Diffusers и safetensors, поэтому отдельная загрузка адаптеров не требуется. Модель обучена на VBVR-Dataset и входит в исследовательский набор VBVR-Pro: в README описаны 300 процедурно созданных задач визуального рассуждения и перенос на внешние тесты. Для запуска предназначена библиотека Diffusers. Базовая модель рассчитана на генерацию видео 480p или 720p по метаданным каталога; поддерживаемые языки включают английский. Лицензия — Apache-2.0.

X-CLIP Large Patch14 — видеотекстовая модель Microsoft для распознавания действий и классификации видео. Это расширение CLIP, обученное контрастивным способом на парах видео и текста; архитектура модели обозначена как XCLIPModel. Модель обучена с учителем на наборе Kinetics-400, используя 16 кадров на видео с разрешением 336×336 пикселей. Модель оценивает соответствие текста видеоролику и подходит для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствий между видео и текстом. На Kinetics-400 указаны результаты 87,7% top-1 и 97,4% top-5. Репозиторий содержит веса PyTorch; лицензия — MIT.

Это репозиторий с весами CCSR-v2 (Continuous Latent Diffusion for Image Super-Resolution), опубликованными как перепубликация официальных весов проекта AI-Wrappers. Модель предназначена для повышения разрешения изображений с помощью диффузионной модели и ControlNet; шаги инференса можно выбирать гибко. Репозиторий включает компоненты Stable Diffusion 2.1, специально обученные веса ControlNet для первого этапа CCSR и дообученные веса VAE для второго этапа. Для запуска автор README рекомендует библиотеку ccsr-pruned. Файлы представлены в форматах Diffusers и Safetensors. Лицензия — Apache-2.0. Модель принимает изображение и выдаёт его увеличенную версию; по метаданным также поддерживается генерация изображения по тексту. Параметры размера и контекста в доступных сведениях не приведены.

misri/epicrealismXL_v7FinalDestination — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face. Репозиторий содержит веса в формате Diffusers и Safetensors; модель использует конвейер StableDiffusionXLPipeline и предназначена для создания изображений по промптам. Для запуска Hugging Face показывает пример с Diffusers и генерацией изображения по текстовому запросу. По названию и внешней карточке epiCRealism XL модель ориентирована на реалистичную визуальную эстетику. Репозиторий не сообщает размер параметров, длину контекста или список поддерживаемых языков. Лицензия в метаданных указана как unknown, поэтому условия использования следует уточнить у правообладателя.

FLUX.1 Depth [dev] — модель генерации изображений от Black Forest Labs. Это трансформер rectified flow на 12 млрд параметров, обученный с дистилляцией guidance. Он создаёт изображение по текстовому описанию и использует входное изображение, чтобы сохранять его структуру на основе карты глубины. Модель предназначена для творческих и исследовательских рабочих процессов, где нужно преобразовать или переосмыслить изображение, задавая результат текстом и сохраняя пространственную структуру исходника. Веса доступны для использования с Diffusers через FluxControlPipeline. Качество следования запросу зависит от формулировки промпта, а результат может не соответствовать ему. Лицензия FLUX.1 [dev] Non-Commercial License разрешает личное и научное использование; README также упоминает коммерческое использование, но отсылает к условиям лицензии. Модель не предназначена для выдачи фактической информации. Она может усиливать общественные предубеждения; действуют ограничения на незаконное и вредоносное использование.

DFloat11/FLUX.1-Depth-dev-DF11 — это сжатая версия модели black-forest-labs/FLUX.1-Depth-dev, подготовленная с использованием формата DFloat11. Модель предназначена для генерации изображений по текстовому описанию с управлением на основе изображения глубины, то есть для сценариев text-to-image и структурированного редактирования или создания изображений по пространственной композиции исходного изображения. Сжатие выполняется без потери точности: веса BFloat16 кодируются с помощью Huffman coding экспонент и аппаратно-ориентированных алгоритмов распаковки на GPU. Выходы заявлены как побитово идентичные исходной модели, а потребление GPU-памяти снижается примерно на 30%. Веса хранятся в сжатом виде и распаковываются непосредственно перед матричными умножениями, без передачи данных через CPU. Для работы требуются CUDA-совместимый GPU, PyTorch, пакет DFloat11 с поддержкой CUDA и библиотеки diffusers и image_gen_aux. В примере используется DepthPreprocessor на базе LiheYoung/depth-anything-large-hf; заявлены разрешение 1024×1024 и 30 шагов инференса, но это параметры примера, а не обязательные ограничения модели. README не указывает разработчика исходной FLUX.1-Depth-dev, размер модели, полный список поддерживаемых языков и модальностей, максимальную длину контекста или лицензию. Основное преимущество этой версии — существенное сокращение потребления видеопамяти при сохранении результатов исходной BFloat16-модели; ограничением является зависимость от CUDA-совместимого оборудования и специального программного окружения. Условия лицензирования в предоставленных данных не указаны.

Anibaaal/Flux-Fusion-DS-merge-gguf-nf4-fp4-fp8-fp16 — модель генерации изображений по текстовому описанию, созданная Anibaaal. Она представляет собой слияние вариантов Flux.1 Schnell и Flux.1 Dev с плавным изменением соотношений между блоками модели. Модель предназначена для работы в экосистеме Diffusers и совместима со сценариями генерации изображений через ComfyUI. Заявлен английский язык промптов. Модель ориентирована на создание детализированных изображений в различных стилях и тематиках: портретов, фэнтезийных и научно-фантастических сцен, 3D-рендеров, персонажей и окружений. Рекомендуется использовать от 4 до 8 шагов генерации. Доступны варианты весов в форматах GGUF, NF4, FP4, FP8 и FP16; для GGUF и BNB/NF4-совместимых вариантов требуются соответствующие пользовательские узлы ComfyUI. В зависимости от варианта также могут понадобиться отдельные VAE, CLIP и T5XXL. Сильной стороной является сочетание характеристик Schnell и Dev, рассчитанное на быструю генерацию при сохранении возможностей более качественной версии. Ограничения включают необходимость дополнительной настройки окружения и компонентов для некоторых вариантов, а также отсутствие в README точных сведений о размере модели, архитектурных деталях, максимальном контексте и поддерживаемых языках помимо английского. Лицензия указана как other, без дополнительных условий в представленном описании.

Future Diffusion — дообученная nitrosocke модель на базе Stable Diffusion 2.0 Base, созданная на высококачественных 3D-изображениях в футуристической научно-фантастической стилистике. Для усиления этого стиля в запросе рекомендуется использовать триггер «future style». Модель принимает текстовые запросы и генерирует изображения; автор указывает обучение на разрешении 512×512 и описывает примеры с персонажами, автомобилями, животными и пейзажами. Модель предназначена для создания концепт-арта, персонажей и окружений в эстетике sci-fi и футуризма. Она обучена методом DreamBooth с сохранением prior и дообучением текстового энкодера на базе Diffusers; автор характеризует её как ранний экспериментальный прототип. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — OpenRAIL++.

AlperKTS/Krea2_FP8 — созданная сообществом квантизированная версия Krea 2 OSS Turbo от KREA.ai для генерации изображений по текстовым запросам. Модель использует архитектуру Krea2 на базе трансформера; репозиторий содержит веса FP8 в формате safetensors. Избирательная квантизация 266 матриц снижает размер с 24,76 до 12,01 ГиБ, сохраняя в исходной точности векторы, смещения, нормализации и чувствительные слои. По README модель можно запускать в ComfyUI 0.25.0 и новее; приведённый рабочий процесс использует 8 шагов и разрешение 1280×720. Модель предназначена для создания изображений по текстовым описаниям, включая иллюстрации, аниме и 3D-сцены. FP8-вариант рассчитан на запуск на потребительских видеокартах с 16 или 24 ГБ памяти. README сообщает, что примеры получены исходными весами BF16, поэтому качество конкретно этой квантизированной версии отдельно не подтверждено. Лицензия — KREA 2 License Agreement; перед использованием необходимо соблюдать её условия.

Qwen-Image-Edit-2511-Anime — адаптер LoRA от prithivMLmods для модели Qwen/Qwen-Image-Edit-2511, разработанной командой Qwen. Он предназначен для преобразования входных изображений в аниме-стиль с плоской целл-шейдинг заливкой, сохраняя исходную структуру изображения. Модель работает в сценариях image-to-image и совместима с библиотекой Diffusers. Она ориентирована на высококачественные и визуально стабильные преобразования, хорошо сохраняет позу, пропорции объекта, угол обзора и перспективу камеры. Для запуска рекомендуется использовать триггерную фразу «Transform into anime.»; адаптер также может применяться вместе с lighting model, настроенной на 4 шага, для получения изображений высокого разрешения с улучшенной четкостью и детализацией. К ограничениям относятся зависимость от базовой модели Qwen-Image-Edit-2511 и необходимость корректной настройки Diffusers и совместимых версий библиотек. README не содержит сведений о размере модели, максимальном контексте, точном наборе поддерживаемых языков и иных количественных характеристиках. Модель распространяется по лицензии Apache-2.0.

ShotVL-7B — мультимодальная модель для понимания кинематографического языка, разработанная как дообученная версия Qwen/Qwen2.5-VL-7B-Instruct в рамках работы ShotBench. Она принимает изображения и видео вместе с текстовыми запросами и формирует текстовые ответы о визуальных и кинематографических характеристиках сцен. Модель имеет плотную архитектуру Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для анализа кадров и видео с точки зрения кинематографии. В README заявлено, что она достигла передовых результатов на бенчмарке ShotBench, оценивающем понимание кинематографии моделями vision-language. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

TensorArt-TurboX-SD3.5Large — ускоренный вариант Stable Diffusion 3.5 Large от TensorArt для генерации изображений по текстовому описанию. В README заявлено, что генерация примерно в шесть раз быстрее исходной модели при небольшом снижении качества, а детализация, разнообразие и реалистичность превосходят Stable Diffusion 3.5 Large Turbo; эти сравнительные характеристики приведены разработчиком и не сопровождаются численными результатами оценки. Модель предназначена для создания реалистичных и аниме-изображений, а также для использования с моделями сообщества и LoRA стилей, персонажей и концепций. Для версии из README рекомендуются sampler Euler, scheduler Simple, 8 шагов и CFG 1,0–1,5; доступность вариантов LoRA и checkpoint описана в карточке, но конкретные файлы репозитория представлены в форматах Diffusers и safetensors. README указывает на ограничения при отрисовке точного английского текста и генерации анатомически правильных кистей, а также на снижение качества при использовании нерекомендуемых sampler и scheduler. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в материалах репозитория.

T2I-Adapter-SDXL Depth-Zoe — адаптер, созданный Tencent ARC совместно с Hugging Face для управления генерацией изображений Stable Diffusion XL с помощью карты глубины. Он подаёт информацию о пространственной структуре сцены в базовую модель SDXL, помогая сохранять глубину и взаимное расположение объектов при создании изображения по текстовому запросу. Адаптер содержит около 77–79 млн параметров; базовая модель SDXL — около 2,6 млрд параметров. Для работы требуется совместимый чекпойнт Stable Diffusion XL и карта глубины, подготовленная с помощью Zoe. Модель подходит для генерации и редактирования изображений, когда нужно задать композицию сцены через глубину и описание на английском языке. Она обучалась на высококачественных парах изображение–текст из LAION-Aesthetics V2. Лицензия — Apache 2.0. Качество результата зависит от базовой модели, точности карты глубины и текстового запроса.

digiplay/bluePencil_v09b — модель Stable Diffusion в формате Diffusers для генерации изображений по текстовым запросам. В карточке модели приведено демонстрационное изображение исходного автора, но дополнительных сведений о разработчике и настройке модели нет. Модель предназначена для преобразования текстового описания в изображение; репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

GHArt/blue_pencil-XL_V1.0_xl_fp16 — модель генерации изображений по текстовому описанию, опубликованная GHArt на Hugging Face. Репозиторий помечен как StableDiffusionXLPipeline и содержит веса в формате Diffusers и safetensors. Модель предназначена для создания изображений по текстовым запросам. Поиск указывает на связь семейства blue_pencil-XL с Animagine XL, однако карточка указанной версии не дала надёжных сведений о точной базовой модели, размере и лицензии, поэтому эти характеристики не приводятся.

Карточка модели xyn-ai/dreamlike-photoreal-2.0 на Hugging Face совпадает с карточкой dreamlike-art/dreamlike-photoreal-2.0, поэтому описание составлено по ней. dreamlike-photoreal-2.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания фотореалистичных изображений по промптам; пример в карточке показывает пейзаж с церковью при ярком кинематографическом освещении. Модель доступна в форматах Diffusers, PyTorch и safetensors, а также как файл CKPT. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers; в примере модель загружается с точностью float16 и запускается на CUDA. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели. Карточка не приводит сведений о контексте или поддерживаемых языках, кроме английского в метаданных.

GuoFeng4 — серия дообученных моделей генерации изображений на основе Stable Diffusion XL 1.0; карточка описывает версии GuoFeng4.0 Real Beta, 4.1 2.5D и 4.2. Модель предназначена для создания изображений по текстовым запросам в эстетике, популярной в китайском визуальном искусстве, с образами в стилях 2.5D и CG, а также с текстурами, напоминающими игровые модели и 3D-моделирование. Благодаря базе SDXL модель подходит и для других сюжетов и стилей. Для GuoFeng4.1 автор отмечает, что проблема искажения лица при генерации изображения в полный рост почти отсутствует. Для других версий при таком сценарии может потребоваться убрать из запроса указание на полный рост или применить инструмент автоматической коррекции лица. В README рекомендуются сэмплер DPM++ 2M SDE Karras и CFG Scale 8. Репозиторий использует формат safetensors и библиотеку diffusers. Лицензия — Creative Commons Attribution-NonCommercial-ShareAlike 4.0 (CC BY-NC-SA 4.0), которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

Juggernaut Reborn — диффузионная модель генерации изображений по текстовому описанию, разработанная KandooAI и основанная на Stable Diffusion v1.5. Она распространяется в формате Safetensors и рассчитана на работу через библиотеку Diffusers. Модель предназначена для художников, дизайнеров и других пользователей, которым нужно создавать концепт-арт, иллюстрации и визуальные варианты по текстовым запросам. Результат зависит от точности и конкретности запроса; модель может выдавать предвзятые или нежелательные изображения и не подходит для подготовки медицинских, юридических и других профессиональных рекомендаций. В метаданных указана лицензия MIT, тогда как README называет CreativeML Open RAIL-M, поэтому условия лицензирования требуют проверки по актуальной карточке модели.

LLaVA-Video-72B-Qwen2 — мультимодальная модель команды LMMS-Lab для диалогового анализа видео с текстовыми ответами. Она основана на Qwen2 и использует визуальный компонент SO400M; размер модели — 71,5 млрд параметров, контекст — 32 768 токенов. Модель принимает изображения, несколько изображений и видео, поддерживает обработку до 64 кадров и обучена преимущественно для сценариев работы с видео. Модель обучена на смеси данных LLaVA-Video-178K и LLaVA-OneVision, включавшей 1,6 млн примеров с одним или несколькими изображениями и видео. Она подходит для вопросов о содержании ролика, описания сцен и сопоставления событий. В карточке указаны английский и китайский языки. Лицензия — Apache-2.0. Модель крупная и требует значительных вычислительных ресурсов; заявленный предел обработки — 64 кадра. Ответы генерируются текстом, поэтому точность зависит от визуального содержания и формулировки запроса; специализированные ограничения качества в карточке не перечислены.

emilianJR/majicMIX_realistic_v5_preview — версия в формате Diffusers контрольной точки Stable Diffusion от emilianJR для генерации реалистичных изображений по текстовым запросам. Модель запускается через StableDiffusionPipeline из библиотеки Diffusers и предназначена для сценариев text-to-image. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. В карточке указан английский язык. Точные размер модели и длина контекста не приведены. Качество генерации зависит от формулировки запроса и настроек запуска; сведения о специальных ограничениях или гарантиях качества в карточке отсутствуют.

chancharikm/qwen2.5-vl-7b-cam-motion — дообученная модель Qwen/Qwen2.5-VL-7B-Instruct, созданная для распознавания движений камеры в видео и поиска видео по текстовым описаниям таких движений. Разработчики обучили её на общедоступном наборе данных CameraBench; карточка называет модель предварительной версией и заявляет лучшие на момент публикации результаты в классификации движений камеры и поиске видео по тексту с оценкой VQAScore. Модель основана на плотной мультимодальной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает видео и текстовые запросы, а также может генерировать текстовые ответы. Для оценки соответствия видео описанию в README рекомендован подход VQAScore через пакет t2v_metrics. Контекст модели — до 128 000 токенов. Модель подходит для классификации движений камеры в роликах и оценки соответствия видео текстовым подписям при поиске и ранжировании. Указана лицензия other; точные условия следует проверять в карточке репозитория и у базовой модели. Это предварительная версия, поэтому заявленные результаты могут не переноситься на другие наборы данных и сценарии.

Abiray/Qwen-Image-2.1-GGUF — набор квантизированных контрольных точек GGUF для модели Qwen-Image-2.1, разработанной командой Qwen компании Alibaba Cloud. Репозиторий поддерживает генерацию изображений по текстовому описанию и редактирование изображений в ComfyUI с использованием расширения ComfyUI-GGUF. Основное назначение — запуск диффузионной модели на видеокартах с ограниченным объёмом видеопамяти. Квантизация diffusion transformer снижает требования к памяти, сохраняя, согласно описанию репозитория, детализацию, композицию и соответствие промпту. Доступны варианты Q8_0 размером 7,59 ГБ, Q6_K размером 5,88 ГБ, Q5_K_M размером 5,01 ГБ, Q4_K_M размером 4,19 ГБ, Q4_K_S размером 4,06 ГБ и Q3_K_M размером 3,19 ГБ; рекомендуемый объём VRAM составляет примерно от 4 до 12 ГБ в зависимости от варианта. Модель предназначена для работы в ComfyUI и требует совместимые текстовые энкодеры и VAE, которые предоставляются отдельно. В репозитории есть готовые рабочие процессы для text-to-image и image-to-image. Сильная сторона — выбор нескольких уровней квантизации для компромисса между качеством и потреблением памяти. Ограничения включают зависимость от ComfyUI, расширения ComfyUI-GGUF и дополнительных компонентов; сведения о поддерживаемых языках и размере базовой архитектуры в README не указаны. Лицензия обозначена как qwen-research; точные условия следует уточнять по лицензии базовой модели Qwen-Image-2.1.

byteshape/Qwen-Image-2512-GGUF — GGUF-квантизированная версия диффузионной модели Qwen-Image-2512, разработанная ByteShape с использованием ShapeLearn. Модель предназначена для генерации изображений по текстовому описанию и запускается в ComfyUI через расширение ComfyUI-GGUF, а также в stable-diffusion.cpp. Доступно шесть вариантов размером от 7,77 до 16,87 ГБ и с плотностью от 3,04 до 6,61 бит на вес. ShapeLearn подбирает тип данных для отдельных тензоров, чтобы сохранить качество при низкой разрядности. Квантизация снижает требования к VRAM и позволяет использовать модель на видеокартах с разным объёмом памяти; при нехватке памяти ComfyUI может выгружать части модели в оперативную память. Текстовый энкодер и VAE загружаются отдельно. Модель сохраняет высокое качество генерации, включая отображение текста на изображениях, однако при меньшей разрядности могут ухудшаться детали сцены и изменяться отдельные элементы композиции. Квантизация не гарантирует ускорения диффузионного вывода: по приведённым данным, на NVIDIA RTX 5090 один шаг занимает около 1,2 секунды, а генерация за 20 шагов — около 24 секунд. Языки, размер контекста и точная архитектура базовой модели в README не указаны. Распространяется по лицензии Apache 2.0.

SDXL-Lightning — модель генерации изображений по текстовому описанию, разработанная ByteDance и опубликованная как часть исследовательской работы о дистилляции диффузионных моделей. Она основана на Stable Diffusion XL 1.0 и предназначена для быстрого создания изображений размером 1024 пикселя за 1, 2, 4 или 8 шагов генерации. Доступны полные чекпойнты UNet и адаптеры LoRA; для лучшего качества авторы рекомендуют полные чекпойнты на базе SDXL, а LoRA — при использовании других базовых моделей. Варианты на 2, 4 и 8 шагов рассчитаны на быструю генерацию с высоким качеством. Версия на 1 шаг экспериментальная и менее стабильна по качеству. Для запуска нужны подходящий числу шагов чекпойнт и корректные настройки планировщика; в ComfyUI рекомендованы Euler и sgm_uniform. Модель распространяется по лицензии OpenRAIL++ с условиями использования, указанными в лицензии.