I.10Видео, анимация и 3D

Voxel — модель генерации изображений из текста на основе Stable Diffusion 1.5, созданная автором репозитория Yntec. Она получена слиянием моделей VoxelArt и SQUEE и настроена для создания изображений в стиле voxel art; модель также реагирует на запросы без обязательного указания VoxelArt и меньше зависит от негативных промптов. Разрешение модели — 768×768, в веса встроен VAE MoistMixV2VAE. Модель предназначена для генерации иллюстраций по текстовым описаниям, включая стилизованные персонажи, сцены и low-poly изображения. Распространяется в формате Diffusers с весами safetensors по лицензии CreativeML OpenRAIL-M. README содержит примеры промптов и изображений, но не описывает систематические ограничения качества или языковую специализацию.

EPFL-VILAB/4M-21_B — предобученная мультимодальная модель из семейства 4M, разработанного исследователями EPFL-VILAB. Она использует подход Massively Multimodal Masked Modeling и предназначена для задач компьютерного зрения и работы с разными модальностями в единой модели. Модели 4M поддерживают преобразование между входными и выходными представлениями разных типов, а 4M-21 разработана как модель зрения для десятков задач и модальностей. Модель подходит для мультимодальной генерации и переноса на задачи и модальности, не встречавшиеся при обучении. В репозитории веса в формате safetensors; для загрузки README указывает библиотеку fourm. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. Карточка описывает семейство и возможности 4M, но не сообщает размер именно варианта 4M-21_B, список поддерживаемых модальностей и отдельные ограничения качества.

artstation-diffusion v1.0 — латентная модель диффузии для генерации изображений по текстовому описанию, созданная автором репозитория hakurei на основе Stable Diffusion и дообученная на качественных изображениях с ArtStation. Модель рассчитана на генеративное искусство, концепт-арт и развлекательное использование; автор отмечает, что благодаря группировке обучающих примеров по соотношению сторон она хорошо генерирует изображения разных пропорций. Модель принимает текстовые запросы на английском языке и выдаёт изображения. Репозиторий использует формат Diffusers/PyTorch. Лицензия — CreativeML Open RAIL-M, условия которой следует учитывать при использовании и распространении результатов.

bonsai-image-ternary-4B-gemlite-2bit — модель генерации изображений по текстовому описанию от Prism ML. Она основана на архитектуре FLUX.2 Klein 4B с диффузионным трансформером MMDiT примерно на 4 млрд параметров и предназначена для локального запуска на видеокартах NVIDIA с CUDA в Linux и Windows. Веса основных линейных слоёв трансформера представлены в троичном формате {-1, 0, +1} с групповым масштабированием FP16; для выполнения на CUDA используется Gemlite INT2. Трансформер занимает около 1,21 ГБ в представлении Bonsai и 1,54 ГБ в развёрнутом CUDA-формате. Генерация использует четырёхшаговый FlowMatch-Euler сэмплер. Модель подходит для локального творчества, быстрой итерации и развёртывания на доступных GPU; карточка приводит ориентиры около 4,5 секунды на RTX 3080 и 2,8 секунды на A100 для изображения 1024×1024. Это компактное производное представление базовой модели prism-ml/bonsai-image-ternary-4B-unpacked. Оно не гарантирует полного совпадения с FP16 FLUX.2 Klein 4B: качество зависит от запроса и рабочего процесса, а мелкий текст, тонкие детали, точное число объектов и строгая композиция требуют отдельной проверки. Для генерации нужна CUDA-совместимая видеокарта и соответствующий стек Gemlite; в карточке указана лицензия Apache-2.0.

Boogu-Image-0.1-Turbo GGUF — квантизированная версия модели Boogu/Boogu-Image-0.1-Turbo, предназначенная для генерации изображений по текстовому описанию в среде ComfyUI. В README разработчик модели явно не указан; репозиторий содержит GGUF-варианты для архитектуры Boogu/OmniGen. Для работы необходимы FP8-версия текстового энкодера Qwen3-VL и стандартный VAE Flux. Доступны плоские варианты квантования Q4_0, Q4_1, Q5_0, Q5_1 и Q8_0. K-кванты Q2_K и Q3_K_M отсутствуют, поскольку для новой архитектуры Boogu/OmniGen ещё нет соответствующих схем в llama.cpp. Вариант Q4_0 рекомендован для систем с 8 ГБ видеопамяти как компромисс между экономией VRAM и качеством. Модель ориентирована на запуск через ComfyUI, однако для поддержки архитектуры Boogu может потребоваться версия ComfyUI с изменениями из pull request #14523. Лицензия в предоставленных данных не указана.

ClassicEra — модель генерации изображений по текстовому описанию в стиле классической анимации. Автор объединил DucHaiten-ClassicAnime и DucHaiten-GoldenLife, чтобы перенести выразительный стиль первой модели в основу второй; в опубликованной версии также встроен VAE MoistMixV2. Модель предназначена для создания стилизованных иллюстраций, включая милые персонажи и сцены в духе аниме и мультфильмов. В карточке приведён пример генерации девочки с флейтой в берёзовом лесу во время грозы. Репозиторий опубликован в формате Diffusers и содержит веса Safetensors. Лицензия — CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.

ControlNet v1.1 Soft Edge — модель условного управления генерацией изображений, разработанная Lvmin Zhang и Maneesh Agrawala. Она представляет собой вариант архитектуры ControlNet для Stable Diffusion и поставляется в формате diffusers. Чекпойнт обучен на базе Stable Diffusion v1.5 и предназначен для совместного использования с ней. Модель принимает текстовое описание на английском языке и дополнительное условие в виде изображения с мягкими контурами, помогая сохранять структуру и композицию исходного изображения при генерации или преобразовании. Она подходит для управляемого text-to-image и image-to-image сценариев, когда требуется согласовать результат с очертаниями объекта или сцены. Для подготовки управляющего изображения могут использоваться внешние детекторы, например HED или PidiNet. Ключевое преимущество модели — более точный контроль пространственной структуры по сравнению с генерацией только по текстовому запросу, при этом базовые возможности определяются подключённой моделью Stable Diffusion. Ограничения включают зависимость от совместимой diffusion-модели, необходимость предварительной обработки изображения для получения soft edge-карты и отсутствие в README сведений о размере параметров и максимальной длине контекста. Рекомендуемой базовой моделью является runwayml/stable-diffusion-v1-5; совместимость с другими моделями не гарантируется. Модель распространяется по лицензии CreativeML OpenRAIL M, являющейся вариантом лицензии Open RAIL M.

Карточка модели AbhishekDelMundu/Dasheng-AudioGen на Hugging Face совпадает с карточкой mispeech/Dasheng-AudioGen, поэтому описание составлено по ней. Dasheng-AudioGen — унифицированная модель генерации аудио по тексту. Она создана разработчиком mispeech и предназначена для синтеза разборчивой речи, музыки, звуковых эффектов и окружающих акустических сцен по текстовым описаниям. Модель относится к семейству Dasheng-AudioGen, использует плотную архитектуру и доступна в формате safetensors; для работы указана библиотека Transformers. Модель поддерживает английский язык и принимает текст, выдавая аудио. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста и подробности о качестве генерации.

Yntec/DreamWorld — модель генерации изображений по текстовому описанию на базе Stable Diffusion. Карточка называет её DucHaitenDreamWorld v1.3 и указывает, что это версия без EMA; репозиторий использует Diffusers и формат Safetensors. Модель предназначена для создания иллюстраций и художественных портретов по текстовым запросам. В примере показан сказочный портрет в стилистике анимационного кино с кинематографическим освещением. Лицензия CreativeML OpenRAIL-M допускает использование на её условиях и с установленными ограничениями.

FLUX.2 [klein] 4B fp8 diffusers — квантованная версия компактной модели Black Forest Labs для генерации и редактирования изображений. В основе — rectified flow transformer с 4 млрд параметров; модель принимает текстовые запросы и изображения, включая несколько референсов, и объединяет генерацию и редактирование в одной архитектуре. Репозиторий подготовлен для Diffusers и содержит веса в формате safetensors; трансформер квантован до FP8, а текстовый энкодер заменён на 4-битную версию unsloth/Qwen3-4B-unsloth-bnb-4bit. Модель предназначена для локальной разработки, развёртывания на периферийных устройствах и производственных сценариев, где важны скорость и умеренные требования к памяти. В README заявлены пиковое потребление около 9 ГБ VRAM и генерация примерно за 0,1 секунды при четырёх шагах на RTX 5090; требования к памяти и скорость зависят от оборудования и конфигурации. Карточка описывает генерацию по тексту, редактирование и работу с несколькими референсами. Текст, встроенный в изображение, может отображаться неточно, модель может не следовать запросу, а результат не предназначен для получения фактической информации. Поведение зависит от формулировки запроса, и возможны смещения из обучающих данных. Лицензия — Apache 2.0; в карточке также перечислены ограничения на отдельные виды использования.

Lance-3B-Video-bf16 — порт ByteDance Intelligent Creation Lab модели Lance_3B_Video в формате MLX от mlx-community, подготовленный для Apple Silicon. Это плотная мультимодальная архитектура на базе Qwen2.5-VL; в README указаны около 6,44 млрд параметров языковой модели и 669 млн параметров зрительного энкодера, тогда как метаданные каталога указывают общий размер 3,1 млрд. Контекст — 128 000 токенов по метаданным. Модель предназначена прежде всего для генерации видео по текстовому описанию. README сообщает о приемлемом качестве генерации коротких клипов вплоть до 768×768 и 25 кадров после исправления, с намеренно живописной стилистикой. Для длинных клипов и больших латентных сеток качество деградирует; при этом понимание видео и другие пайплайны в этой сборке не проверены. Она рассчитана на английские и китайские запросы, другие языки находятся вне распределения. Сборка использует bf16 и библиотеку MLX; README описывает запуск на компьютерах Apple Silicon, включая режимы экономии памяти. Это дообученный вариант bytedance-research/Lance и распространяется по лицензии Apache-2.0. Релиз отмечен как alpha, поэтому качество и применимость следует оценивать с учётом указанных ограничений.

LongVU_Qwen2_7B — модель для понимания длинных видео и ответов на вопросы о них, разработанная командой LongVU на базе Qwen2-7B. Она принимает видео вместе с текстовым запросом и генерирует текстовый ответ. Модель представлена в архитектуре CambrianQwen, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для анализа содержания и временной структуры длинных видео в диалоговом формате. В README упомянуты наборы данных OneVision и VideoChat2. Репозиторий содержит веса в формате safetensors и опубликован по лицензии Apache-2.0.

John6666/mikomic-anime-v10-superdetailed-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Это дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 на базе Stable Diffusion XL, предназначенная прежде всего для создания детализированных аниме-иллюстраций. Репозиторий содержит компоненты Diffusers и веса Safetensors; для запуска используется StableDiffusionXLPipeline. Модель принимает текстовый промпт и генерирует изображение. Метки карточки указывают на тематику аниме, персонажей, освещение, фоны и детализацию. Карточка помечена английским языком, но это само по себе не подтверждает, что модель ограничена только английскими промптами. Модель опубликована по лицензии faipl-1.0-sd; применимость лицензии следует оценивать с учётом её условий.

Neta Lumina — модель генерации изображений в аниме-стилистике, разработанная Neta.art Lab на основе Lumina-Image-2.0 команды Alpha-VLLM из Шанхайской лаборатории искусственного интеллекта. Модель дообучена на корпусе аниме-изображений и мультиязычных тегов; карточка описывает официальный выпуск v1.0 и архивные бета-версии. Модель предназначена для создания иллюстраций, постеров, раскадровок и дизайна персонажей по текстовым запросам. Она работает с обычными описаниями и тегами Danbooru, рассчитана на разные стили, включая furry и традиционную китайскую эстетику, и заявляет поддержку китайского, английского и японского языков. В основе — архитектура Lumina2 Diffusion Transformer (DiT) с текстовым энкодером Gemma; для запуска автор рекомендует ComfyUI и видеокарту с не менее чем 8 ГБ VRAM. По README модель хорошо следует сложным запросам и охватывает широкий спектр персонажей и стилей. Это заявление разработчика; сравнительные результаты или независимая оценка качества в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

Openjourney v2 — модель генерации изображений по текстовому описанию, созданная PromptHero и дообученная на более чем 60 тысячах изображений Midjourney. Она основана на Stable Diffusion 1.5 и предназначена для создания изображений в эстетике Midjourney по текстовым запросам; добавлять маркер стиля «mdjrny-v4» для этого не требуется. В карточке указаны обучение в течение 4500 шагов и трёх эпох, а также форматы Diffusers и PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M. README описывает репозиторий как тестирование первой тонко настроенной версии Openjourney, поэтому качество и область применения следует оценивать с учётом этого статуса.

azukivc/Qwen-Image-2.1-GGUF — это набор GGUF-квантизаций модели Qwen/Qwen-Image-2.1 для локальной генерации изображений. Репозиторий содержит преобразованные варианты исходных весов, а также совместимые текстовый энкодер Qwen3-VL 8B и VAE. Модель предназначена для работы в ComfyUI через ComfyUI-GGUF и поддерживает сценарии text-to-image и image editing, включая генерацию чувствительного и NSFW-контента без встроенного safety checker или фильтра содержимого. Доступны варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 ГБ. Рекомендуется Q4_K_M как компромисс между размером и качеством; для текстового энкодера можно использовать BF16-версию размером 17,53 ГБ или Int8-версию размером 9,35 ГБ, последняя лучше подходит для систем с ограниченной видеопамятью. VAE поставляется в формате BF16 и занимает 676 МБ. В README не указаны точные сведения о поддерживаемых языках, максимальном контексте, количестве параметров и архитектуре исходной модели. Сильные стороны модели — возможность локального запуска, несколько уровней квантизации и интеграция с готовыми рабочими процессами ComfyUI. Для стабильной работы требуется корректно установить ComfyUI-GGUF, текстовый энкодер и VAE; вариант Q8_0 может вызывать ошибку несовпадения форм 136 и 128 в некоторых конфигурациях, поэтому предпочтительны Q4_K_M, Q5_K_M или Q6_K. Лицензия указана как qwen-research с типом other; дополнительные условия использования в README не приведены.

Qwen-Image-2512-Lightning — модель генерации изображений по текстовому описанию, разработанная на базе Qwen/Qwen-Image-2512 и распространяемая в экосистеме LightX2V. Модель предназначена для text-to-image сценариев и поддерживает использование через фреймворки Qwen-Image-Lightning и LightX2V, включая соответствующие конвейеры инференса и оптимизации производительности. В README указано, что модель реализована в формате diffusion single-file и связана с distillation и LoRA. Архитектура, точный размер, поддерживаемые языки, модальности помимо текста и изображения, а также размер контекстного окна не указаны. Модель совместима с библиотекой Diffusers и описывается как полностью совместимая с лёгким фреймворком генерации изображений и видео LightX2V, однако конкретные характеристики производительности и качества не приведены. Модель распространяется по лицензии Apache-2.0. Для использования доступны рекомендации и примеры в репозиториях Qwen-Image-Lightning и LightX2V.

frankjoshua/realvisxlV50_v50LightningBakedvae — модель генерации изображений по текстовому описанию, разработанная пользователем frankjoshua и опубликованная на Hugging Face. Она предназначена для сценариев text-to-image: создания изображений на основе текстовых промптов, включая иллюстрации, концепт-арт, персонажей и фотореалистичные сцены. Модель реализована для библиотеки Diffusers и использует архитектуру StableDiffusionXLPipeline; формат весов — SafeTensors. В репозитории также присутствуют компоненты UNet, VAE, текстовые энкодеры и токенизаторы.

Rotoscopee — модель генерации изображений из текста, созданная автором tuwonga путём дообучения Stable Diffusion 1.5 на кадрах из анимационных произведений «A Scanner Darkly», «Undone» и «Tehran Taboo». Чтобы вызвать характерную ротоскопическую стилизацию, в запрос добавляют токен «rotoscopee». Модель рассчитана на создание персонажей, сцен, пейзажей и животных в этом стиле; автор отмечает, что персонажи получаются лучше, чем пейзажи и сцены. Модель обучена методом DreamBooth автором TheLastBen на 50 изображениях в течение 5000 шагов. Она распространяется в формате Diffusers и PyTorch, включая safetensors; README также описывает использование файла ckpt в интерфейсе Stable Diffusion. Лицензия — CreativeML OpenRAIL-M.

realrebelai/SenseNova-U1.5-8B_GGUFs — это набор оптимизированных GGUF-квантизаций модели SenseNova-U1.5-8B-MoT, разработанный RealRebelAI на базе модели SenseNova от SenseNova. Набор предназначен для генерации изображений по текстовому описанию и преобразования изображений в ComfyUI, в том числе на системах с ограниченным объёмом видеопамяти. Модель имеет размер 8B и использует архитектуру SenseNova-U1.5-8B-MoT; в README также указана технология flow-matching. Доступны варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q3_K_M и Q2_K с размером примерно от 9,4 до 21,6 ГБ. Для чувствительных слоёв patch_embedding, dense_embedding и fm_head применяются тензоры F16, что должно помогать сохранять качество генерации при сжатии. Вариант Q3_K_M отмечен как подходящий для профиля с ограниченной памятью, включая видеокарты с 8 ГБ VRAM, однако приведённые размеры файлов превышают этот объём и не гарантируют полного размещения модели в памяти. Для запуска требуется ComfyUI и специальный форк пользовательских узлов ComfyUI_SenseNova_U1_REBEL, включая загрузчик SenseNova_SM_Model и сэмплер SenseNova_SM_Sampler; стандартная совместимость не гарантируется из-за возможных структурных и размерных несовпадений. Языки, точное описание модальностей, максимальный контекст и результаты сравнительных тестов в README не указаны. Модель распространяется по лицензии Apache-2.0.

VBVR-Pro BAGEL — модель ByteDance-Seed/BAGEL-7B-MoT, дообученная командой Video-Reason для редактирования изображений и генерации промежуточных визуальных состояний в задачах визуального рассуждения. На вход она принимает исходное изображение и текстовую инструкцию, а выдаёт отредактированное изображение. Модель обучена для image-настройки VBVR-Bench Pro; в карточке указан шаг обучения 38 000 и архитектура BAGEL Mixture-of-Transformer-Experts с языковой основой Qwen2MoT. Весовой файл содержит полный чекпойнт в BF16, объединённый с замороженными компонентами базовой модели; FLUX autoencoder поставляется отдельно. Модель предназначена для визуальных задач, где ответ формируется через генерацию изображения, в том числе для контролируемых экспериментов по визуальному рассуждению. Для запуска требуются BAGEL, PyTorch, CUDA и GPU с большим объёмом памяти; увеличение разрешения и числа изображений повышает расход памяти и время работы. Лицензия — Apache 2.0. Авторы рекомендуют проверять сгенерированные изображения перед использованием в последующих приложениях.

unsloth/Z-Image-GGUF — это GGUF-квантизированная версия базовой модели Z-Image, разработанной командой Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и ориентирована на создателей контента, исследователей и разработчиков, которым нужны высокое качество, разнообразие визуальных стилей и точное следование промптам. Z-Image представляет собой полноразмерный, недистиллированный Single-Stream Diffusion Transformer. Она поддерживает Classifier-Free Guidance, отрицательные промпты и последующее дообучение, включая LoRA, а также структурное и семантическое управление. Модель рассчитана на разрешения от 512×512 до 2048×2048 при произвольном соотношении сторон, рекомендуемое число шагов генерации — 28–50, guidance scale — 3,0–5,0. В README указан английский язык, однако пример промпта приведён на китайском языке. Сильные стороны модели — широкий диапазон стилей от фотореализма и кинематографического цифрового искусства до anime и стилизованных иллюстраций, высокая вариативность композиции, лиц и освещения, а также эффективное управление нежелательными элементами через negative prompting. По сравнению с дистиллированной Z-Image-Turbo она требует больше шагов инференса, но сохраняет большую гибкость и пригодность к настройке. GGUF-версия использует методологию Unsloth Dynamic 2.0: важные слои переводятся в более высокую точность, а инструменты предоставлены ComfyUI-GGUF. Лицензия — Apache-2.0.

EPFL-VILAB/4M-21_XL — модель семейства 4M-21, разработанная исследователями EPFL-VILAB и представленная в работе «4M-21: An Any-to-Any Vision Model for Tens of Tasks and Modalities». Она построена на подходе Massively Multimodal Masked Modeling: токенизация и маскирование позволяют обучать модель на множестве разных модальностей и задач. Репозиторий содержит предварительно обученные веса в формате safetensors; для загрузки используется библиотека ml-4m. Модель предназначена для широкого круга задач компьютерного зрения и мультимодальной генерации: она может преобразовывать входы между модальностями, включая задачи, не встречавшиеся при обучении, и поддерживает управляемую генерацию. В README заявлена работа с десятками задач и модальностей, но точный состав входов и выходов для этого чекпойнта не перечислен. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия обозначена в метаданных как other, без уточнения условий в доступных сведениях. Карточка предназначена для применения как предварительно обученной мультимодальной модели; качество на конкретных задачах зависит от выбранных модальностей и настройки использования.

Anime Blend ARBlend Semi-Realistic Illustrious XL v10 SDXL — модель генерации изображений из текстового описания, созданная rIn_x0 на основе OnomaAIResearch/Illustrious-xl-early-release-v0. Модель предназначена для работы через Diffusers и использует StableDiffusionXLPipeline; её специализация — аниме, реалистичные и полуфотореалистичные изображения в стиле Illustrious.

Anime-Pencil-Diffusion — модель генерации изображений, созданная Yehia Serag на основе Stable Diffusion 1.5 и дообученная методом DreamBooth. Она предназначена для создания иллюстраций в стиле аниме-карандашных концепт-рисунков. Чтобы вызвать стиль, автор рекомендует добавлять в запрос фразу «animepencilconcept style» или «anime pencil concept style»; в README описаны версии от V1 до V5, обученные на наборах от 16 до 5000 изображений. Модель принимает текстовые запросы и генерирует изображения. В карточке указана поддержка английского языка; модель распространяется в форматах Diffusers, PyTorch и Safetensors. Для использования действует лицензия CreativeML Open RAIL-M, принятие которой автор связывает с использованием модели.

CASA-Qwen2_5-VL-3B-LiveCC — мультимодальная модель Kyutai для создания субтитров и текстовых описаний видео в реальном времени. Она основана на Qwen2.5-VL-3B-Instruct и дообучена на наборе LiveCC; архитектура использует слои CASA с перекрёстным вниманием для объединения визуальной и языковой информации. Модель содержит 3,1 млрд параметров, работает с видео и текстом и имеет контекст длиной до 128 000 токенов. Модель предназначена для генерации временно привязанных описаний видеопотока: кадры извлекаются с частотой 2 кадра в секунду, а текст можно выводить как субтитры в момент генерации. В README приведён пример описания животного в естественной среде. Для загрузки используется Transformers с включённым trust_remote_code. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая запрещает коммерческое использование и требует соблюдать условия атрибуции и распространения производных материалов. Карточка демонстрирует сценарий описания видео, но не сообщает о точности, задержке или качестве на других типах видеоматериалов. Указанный в метаданных английский язык — единственный подтверждённый язык карточки; переносимость на другие языки не установлена.

Classic Animation Diffusion — дообученная на скриншотах популярной анимационной студии модель Stable Diffusion от nitrosocke для генерации изображений по текстовому описанию. Для характерного визуального эффекта автор рекомендует добавлять в запрос фразу «classic disney style». Модель использует архитектуру Stable Diffusion и доступна в форматах Diffusers и PyTorch. В карточке приведены примеры генерации персонажей, животных, автомобилей и пейзажей; указаны настройки для изображений размером 512×704 и 704×512. Для работы можно использовать StableDiffusionPipeline из библиотеки Diffusers. Лицензия — CreativeML OpenRAIL-M. Результат зависит от формулировки запроса; модель настроена на стилизацию под классическую анимацию, поэтому она не предназначена для генерации изображений в произвольных стилях.

Пакет coolthor/comfyui-zimage-sulphur-nvfp4 содержит квантованную в NVFP4 сборку Z-Image Turbo и компоненты для запуска в ComfyUI. По README, сборка подготовлена для видеокарт NVIDIA Blackwell, включая RTX 5090 и DGX Spark/GB10; в комплект входят диффузионная модель, VAE, текстовый энкодер Qwen3-4B в bf16 и дополнительные файлы текстовых энкодеров и ControlNet. Репозиторий также связывает сборку с Tongyi-MAI/Z-Image-Turbo и Alibaba PAI Z-Image Turbo Fun ControlNet Union. Модель предназначена для генерации изображений по текстовым описаниям в ComfyUI. Квантование снижает требования к видеопамяти диффузионной модели на подходящем оборудовании; точные параметры контекста и перечень поддерживаемых языков для этой сборки не приведены. Базовая модель поддерживает английский и китайский текст на изображениях. Репакетирование распространяется по Apache-2.0. Указанная в README версия Gemma 3 12B имеет отдельные условия Gemma Terms of Use, а не Apache-2.0; для неё необходимо учитывать эти условия. Использование NVFP4 рассчитано на оборудование Blackwell, поэтому совместимость и скорость на иных GPU могут отличаться.

dbluth — модель генерации изображений по тексту, созданная автором tuwonga как дань аниматору Дону Блуту. Это объединённая модель Stable Diffusion 1.5: автор отдельно дообучил три модели DreamBooth на материалах видеоигр Dragon’s Lair, Space Ace и Dragon’s Lair II: Time Warp, а затем объединил их. Для получения характерного стиля в запросе используется токен dbluth. Модель предназначена для создания иллюстраций по текстовым описаниям и для преобразования исходных изображений в режиме img2img. Она воспроизводит стилистику, вдохновлённую анимацией Дона Блута и классической диснеевской анимацией. В README приведены примеры персонажей и настройки генерации, но результаты зависят от запроса и параметров. Файлы доступны в форматах Diffusers, PyTorch и SafeTensors. Для использования автор предлагает скачать файл checkpoint и загрузить его в интерфейс генерации Stable Diffusion. Лицензия — CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении результатов.

Dreamlike Photoreal Remix — ремикс модели Dreamlike Photoreal 2.0, созданный для возвращения характеристик, удалённых из версии Dreamlike Photoreal 1.0. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors и предназначена для генерации изображений по текстовым запросам, в том числе фотореалистичных и художественных изображений. В карточке приведён пример запроса для создания детализированной фантастической иллюстрации. Модель использует английские текстовые запросы. В README не названы точная архитектура, размер, длина контекста или базовая модель ремикса. Лицензия обозначена как other, её условия в доступных сведениях не раскрыты.