I.10Видео, анимация и 3D

I Can't Believe It's Not Photography — модель генерации изображений по текстовому описанию, опубликованная Yntec. Карточка содержит примеры промптов для создания реалистичных портретов и сцен, а также художественных иллюстраций с кинематографическим освещением и насыщенными деталями. Метаданные указывают на использование Diffusers и форматов Diffusers и safetensors; модель относится к семейству Stable Diffusion. Модель подходит для генерации портретов, персонажей и атмосферных сюжетных изображений по текстовому промпту. В README упоминается первая версия и предлагается ознакомиться с лицензией на исходной странице; метаданные обозначают лицензию как other, поэтому конкретные условия использования по доступным сведениям определить нельзя.

eniora/Juggernaut_XL_Ragnarok — модель генерации изображений по текстовому описанию, опубликованная пользователем eniora. Репозиторий использует архитектуру Stable Diffusion XL и библиотеку Diffusers; веса представлены в формате Safetensors, общий размер модели на карточке Hugging Face указан как 3 млрд параметров. Модель предназначена для создания изображений по текстовым промптам. Её можно запускать через StableDiffusionXLPipeline или DiffusionPipeline, в том числе локально на совместимом оборудовании. Карточка репозитория не содержит описания обучения, языковой поддержки, контекстного окна или лицензии, поэтому эти характеристики нельзя надёжно уточнить.

LMD+ — система генерации изображений по тексту, разработанная авторами проекта LLM-grounded Diffusion. Она использует большую языковую модель как предварительный обработчик запроса: извлекает объекты, их атрибуты и пространственные отношения, планирует компоновку, а затем передаёт её генератору изображений. Такой подход улучшает следование сложным запросам, включая понимание отрицаний, привязку атрибутов к объектам и генерацию заданного количества объектов. Модель основана на Stable Diffusion v1.4 и включает адаптеры, обученные с GLIGEN. Для использования предназначен конвейер LLMGroundedDiffusionPipeline; эта версия упрощает LMD+ и не выполняет генерацию отдельно для каждой рамки объекта. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M.

Eugeoter/noob-sdxl-controlnet-lineart_anime — модель для генерации изображений по текстовому описанию с использованием ControlNet, ориентированная на управление композицией по линейному изображению в anime-стилистике. Она построена на базе Laxhar/sdxl_noob и предназначена для работы с библиотекой Diffusers и экосистемой Stable Diffusion XL. Модель может применяться для создания изображений по эскизам, lineart-референсам и другим структурным направляющим изображениям, однако подробные сведения о точной архитектуре, размере, поддерживаемых разрешениях, контексте и качестве результатов в карточке не указаны. В метаданных заявлен английский язык. Ключевое преимущество модели — сочетание генерации по тексту с управлением позой и композицией через lineart, что может быть полезно при создании персонажей и сцен в аниме-стилистике. Ограничения, особенности обучения и рекомендуемые параметры использования не описаны. Модель распространяется по Fair AI Public License 1.0 for SD; условия лицензии следует уточнять по указанной ссылке: https://freedevproject.org/faipl-1.0-sd/.

QuantFunc/Nunchaku-Qwen-Image-2512 — это серия предварительно квантованных производных весов модели Qwen/Qwen-Image-2512, подготовленная разработчиком QuantFunc для генерации изображений по текстовому описанию. Модель предназначена прежде всего для использования в ComfyUI через плагин QuantFunc, а также совместима с экосистемой Nunchaku-ComfyUI и LoRA. Доступны варианты с приоритетом качества, сбалансированные и ориентированные на максимальную скорость, в форматах INT4 и FP4. Ключевая особенность — офлайн-квантизация весов и инференс через нативный C++/CUDA-движок QuantFunc без зависимости от Python-моделей, что, по данным README, обеспечивает ускорение в 2–11 раз по сравнению со стандартными BF16/FP16-пайплайнами. Варианты различаются параметром low_rank: 256 для максимального качества, 128 для баланса и 32 для скорости. Заявлена поддержка GPU NVIDIA RTX 20/30/40/50, A100 и других современных ускорителей с CUDA 12 и 13, включая нативный FP4 на Blackwell. Указаны английский и китайский языки. Модель ориентирована на текст-в-изображение; плагин также предоставляет сценарии работы с референсными изображениями, inpainting и LoRA. Ограничения включают зависимость от QuantFunc/ComfyUI и потери, связанные с квантизацией. Лицензия — Apache License 2.0, унаследованная от базовой модели; репозиторий не аффилирован с авторами Qwen, MIT HAN Lab или проектом Nunchaku.

Photo Movie X — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Карточка показывает пример запроса для создания кинематографичного сюрреалистического портрета с ретроархитектурой, научно-фантастической сценой и роботом. Модель распространяется в формате Diffusers на базе PyTorch с весами SafeTensors и использует Stable Diffusion Pipeline. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не приводит сведения о размере модели, поддерживаемых языках или длине контекста.

Qwen3.6-27B-DFlash — черновая модель семейства Qwen3, разработанная Fluxmire как дообученная версия z-lab/Qwen3.6-27B-DFlash. Она предназначена для ускорения спекулятивной генерации при создании кода Three.js по изображениям и помогает формировать сцены и компоненты Three.js. Архитектура — DFlashDraftModel; модель принимает текстовые запросы и изображения и выдаёт текст с кодом. Метаданные указывают 2,9 млрд параметров, контекст до 262 144 токенов и поддержку английского языка. Для работы требуется совместимая среда DFlash или спекулятивного декодирования и соответствующая целевая модель Qwen3.6-27B. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка описывает её узкое назначение; пригодность для других задач не подтверждена.

RealCartoon3D_F16full_v3.1 — модель генерации изображений по текстовому описанию в семействе Stable Diffusion, опубликованная пользователем digiplay. В карточке приведён пример промпта для создания детализированного портрета в стилистике аналоговой фотографии; автор также ссылается на демонстрационные изображения. Репозиторий содержит файлы Diffusers, PyTorch и safetensors. Модель предназначена для создания изображений по промптам, в том числе портретов с детализированной кожей, кинематографическим освещением и эффектами вроде объёмного тумана. В метаданных указана лицензия other, поэтому конкретные условия использования следует проверять в файлах репозитория. Подробности об архитектурной версии, размере модели, разрешении и ограничениях качества в доступной карточке не приведены.

ShotVL-3B — мультимодальная модель разработчиков проекта ShotBench, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct для экспертного анализа кинематографического языка. Она принимает изображения и видеоклипы вместе с текстовыми вопросами и формирует ответы на естественном языке о композиции кадра, операторских приёмах и других визуальных аспектах кинематографии. Модель построена на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. ShotVL-3B обучена с помощью supervised fine-tuning и Group Relative Policy Optimization на наборе ShotQA примерно из 70 тысяч мультимодальных вопросов и ответов. По данным карточки, она показывает лучшие результаты среди сравниваемых моделей на бенчмарке ShotBench, но качество даже сильных VLM на этом бенчмарке ограничено, особенно при распознавании тонких визуальных деталей и сложных пространственных отношений. Модель распространяется по лицензии Apache-2.0.

SoteDiffusion Wuerstchen3 Decoder — модель генерации изображений, созданная как дообучение Würstchen V3. Она предназначена для создания аниме-иллюстраций по текстовым описаниям и распространяется в формате Diffusers с весами Safetensors. Для обучения использовались 512 тысяч изображений; обучение проводилось на одной AMD RX 7900 XTX с 24 ГБ памяти в течение 100 часов. Реалистичные изображения не оценивались, а при изображении персонажей издалека глаза могут получаться неудачно. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

Diankun/Spatial-MLLM-subset-sft — дообученная мультимодальная модель семейства Qwen2.5-VL, предназначенная для анализа видео и ответов на вопросы о визуальной пространственной информации. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VL_VGGTForConditionalGeneration, работает через Transformers и принимает контекст до 128 000 токенов. Модель описана в работе Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial Intelligence. Она подходит для диалогового анализа видеосцен с пространственным содержанием и формирования ответов на естественном языке. Базовая модель — Qwen/Qwen2.5-VL-3B-Instruct. Репозиторий распространяется по лицензии MIT.

furusu/SSD-1B-anime — это модель генерации изображений по текстовому описанию, созданная автором furusu на основе SSD-1B. По README, автор объединил SSD-1B с разницей весов NekorayXL и SDXL 1.0, затем дистиллировал полученную модель, обучая её воспроизводить конечный вывод NekorayXL. Модель предназначена для генерации изображений в аниме-стиле. Её можно использовать в ComfyUI с файлами safetensors. В README также описаны LoRA для генерации с CFG scale 1, что позволяет не вычислять отрицательный промпт, и LCM-LoRA для SSD-1B. Модель использует семейство Stable Diffusion XL и библиотеку Diffusers. Карточка не сообщает размер модели, длину контекста или лицензию; эти характеристики здесь не приводятся. Сведения о языках промптов и конкретных ограничениях качества отсутствуют.

Yntec/UberRealisticLegacy — модель генерации изображений по тексту на базе Stable Diffusion, представленная в формате Diffusers и safetensors. В README указано, что это версия без EMA; в качестве примера приведён запрос на иллюстрацию персонажа в мультяшной стилистике. Модель предназначена для создания изображений по текстовым описаниям. Для неё указана лицензия CreativeML OpenRAIL-M. Данных о размере модели, контексте и конкретных ограничениях качества в предоставленных источниках нет.

VIEW2SPACE view2space_4b — модель на основе Qwen/Qwen3-VL-4B-Instruct, разработанная для проекта VIEW2SPACE и представленная как исследовательская работа ECCV 2026. Она анализирует несколько разреженных наблюдений с разных, в том числе неоднородных, ракурсов и формирует пространственное понимание сцены на основе изображений и текстовых запросов. Модель предназначена для визуального рассуждения по нескольким изображениям, когда для ответа нужно объединить частичные сведения с разных точек обзора. Она использует архитектуру Qwen3VLForConditionalGeneration и распространяется в формате safetensors; карточка рекомендует применять код оценки и форматирование запросов из официального репозитория VIEW2SPACE. Лицензия в предоставленных данных не указана.

Voyage — модель преобразования текстовых запросов в изображения, разработанная Мухаммадрезой Хагири. Она предназначена для художников и других авторов, которым нужно создавать изображения по текстовому описанию; для вывода можно использовать планировщик Euler или DPMS. По README, модель основана на весах Stable Diffusion 2.0 и Midjourney v4. Репозиторий содержит веса в форматах Diffusers и PyTorch, а метаданные указывают на лицензию CreativeML OpenRAIL-M. Конкретные размер модели, длина контекста и поддерживаемые языки в предоставленных данных не описаны.

jayn7/Z-Image-Turbo-GGUF — это квантизированная в формате GGUF версия модели Z-Image Turbo, разработанной Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в ComfyUI через ComfyUI-GGUF или в библиотеке Diffusers. Репозиторий содержит варианты весов Z-Image Turbo в формате GGUF, а для текстового кодирования рекомендуется модель Qwen3-4B-GGUF. В README приведён пример генерации изображения размером 1024×1024 за 9 шагов инференса; для Turbo-моделей указано использовать guidance_scale, равный 0. Поддерживаются GPU-инференс, опциональная компиляция модели, альтернативные attention-бэкенды и выгрузка части вычислений на CPU для устройств с ограниченной памятью. К преимуществам относятся уменьшенный размер и потенциально более низкие требования к памяти благодаря квантизации, а также интеграция с распространёнными инструментами ComfyUI и Diffusers. Ограничения связаны с тем, что README не содержит точных сведений об архитектуре исходной модели, размере параметров, доступных языках, длине контекста, конкретных уровнях квантизации и требованиях к оборудованию; качество и скорость зависят от выбранного варианта GGUF и окружения. Репозиторий распространяется по лицензии Apache-2.0 и следует лицензии исходной модели Z-Image Turbo.

Apollo-LMMs-Apollo-3B-t32 — мультимодальная модель семейства Apollo для понимания видео, представленная в рамках проекта Apollo. Модель содержит 3,1 млрд параметров, использует плотную архитектуру ApolloForCausalLM и рассчитана на контекст до 32 768 токенов. В метаданных указана поддержка английского языка и формат весов safetensors; лицензия обозначена как other. Модель предназначена для анализа длинных видеозаписей, временных связей и вопросов о содержании видео, в том числе в многоходовом диалоге с опорой на видеоматериал. В README отмечены эффективная выборка кадров и сочетание визуальных энкодеров SigLIP-SO400M и InternVideo2; проект заявляет возможность работы с часовыми видео и высокие результаты при размере 3B параметров. Для использования необходимы поддерживающая Transformers среда и компоненты проекта Apollo.

BeautiFool Reality 3 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она построена на Stable Diffusion 1.5 и предназначена для создания реалистичных и стилизованных изображений, в частности портретов, персонажей и сцен с кинематографическим освещением. Веса доступны в формате Diffusers и Safetensors; в модель встроен VAE 840K для улучшения деталей. Примеры в карточке показывают генерацию цифрового арта с эстетикой киберпанка, персонажей и бытовых сцен. Для работы модель принимает текстовые промпты на английском языке и выдаёт изображения. Лицензия — CreativeML OpenRAIL-M; её условия и ограничения следует учитывать при использовании и распространении результатов.

Runware/BFL-FLUX.2-klein-base-4B — копия базовой модели FLUX.2 [klein] 4B Base, разработанной Black Forest Labs и опубликованной Runware в формате Diffusers. Это модель генерации и редактирования изображений по текстовому описанию: поддерживает создание изображения по запросу, а также редактирование по одному или нескольким референсным изображениям. В конфигурации Diffusers используется Flux2KleinPipeline с трансформером Flux2Transformer2DModel и текстовым энкодером Qwen3ForCausalLM; размер модели — 4 млрд параметров. Вариант Base не подвергнут дистилляции: разработчик рекомендует его для дообучения, настройки под свои задачи и гибких рабочих процессов генерации и редактирования. Модель выпущена по лицензии Apache 2.0. Для её запуска нужны значительные ресурсы: в официальном описании для 4B Base приводится ориентир около 17 ГБ видеопамяти на RTX 5090; скорость и требования зависят от оборудования и настроек.

Модель KnightMichael — дообученная с помощью DreamBooth модель Stable Diffusion для создания изображений с фоновыми пейзажами в стиле аниме «Digimon Adventure». Для генерации используется текстовый запрос с триггером «a landscape in sks style». Модель предназначена для создания стилизованных фонов и пейзажей по текстовому описанию. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — MIT.

Diving Illustrious Flat Anime Paradigm Shift v40 VAE SDXL — модель преобразования текста в изображение, созданная пользователем DivingSuit. Она основана на OnomaAIResearch/Illustrious-xl-early-release-v0 и предназначена для генерации изображений по текстовым описаниям с использованием Stable Diffusion XL и библиотеки Diffusers. Модель ориентирована на аниме-стилистику с плоской заливкой, при этом поддерживает элементы реалистичной визуальной подачи. Её можно применять для создания персонажей, иллюстраций, концепт-артов и других изображений по англоязычным промптам. В метаданных указана реализация через StableDiffusionXLPipeline и формат safetensors. Модель распространяется по лицензии FAIR AI Public License 1.0 for Stable Diffusion (FAIPL-1.0-SD); перед использованием необходимо учитывать условия этой лицензии и ограничения базовой модели.

Dreamlike Diffusion 1.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания художественных изображений по текстовым запросам; модель можно запускать через Diffusers или использовать на сайте dreamlike.art. Карточка указывает на поддержку Stable Diffusion Pipeline и распространяемые форматы Diffusers, PyTorch и safetensors. В метаданных указан английский язык. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

DucHaiten-AnyUnreal — модель генерации изображений по текстовому описанию из семейства Stable Diffusion, опубликованная Yntec. Примеры в карточке показывают широкий художественный диапазон: аниме и чиби, фотореалистичные и кинематографичные сцены, иллюстрации и фантазийные образы. Репозиторий использует библиотеку Diffusers и формат safetensors. Модель предназначена для создания изображений по промптам, включая персонажей, стилизованные иллюстрации и сцены с визуальными эффектами. Примеры демонстрируют разные стили, но не содержат количественной оценки качества или описания ограничений. Лицензия — CreativeML OpenRAIL-M.

philz1337x/epicrealism — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face под учётной записью philz1337x. Репозиторий содержит пайплайн Diffusers StableDiffusionPipeline и веса в форматах PyTorch и Safetensors; страницу модели можно использовать с библиотекой Diffusers. Модель предназначена для создания изображений по текстовым запросам. Подтверждённые метаданные указывают на задачу text-to-image и архитектуру Stable Diffusion; информации о размере, длине контекста и конкретной языковой поддержке карточка не предоставляет. Лицензия и подробные ограничения использования в доступной карточке не указаны.

digiplay/fCAnimeMix_v6 — модель генерации изображений по текстовому описанию в формате Diffusers. По названию и тегам репозитория она относится к семейству Stable Diffusion; карточка содержит пример изображения, созданного через API Hugging Face. Модель предназначена для создания изображений по текстовым запросам. В репозитории используются веса Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в файлах репозитория. В README не приведены сведения о размере модели, контексте, языковой поддержке или специализированных сценариях.

Yntec/Film — модель генерации изображений по текстовому описанию, созданная на основе LEOSAMsFilmGirlUltra и объединённая с кинематографичными моделями, чтобы усилить плёночную и киношную эстетику. Модель предназначена для создания реалистичных кинематографичных сцен, портретов, фэнтезийных сюжетов и кадров в стиле фильмов. Модель работает через StableDiffusionPipeline из библиотеки diffusers и распространяется в форматах Diffusers и safetensors. В примерах README показаны сцены с персонажами, существами, боевыми эпизодами и драматичным освещением. Лицензия — CreativeML OpenRAIL-M; её условия ограничивают некоторые виды использования, поэтому перед применением следует ознакомиться с текстом лицензии.

DFloat11/FLUX.1-Canny-dev-DF11 — это без потерь сжатая версия модели black-forest-labs/FLUX.1-Canny-dev, подготовленная проектом DFloat11, связанным с LeanModels. Модель предназначена для генерации изображений по текстовому описанию с управлением структурой изображения через Canny-карту или другое контрольное изображение, используя pipeline FluxControlPipeline. Сжатие выполняется в формате DFloat11 с применением Huffman-кодирования экспонент чисел BFloat16 и аппаратно-ориентированной распаковки непосредственно на GPU. Заявлено снижение потребления памяти GPU примерно на 30% при побитово идентичных результатах по сравнению с исходной моделью BFloat16. Веса хранятся в сжатом виде и распаковываются перед матричными умножениями, без необходимости CPU-декомпрессии или передачи данных между CPU и GPU. Для работы требуются совместимые с CUDA GPU, PyTorch, пакет dfloat11 с соответствующей версией CUDA, а также diffusers и controlnet_aux. В README приведён сценарий генерации изображений размером 1024×1024 за 50 шагов с использованием текстового промпта и Canny-контроля. Ограничения включают зависимость от CUDA-окружения и необходимость использования специальной интеграции DFloat11; сведения о размере модели, поддерживаемых языках, длине контекста и лицензии в предоставленных данных не указаны.

Карточка модели nick911/flux1-dev-test-fp8 на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-schnell, поэтому описание составлено по ней. FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для работы через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по промптам и может использоваться в творческих, научных и коммерческих проектах. Качество генерации и следование промпту конкурентоспособны с закрытыми моделями, но результат зависит от формулировки запроса и может не совпасть с ним. Модель не предназначена для предоставления фактической информации и может усиливать общественные предубеждения. Лицензия — Apache-2.0; README также перечисляет ограничения на незаконное и вредоносное использование.

Strangerzonehf/Flux-Ultimate-LoRA-Collection — коллекция адаптеров LoRA для генерации изображений на основе black-forest-labs/FLUX.1-dev. Автор или организация-разработчик коллекции в README явно не указаны. Модель предназначена для задач text-to-image и image-to-image, включая создание реалистичных, художественных, аниме-, 3D-, мультяшных и стилизованных изображений. В состав входят многочисленные файлы в формате .safetensors, каждый размером преимущественно около 613 МБ, а один из указанных адаптеров — 306 МБ. Коллекция охватывает стили и тематики, связанные с персонажами, одеждой, автомобилями, портретами, концепт-артом, логотипами, обложками, освещением, цветовой палитрой, HDR, изометрической 3D-графикой и другими визуальными направлениями. Архитектура, количество параметров, поддерживаемые языки и размер контекста отдельно не указаны; базовой моделью является FLUX.1-dev. Сильная сторона коллекции — широкий выбор специализированных адаптеров для изменения визуального стиля и содержания изображений без замены базовой модели. Ограничения заключаются в отсутствии подробных инструкций по применению, параметров инференса, оценки качества и описания совместимости отдельных адаптеров. Использование регулируется лицензией flux-1-dev-non-commercial-license; в README также указана лицензия other и приведена ссылка на условия FLUX.1-dev.

Isometric Dreams SD 1.5 — модель генерации изображений, обученная Duskfallcrew с помощью Hugging Face Dreambooth Training Space на базе Stable Diffusion 1.5. Она предназначена для создания изображений в изометрическом стиле по текстовым запросам; автор рекомендует использовать специальные concept prompts. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и лицензирована по CreativeML OpenRAIL-M. Для запуска автор предлагает использовать Colab Notebook для инференса через Diffusers. Карточка не описывает конкретные ограничения качества или поддерживаемые языки запросов.