I.10Видео, анимация и 3D

Kilkenny Mix CelShade — модель генерации изображений по текстовому описанию от Earth & Dusk. Это merge-модель на базе Stable Diffusion, распространяемая в формате Diffusers и предназначенная для создания изображений в аниме-стиле. В README нет сведений о размере модели, длине контекста или конкретных настройках генерации. Модель принимает текстовые запросы на английском языке и создаёт изображения. Карточка советует сохранять метаданные генерации и указывает, что повторная загрузка модели запрещена. Лицензия CreativeML Open RAIL-M; применяйте модель с учётом её условий и ограничений.

MirageML/lowpoly-world — модель Stable Diffusion, дообученная разработчиком MirageML методом DreamBooth на концепции Low Poly World. Она предназначена для генерации изображений по текстовому описанию в низкополигональном стиле; для вызова концепции в запросе README рекомендует фразу «a photo of lowpoly_world». Модель распространяется в форматах Diffusers и PyTorch, поддерживает английский язык и лицензирована по CreativeML OpenRAIL-M. README также упоминает запуск через Gradio и платформу Mirage.

digiplay/PikasAnimatedMix_v1 — модель для генерации изображений по текстовым запросам, опубликованная на Hugging Face. Метаданные указывают на использование StableDiffusionPipeline и форматы Diffusers и safetensors. README содержит только подпись к демонстрационному изображению, поэтому подробности о разработчике и обучении модели установить нельзя. Модель предназначена для создания изображений по текстовым описаниям. Лицензия обозначена как other, без дополнительных условий в доступных данных.

RealRebelAI/Qwen-Image-2.1_GGUFs — набор неофициальных смешанно-точностных GGUF-квантизаций диффузионной модели Qwen-Image 2.1. Исходная модель разработана командой Qwen, совместимая упаковка подготовлена Comfy-Org, а квантизации и политика смешанной точности выполнены RealRebelAI с использованием инфраструктуры ComfyUI-GGUF, llama.cpp и ggml. Модель предназначена для генерации изображений по текстовому описанию в ComfyUI; репозиторий содержит только диффузионную модель, поэтому отдельно требуются текстовый энкодер, VAE и другие компоненты рабочего процесса Qwen-Image 2.1. Архитектура обозначена как qwen_image и включает 32 transformer-блока с размерностью скрытого представления 4096. Файлы сохраняют исходные имена и структуру тензоров ComfyUI. Доступны варианты от Q2_K до Q8_0; рекомендуется Q4_K_M-HQv3 как баланс между размером и качеством. В чувствительных слоях используется повышенная точность для лучшего сохранения анатомии, деталей лица и структурной согласованности по сравнению с обычной Q4-конвертацией. Более низкие уровни квантизации уменьшают требования к памяти, но могут ухудшать мелкие детали, анатомию, типографику, соответствие промпту, качество редактирования и согласованность текстур. Для максимального качества следует выбирать Q5_K_M, Q6_K или Q8_0. Лицензия в README не указана.

Qwen-Image-2512 FP8 Scaled — это версия модели Qwen/Qwen-Image-2512, преобразованная разработчиком ingtellect в формат FP8 scaled, совместимый с ComfyUI. Модель предназначена для генерации изображений по текстовому описанию и интеграции в рабочие процессы ComfyUI; также относится к экосистеме Diffusers и помечена как совместимая с LoRA. Ключевая особенность — квантованный формат FP8 scaled на основе исходного BF16-чекпойнта. В файле присутствуют метаданные квантования и масштабирование весов по слоям с использованием скалярных значений float32. Сведения о размере модели, поддерживаемых языках, максимальном контексте и дополнительных модальностях не указаны. Релиз ориентирован прежде всего на использование в ComfyUI и служит эталонной конвертацией. Ограничением является отсутствие гарантий поддержки и сопровождения со стороны автора конвертации. Указана лицензия Apache-2.0.

QuantStack/Qwen-Image-GGUF — это GGUF-конверсия модели Qwen-Image, разработанной командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и рассчитана на использование в пайплайне text-to-image, в частности через ComfyUI с пользовательским узлом ComfyUI-GGUF. В состав решения входят основная модель Qwen-Image в формате GGUF, текстовый энкодер Qwen2.5-VL-7B и вариационный автоэнкодер Qwen-Image VAE. Основная модель и текстовый энкодер могут использоваться в квантованном формате, а VAE предоставляется в формате Safetensors. В метаданных указаны английский и китайский языки. Размер контекста, точная архитектура, параметры квантования и поддерживаемые аппаратные конфигурации в README не уточняются. Ключевое преимущество модели — совместимость с GGUF и интеграция с ComfyUI, что может упростить локальный запуск и снизить требования к памяти по сравнению с полноразмерными вариантами. Ограничения связаны с необходимостью отдельно устанавливать и подключать текстовый энкодер, VAE и пользовательский узел ComfyUI-GGUF, а также с возможной потерей качества из-за квантования. Лицензия указана как Apache-2.0; при использовании сохраняются исходные лицензионные условия и ограничения модели Qwen-Image.

RealCartoon3D-V15 — чекпойнт Stable Diffusion от sam749 для генерации изображений по текстовому запросу. Автор позиционирует эту версию как обновление RealCartoon с улучшенной чёткостью и общим качеством, более выраженной реакцией на указание возраста персонажей, а также хорошей генерацией пейзажей. Модель рассчитана на создание стилизованных мультяшных изображений с трёхмерным видом; для запуска автор приводит пример использования библиотеки Diffusers и StableDiffusionPipeline. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — CreativeML Open RAIL-M. README не сообщает размер модели, контекст или поддерживаемые естественные языки; текстовый ввод используется как описание желаемого изображения.

RealCartoon-XL-v7-Diffusers — модель генерации изображений по текстовому описанию в формате Diffusers. Репозиторий содержит конвертированную версию модели; по карточке нельзя установить её исходный базовый чекпойнт или автора разработки. Модель предназначена для создания изображений в мультяшном стиле по англоязычным запросам. Для загрузки используется библиотека Diffusers и StableDiffusionXLPipeline; веса представлены в safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в исходном репозитории модели.

Yntec/samdoesartsUlt — модель генерации изображений по текстовому описанию в формате Stable Diffusion. В карточке указано, что в модель встроен VAE MoistMix; приведены примеры промптов для создания стилизованных иллюстраций и изображений, включая персонажей, архитектуру и научную фантастику. Модель предназначена для превращения текстовых промптов в изображения. В метаданных указаны Diffusers и форматы PyTorch и safetensors, а также лицензия CreativeML OpenRAIL-M. Карточка содержит примеры на английском языке; сведений о размере модели и контексте нет.

EpicSpaceMachine — дообученная модель Stable Diffusion от автора rabidgremlin для генерации изображений по текстовому описанию. Она обучена на изображениях космических кораблей и станций; для характерного стиля автор рекомендует добавлять в запрос токен EpicSpaceMachine. Модель также может создавать изображения сложных механических конструкций — например, двигателей, электроники и часовых механизмов — и поддерживает сценарий img2img. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели, контекст или поддерживаемые естественные языки; качество описано автором неформально, без результатов систематической оценки.

SPYBG's Toolkit for Digital Artists V35 — модель генерации изображений из текста на базе Stable Diffusion, предназначенная для цифровых художников. По карточке, версии модели сохранены в форматах Safetensors и Diffusers; для улучшения персонажей можно использовать ключевое слово TK_CHAR, а для фонов — TK_ENV. Примеры охватывают концепт-арт окружений и персонажей, городские сцены, портреты и фотореалистичные пейзажи. Модель рассчитана на создание иллюстраций по текстовым запросам. Лицензия — CreativeML OpenRAIL-M.

UniPic2-Metaquery-Flash — квантованный вариант UniPic2-MetaQuery от Skywork. Это мультимодальная авторегрессионная модель для понимания изображений, генерации изображений по текстовому описанию и редактирования изображений. В README приведены результаты UniPic2-Metaquery-9B без GRPO на тестах GenEval, DPG-Bench и GEditBench-EN; они относятся к указанной версии модели и не гарантируют такие же результаты для Flash. Модель предназначена для запуска на видеокартах NVIDIA RTX 40-й серии с объёмом видеопамяти менее 16 ГБ. В репозитории указаны веса в формате safetensors, библиотека Transformers и лицензия MIT. Точный размер Flash-варианта и поддерживаемые языки не приведены.

VBVR-Pro-Wan2.2-TI2V-5B-SDE-RL — дообученная Video-Reason модель на базе Wan2.2 TI2V-5B для генерации видео по исходному изображению и изучения визуального рассуждения. Она обучена с подкреплением на задачах VBVR-Pro с проверяемыми наградами, используя DanceGRPO и rectified-flow SDE с коэффициентом шума η=0,3. Модель поставляется как полный чекпойнт Diffusers с трансформером, текстовым энкодером, токенизатором, VAE и планировщиком. Модель предназначена для генерации видео, обусловленной изображением, и исследований траекторий визуального рассуждения. В опубликованной оценке использовались ролики 512×512 пикселей, 81 кадр, 16 кадров/с и 30 шагов инференса; результаты зависят от настроек и не гарантируют качества на других запросах. Для загрузки полного пайплайна требуется значительный объём памяти, а на менее мощных GPU рекомендуется выгрузка частей модели на CPU. В README также указано, что траектории рассуждения могут быть ошибочными или визуально несогласованными. Лицензия — Apache-2.0.

VideoChat-Flash-Qwen2_5-2B_res448 — модель для диалога и ответов на вопросы о видео, разработанная OpenGVLab. Она построена на UMT-L с 300 млн параметров и Qwen2.5-1.5B; общее число параметров по метаданным — 1,5 млрд. Модель обрабатывает видео, используя 16 токенов на кадр, и выдаёт текстовые ответы. В README заявлена поддержка последовательностей примерно до 10 000 кадров; контекст в метаданных указан как 32 768 токенов, а README описывает расширение контекста до 128 тысяч с помощью YaRN. Модель подходит для вопросов о содержании видео и анализа длинных видеозаписей. В README приведены результаты на MVBench, LongVideoBench и VideoMME. Обучающий корпус преимущественно англоязычный: для лучшей работы рекомендуется задавать вопросы по-английски, а понимание китайского описано как базовое. Модель распространяется по лицензии Apache-2.0.

VideoLLaMA3-2B — мультимодальная модель DAMO-NLP-SG для анализа видео и изображений с помощью текстовых запросов. Она объединяет визуальный энкодер с языковой моделью на архитектуре Qwen2 и предназначена для понимания визуального содержимого, извлечения сведений из последовательностей кадров и рассуждений о статичных и динамичных сценах. Модель содержит 1,5 млрд параметров, принимает текст и видео, а также поддерживает сценарии понимания изображений. Максимальный контекст — 32 768 токенов. Среди практических задач — описание видеоклипов, ответы на вопросы о содержимом видео и изображений и анализ визуальных сцен. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. README перечисляет наборы данных для обучения и оценки, включая LLaVA-Video-178K и ShareGPT4Video. Качество на конкретных задачах в предоставленной карточке не описано; ответы могут содержать ошибки или пропускать детали визуального содержимого.

dvs/videomae-base-finetuned-movienet — модель классификации видео, полученная дообучением MCG-NJU/videomae-base. Она содержит 113,2 млн параметров и использует архитектуру VideoMAEForVideoClassification; веса опубликованы в формате PyTorch. Модель предназначена для присвоения видео категорий, однако README не описывает набор классов или конкретные сценарии применения MovieNet. В README приведены результаты оценки: accuracy 0,6823 и loss 1,2558 после 6,1 эпохи обучения. Данные обучения обозначены как неизвестный датасет, поэтому по карточке нельзя судить о составе категорий и обобщающей способности модели. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

video-SALMONN 2 — официальная модель Tsinghua EE для понимания аудиовизуального содержимого и создания текстовых ответов по видео. Она объединяет архитектуру Qwen2-7B с компонентами LLaVA-OneVision и Whisper large-v3 и дообучена на данных FineVideo, LLaVA-Video-178K и ShareGPT4Video. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; доступна в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для диалога о видеороликах и их описания с учётом аудио и визуального содержимого. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. README не приводит подробных результатов оценки или инструкций по развёртыванию.

zukki_style — модель генерации изображений на основе Stable Diffusion 1.5, дообученная автором на скриншотах из стоп-моушн-фильма «Ma vie de courgette». Для вызова характерного стиля в запрос нужно добавить токен zukki_style. Модель обучена методом DreamBooth на 32 изображениях; текстовый энкодер участвовал в обучении частично. Модель предназначена для создания изображений персонажей и стилизации изображений, особенно в режиме img2img. Автор отмечает, что генерация сцен и пейзажей получается менее удачно, а режим img2img даёт более интересные результаты. Репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors. Лицензия — CreativeML OpenRAIL-M.

DGSpitzer Art Diffusion — модель генерации изображений из текста, созданная цифровым художником и разработчиком игр DGSpitzer. Она дообучена методом DreamBooth на авторских цифровых картинах и концепт-артах, чтобы воспроизводить характерный стиль автора; в запросах можно задавать разные направления с помощью стилевых ключевых слов, включая «outline», «sketch», «anime» и «landscape». Модель основана на Vintedois diffusion-v0-1 и распространяется в форматах Diffusers, PyTorch и SafeTensors для использования со стандартными конвейерами Stable Diffusion. Модель предназначена для создания художественных изображений, эскизов и концепт-артов по текстовому описанию, в том числе для творческих экспериментов и подготовки черновых вариантов. В метаданных указан английский язык. Модель опубликована под лицензией CreativeML Open RAIL-M, условия которой необходимо соблюдать, в том числе при коммерческом использовании.

EasyFluff — модель генерации изображений по текстовому описанию, опубликованная zatochu. Это чекпойнт Stable Diffusion в формате Diffusers с файлами PyTorch и Safetensors; в версии V10-FunnerEdition изменены UNet и цветопередача, чтобы уменьшить шум, чрезмерную детализацию, артефакты в области склеры глаз и оранжево-коричневый оттенок. Автор также отмечает, что CLIP должен лучше реагировать на запросы, сформулированные естественным языком, хотя это не гарантирует понимание тонких нюансов. Модель предназначена для создания изображений из текстовых запросов. Для загрузки требуется конфигурация, включающая режим v-prediction; автор рекомендует CFG Rescale со значением 0,7 и описывает необходимые настройки для ComfyUI. В README не указаны базовая модель, лицензия, поддерживаемые языки или размер чекпойнта, поэтому эти характеристики здесь не уточняются.

FahadPrimeX-b27 — языковая модель для генерации текста и кода, опубликованная FahadPrimeX. Это плотная авторегрессионная модель семейства Qwen3.5 с 22,3 млрд параметров и контекстом до 262 144 токенов; веса доступны в формате Safetensors и BF16. В README модель описана как дистилляция на 5 181 проверенном примере ответов с Three.js, HTML, CSS и JavaScript. Модель предназначена прежде всего для генерации кода и диалоговых ответов, в частности для создания страниц и игровых сцен на Three.js и HTML/CSS/JavaScript. В метаданных указаны языки арабский, английский и китайский; README советует для лучшей генерации игровых страниц начинать ответ с HTML-префикса. Репозиторий распространяется по лицензии Apache-2.0. README отмечает, что доступны более новые варианты V3 и V2-GGUF, причём V2-GGUF назван вариантом с лучшим качеством; это может быть важно при выборе версии.

Fiamix Illustrious XL v250 Anime Semi-Realistic — модель преобразования текста в изображение на базе Illustrious-XL-v1.0 от OnomaAIResearch. Согласно карточке модели, её создал Fia_TKTD; модель опубликована в репозитории John6666/fiamix-illustrious-xl-v250-anime-semi-realistic-sdxl. Модель предназначена для генерации изображений по текстовым описаниям в аниме- и полу­реалистичном стилях. Она ориентирована на создание персонажей, включая женских и мужских, фонов и изображений с различными стилевыми решениями. Для запуска используется библиотека Diffusers и StableDiffusionXLPipeline, а основной язык текстовых запросов — английский. Модель распространяется по лицензии faipl-1.0-sd, обозначенной в карточке как other. Для работы требуется совместимый стек Stable Diffusion XL и Diffusers.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Этот репозиторий — архивное зеркало с неизменёнными весами, не являющееся оригинальным источником. Модель построена на трансформере rectified flow с 12 миллиардами параметров и обучена методом дистилляции latent adversarial diffusion. Модель предназначена для создания изображений по текстовым запросам в Diffusers и ComfyUI. Благодаря дистилляции она может генерировать изображения за 1–4 шага, сохраняя качество и следование запросу. В карточке указана поддержка английского языка; результат зависит от формулировки запроса, и соответствие изображения описанию не гарантируется. Модель не предназначена для выдачи фактической информации. Её результаты могут отражать общественные предубеждения, а применимость ограничена условиями Apache License 2.0 и указанными в карточке ограничениями на использование.

FLUX.1-Turbo-Alpha — дистиллированная LoRA для FLUX.1-dev, выпущенная командой AlimamaCreative. Модель ускоряет генерацию изображений по текстовым описаниям и рассчитана на работу за 8 шагов; авторы применяли многоголовый дискриминатор для улучшения качества дистилляции. LoRA также совместима с моделями семейства FLUX и может применяться для инпейнтинга вместе с alimama-creative/FLUX.1-dev-Controlnet-Inpainting-Beta. В README рекомендуются guidance_scale=3.5 и lora_scale=1. Для запуска описана поддержка diffusers и приведён workflow для ComfyUI. Модель основана на FLUX.1-dev от Black Forest Labs; файлы представлены в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория и условиями базовой модели.

Карточка модели 6Morpheus6/FLUX.2-klein-4B-fp8-diffusers на Hugging Face совпадает с карточкой tonera/FLUX.2-klein-4B-fp8-diffusers, поэтому описание составлено по ней. 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.

Inkpunk Diffusion — дообученная методом DreamBooth модель Stable Diffusion от Envvi для генерации изображений по текстовым запросам. Она создаёт иллюстрации в стилистике, вдохновлённой Gorillaz, FLCL и работами Ёдзи Синкавы; для активации характерного стиля в запросе рекомендуется использовать токен nvinkpunk. Модель рассчитана на англоязычные подсказки и работает через StableDiffusionPipeline в Diffusers. Модель предназначена для создания стилизованных изображений по тексту. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML Open RAIL-M; условия лицензии следует учитывать при использовании и распространении созданных материалов.

isoCities v1 — модель Astroboy для генерации изображений из текстовых запросов в изометрическом стиле. Она основана на Stable Diffusion 1.5 и объединена с ним с помощью инструмента слияния чекпойнтов Automatic1111; точные коэффициент и метод слияния автор не помнит. Модель предназначена для создания изометрических городов, площадок и похожих сцен. Автор рекомендует добавлять в запрос фразу «an illustration of an isometric city, digital art, highly detailed». Доступны файлы в форматах Diffusers и PyTorch. Указана лицензия CreativeML OpenRAIL-M; автор отдельно просит не использовать модель в коммерческих целях.

Это набор GGUF-квантований модели Ming-Image-0.1-Design, подготовленный realrebelai для генерации изображений из текста в ComfyUI-GGUF. Репозиторий содержит варианты диффузионной модели от Q2_K до Q8_0 с политикой смешанной точности: чувствительные группы тензоров сохраняются в BF16 или более высокой точности, а основные веса сжимаются. Также доступны низкопамятные GGUF-варианты текстового энкодера Ling Mini 2.0: Q4KM-HQ и Q2K-HQ; исходный энкодер содержит около 17,3 млрд параметров. Модель предназначена для создания изображений по текстовым запросам, в том числе при ограниченной видеопамяти. Конкретный результат зависит от выбранного уровня квантования: более агрессивное сжатие уменьшает требования к памяти и размер файлов, но может снижать точность генерации. Для загрузки диффузионных GGUF README указывает на необходимость специальной ветки ComfyUI-GGUF с исправлением совместимости Ming-Image. Лицензия репозитория — MIT; авторы README отмечают, что исходная модель, архитектура и документация принадлежат разработчикам Ming-Image.

corechan/MiniMax-H3-LightVAE — неофициальная конверсия лёгкого декодера видео VAE LynnReal-Omni, подготовленная для MiniMax H3 WebUI в Google Colab. Модель не переобучалась: веса исходного декодера преобразованы из раскладки ComfyUI в формат diffusers, сохранены в fp16 и частично экспортированы в ONNX для декодирования одного тайла. Декодер использует 26 трансформерных блоков вместо 36. Модель принимает латенты MiniMax H3 и декодирует их в видеоизображения; ONNX-вариант обрабатывает тайл латентов размером 1×24×7×16×16 и выдаёт пиксельный тайл 1×3×28×256×256. Энкодер, латентное пространство и временная структура остаются такими же, как у официального MiniMax H3 VAE; энкодер и аудио-VAE нужно брать из официального репозитория. Конверсия предназначена для сценариев генерации видео в связке с MiniMax H3, а не для самостоятельной генерации по тексту. Это производная модель от stdstu123/LynnReal-Onmi-beta-0.1, без переобучения; метаданные классифицируют её как finetune, хотя README точнее описывает конвертацию весов. README указывает лицензию MiniMax H3 Community License Agreement: использование ограничено в ЕС, Великобритании, Южной Корее и США; для коммерческих продуктов с годовой выручкой свыше 20 млн долларов требуется письменное разрешение MiniMax, а также необходимо заметно указывать MiniMax H3 в интерфейсе. Применяются правила AUP и другие условия лицензии.

Qwen2.5-7B-Instruct-Flux — дообученная авторами репозитория mrkrak3n языковая модель на архитектуре Qwen2, предназначенная для создания подробных, образных текстовых промптов для генерации изображений в Flux. Модель насчитывает 7,1 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — 32 768 токенов. Она основана на Qwen/Qwen2.5-7B-Instruct и дообучена на наборе FluxDev ControlNet 16k и синтетических данных. Модель подходит для превращения краткого описания сцены в развернутый промпт с деталями объекта, окружения, освещения и настроения, а также для подготовки промптов в творческих рабочих процессах Flux и ComfyUI. Метаданные перечисляют поддержку английского, китайского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. README не приводит сравнительных оценок качества и не уточняет лицензию; не следует считать, что модель сама генерирует изображения.