I.10Видео, анимация и 3D

TencentARC/t2iadapter_canny_sd15v2 — адаптер T2I-Adapter для генерации изображений на основе Stable Diffusion 1.5. Разработан авторами проекта T2I-Adapter, который добавляет к диффузионной модели дополнительные условия управления генерацией. Адаптер использует карту границ Canny как управляющее изображение, помогая задавать контуры и композицию результата при генерации по текстовому запросу. Он предназначен для сценариев контролируемого преобразования изображений и генерации изображений с заданной структурой; применяется совместно с базовой моделью runwayml/stable-diffusion-v1-5. Модель имеет диффузионную архитектуру и принимает текст и изображение с границами Canny, выдавая изображение. В карточке указана поддержка английского языка и лицензия Apache 2.0. Качество результата зависит от базовой модели и управляющей карты; адаптер рассчитан на контуры и не описан как универсальный контроллер для других типов условий.

Tantrum — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Карточка показывает её применение на примере мультяшного персонажа в гоночном картинге; в метаданных указана библиотека Diffusers и поддержка форматов Diffusers и safetensors. Модель предназначена для создания иллюстраций в мультяшной и аниме-эстетике по текстовым промптам, включая персонажей, одежду, позы и окружение. В метаданных указана лицензия CreativeML OpenRAIL-M. Карточка не содержит подробных сведений о базовой модели или условиях её обучения.

ZB-Tech/Text-to-Image — LoRA-адаптер для Stable Diffusion XL Base 1.0 от ZB-Tech. Он предназначен для генерации изображений по текстовым запросам и используется вместе с базовой моделью stabilityai/stable-diffusion-xl-base-1.0 через библиотеку Diffusers. Адаптер обучен на наборе данных ZB-Tech/DreamXL; текстовый энкодер при обучении LoRA не настраивался. Для обучения использовался VAE madebyollin/sdxl-vae-fp16-fix. В репозитории доступны веса в формате Safetensors. Лицензия — OpenRAIL++; для генерации требуется базовая модель SDXL. Карточка не приводит дополнительных сведений о качестве, рекомендуемых настройках или ограничениях адаптера.

TimeLens2-2B-SFT — контрольная точка модели для временной локализации событий в видео, разработанная MCG-NJU на основе Qwen3-VL-2B-Instruct. По видео и текстовому запросу модель возвращает все временные интервалы, содержащие нужные визуальные свидетельства. Модель представляет собой плотную мультимодальную архитектуру Qwen3-VL с 2 млрд параметров. Она дообучена методом SFT на примерах TimeLens2-93K, TimeLens-100K и обучающем разделении Ego4D-NLQ-v2; при обучении сохранялся полный контекст видео, а визуальный энкодер был заморожен. Контекст обучения включал последовательности длиной до 160 тыс. токенов. Эта версия предназначена прежде всего для генерации обучающих примеров и воспроизведения или расширения конвейера SFT-to-GRPO, а также для изучения временной локализации в видео до этапа обучения с подкреплением. Это промежуточная SFT-контрольная точка, а не финальная версия TimeLens2, оптимизированная методом GRPO. Репозиторий распространяется по лицензии Apache-2.0.

UGC-VideoCaptioner — мультимодальная модель с 3 млрд параметров от OpenInterX для подробного описания коротких пользовательских видео. Она дообучена на базе Qwen/Qwen2.5-Omni-3B и предназначена для сценариев, где смысл видео зависит одновременно от изображения и звука: например, для роликов из TikTok с речью, музыкой и событиями в кадре. Модель принимает видео и создаёт текстовые подписи, объединяющие аудиовизуальные детали. В основе обучения — датасет UGC-VideoCap с 1000 размеченными видео и 4000 парами вопросов и ответов; использовались supervised fine-tuning и GRPO. README также описывает её как дистиллированную из Gemini 2.5 Flash, но идентификатор базовой модели в метаданных — Qwen/Qwen2.5-Omni-3B. Модель распространяется по лицензии MIT.

VBVR-Pro-Wan2.2-TI2V-5B-RLVR — модель генерации видео по входному изображению, разработанная авторами проекта VBVR-Pro. Это полный чекпойнт Diffusers на базе Wan2.2 TI2V-5B, дообученный с подкреплением по проверяемым наградам для задач генерации видео с визуальным рассуждением. В репозитории доступны компоненты модели и конвейер image-to-video с несколькими вариантами инференса. Модель предназначена для исследований генерации видео, обусловленной изображением, и визуального рассуждения. В оценке VBVR-Pro использовались ролики 512 × 512 пикселей по 81 кадру; настройки инференса включают 16 кадров в секунду и 30 шагов. README приводит результаты на бенчмарке, но подчёркивает, что они не гарантируют такое же качество при других запросах и конфигурациях. Модель может создавать ошибочные или визуально непоследовательные траектории рассуждения и наследует ограничения и возможные смещения базовой Wan2.2. Полная загрузка требует значительных ресурсов CPU и ускорителя. Лицензия — Apache-2.0.

VideoLLaMA2.1-7B-AV — мультимодальная чат-модель команды DAMO-NLP-SG для вопросов о видео и звуке. Она сочетает аудиокодировщик BEATs_iter3+(AS2M)(cpt2) с языковым декодером VideoLLaMA2.1-7B-16F и предназначена для анализа аудиовизуального содержимого и ответов на вопросы по нему. Модель содержит 7,1 млрд параметров, использует архитектуру VideoLLaMA2 Qwen2 и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык; репозиторий содержит веса Safetensors и предназначен для Transformers. Модель выпущена под лицензией Apache-2.0.

ViRDM — набор обученных генераторов для создания видео по текстовому описанию и компактных артефактов для воспроизведения обучения. В репозитории представлены две причинные модели с четырьмя шагами генерации: основная версия с регуляризацией динамики и сопоставленная версия без неё; основная модель выполняет 20 обновлений. Также доступны 6 505 подписей из исходного обучающего раздела Causal-Forcing-data, фиксированный совместный видео-текстовый набор ориентиров из 4 096 элементов и выровненные признаки текста SigLIP2. Модель предназначена для экспериментов с генерацией видео по тексту и воспроизведения обучения ViRDM. Репозиторий содержит веса PyTorch и обучающие материалы, но README не сообщает размер модели, поддерживаемые языки запросов, длину контекста или условия лицензии; в метаданных указана лицензия other.

Voxel-ish Image Pack — набор для генерации изображений в стиле воксельной графики, созданный Jak_TheAI_Artist для Stable Diffusion. Для активации стиля в запросе используется триггер «voxel-ish»; автор также рекомендует добавлять «intricate detail» для получения более детализированных, полуреалистичных изображений. Модель предназначена для генерации изображений по текстовым запросам с помощью StableDiffusionPipeline. Для обучения использованы 143 изображения и 8000 шагов; в 20% обучающих текстов применялся текст, подготовленный автором. Репозиторий содержит файлы в форматах Diffusers и PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не описывает конкретные параметры базовой модели или ограничения по качеству и применению.

Waltz_with_Bashir_Diffusion — модель генерации изображений на основе Stable Diffusion v1.5, дообученная на кадрах мультфильма «Вальс с Баширом». Разработчик — владелец репозитория mikesmodels. Для получения изображений в характерной стилистике модели рекомендуется добавлять к запросу ключевое слово «wltzwthbshr». Модель принимает текстовые запросы на английском языке и создаёт изображения; карточка демонстрирует работу через Diffusers и указывает форматы Diffusers и PyTorch. В примере генерации показаны настройки Euler a, 35 шагов, CFG 7 и разрешение 1024×1024 с high-res fix, но это параметры примера, а не гарантированные характеристики модели. Указана лицензия CreativeML Open RAIL-M. Модель специализирована на стилистике исходного мультфильма, поэтому её результаты могут быть менее предсказуемы для запросов вне этой области.

В репозитории размещён текстовый энкодер UMT5-XXL для конвейера генерации видео WAN 2.2. Автор карточки описывает его как компонент для понимания текстовых запросов и преобразования их в эмбеддинги, которые задают условия генерации видео по тексту или изображению. Энкодер содержит около 11 млрд параметров, поддерживает контекст до 512 токенов и имеет размерность эмбеддингов 4096. Веса представлены в формате GGUF с точностью FP16 без квантизации; карточка указывает на совместимость с Diffusers, Transformers и llama.cpp, а также на поддержку многоязычного кодирования текста. Репозиторий содержит компонент энкодера, а не полный генератор видео: для запуска WAN 2.2 нужны остальные части конвейера. Для работы энкодера заявлены 12 ГБ видеопамяти и 16 ГБ оперативной памяти как минимальные требования. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

kxic/zero123-xl — публикация весов Zero123-XL в формате Diffusers для запуска через Diffusers pipelines. В README указано, что файл zero123-xl.ckpt был конвертирован скриптом convert_original_stable_diffusion_to_diffusers.py; проект основан на оригинальных репозитории и весах Zero123. Модель предназначена для генерации изображения по текстовому описанию в задаче text-to-image. В метаданных для неё указан конвейер Zero1to3StableDiffusionPipeline, а файлы представлены в форматах Diffusers и PyTorch. Репозиторий распространяется по лицензии MIT. Данных о размере, контекстном окне и поддерживаемых языках нет.

martin-rizzo/Z-Image-Turbo-INT8-ConvRot-ComfyUI — это квантизированная версия диффузионной text-to-image-модели Z-Image-Turbo, разработанной на базе Tongyi-MAI/Z-Image-Turbo. Модель предназначена для генерации изображений по текстовому описанию, прежде всего в ComfyUI и совместимых приложениях, с акцентом на высокую скорость и сниженное потребление видеопамяти. Модель использует архитектуру Scalable Single-Stream Diffusion Transformer (S3-DiT) и содержит около 6 млрд параметров. Применяется квантизация INT8-ConvRot с масштабами FP32 и смешанной точностью BF16 в отдельных слоях. Метод ConvRot вращает веса и активации для подавления выбросов перед квантизацией, что, согласно README, позволяет уменьшить использование VRAM при сохранении хорошего понимания промптов и качества генерации, сопоставимого с исходными весами BF16. Сведения о поддерживаемых языках и размере контекста не указаны. Для работы требуется файл весов в формате safetensors и ComfyUI версии 0.27.0 или новее; специальные ConvRot-узлы не нужны. Ограничением является экспериментальный характер конвертации, выполненной с помощью утилиты z2comfy, которая может работать нестабильно. Модель распространяется по лицензии Apache 2.0.

CuTIsolation выпустил квантизированные веса W4A8 для Z-Image-Turbo, модели генерации изображений по текстовому описанию. Репозиторий предназначен для запуска в ComfyUI с форматом quantized-diffusion asym_w4a8_int8. Квантизированы и диффузионная модель, и текстовый энкодер Qwen3-4B; веса сохранены в safetensors. По данным карточки, файлы занимают 3,5 и 2,8 ГБ вместо 12,3 и 8 ГБ для исходных BF16-компонентов. Автор сообщает о запуске на GPU с 8 ГБ VRAM при разрешении 1024×1024 и 8 шагах; визуальное качество сопоставимо с BF16, а время генерации в указанном примере — около 7 секунд. Эти результаты относятся к конкретной конфигурации и оборудованию. Это производный вариант Tongyi-MAI/Z-Image-Turbo. Для работы нужны совместимые ComfyUI-компоненты, включая VAE. Лицензия — Apache-2.0.

SDVN5-3DCuteWave — модель генерации изображений по текстовому описанию, созданная SDVN на основе семейства Stable Diffusion. Она предназначена для создания милых миниатюрных персонажей в 3D-стилизации, в том числе чиби-образов и иллюстраций с мягким освещением. Пример карточки показывает персонажа в игровой комнате и ориентируется на мультфильмы и аниме-арт. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка содержит только пример промпта, поэтому качество на других сюжетах и ограничения генерации не описаны.

Animagine XL 3.0 — диффузионная модель генерации изображений в стиле аниме по текстовым запросам, разработанная Cagliostro Research Lab на основе Stable Diffusion XL и дообученная на Animagine XL 2.0. Она предназначена для создания аниме-иллюстраций и лучше понимает аниме-концепции, интерпретирует структурированные теги и генерирует руки по сравнению с предыдущей версией. Модель рассчитана на промпты с упорядоченными тегами и поддерживает разные соотношения сторон, включая квадратный формат 1024×1024. README рекомендует CFG около 5–7, менее 30 шагов сэмплирования и Euler Ancestral. Модель не ориентирована на фотореализм или свободный естественный язык; сложные позы могут приводить к ошибкам анатомии, а малоизвестные персонажи могут быть представлены хуже. Лицензия — Fair AI Public License 1.0-SD. В README отмечен риск непреднамеренной генерации контента для взрослых, особенно при использовании тегов качества; предлагаются управляющие рейтинговые теги для снижения этого риска.

Animagine XL 3.0 — диффузионная модель для генерации аниме-изображений по текстовым запросам, разработанная Cagliostro Research Lab на основе Stable Diffusion XL и дообученная на Animagine XL 2.0. Она предназначена для создания иллюстраций в аниме-стиле и лучше понимает аниме-концепции и структуру тегов в промпте; авторы также отмечают улучшения в изображении рук. Модель поддерживает генерацию с разными соотношениями сторон и доступна в форматах Diffusers и Safetensors. Для лучших результатов рекомендуется использовать структурированные, конкретные промпты и настройки генерации, описанные авторами. Модель не предназначена для фотореализма и может ошибаться в сложных позах и анатомии; охват персонажей и серий ограничен обучающими данными. Модель может генерировать NSFW-контент, поэтому следует учитывать рейтинг и тщательно задавать промпты. Лицензия — CreativeML Open RAIL++-M.

Animagine XL 3.1 — это диффузионная text-to-image модель для генерации высококачественных изображений в стиле anime по текстовым описаниям. Она предназначена для поклонников аниме, художников и создателей контента, которым нужны детализированные изображения персонажей, сцен и концептов, включая персонажей из известных аниме-сериалов. Модель разработана Cagliostro Research Lab при сотрудничестве с SeaArt.ai и дообучена на основе Animagine XL 3.0; в карточке также указан базовый репозиторий LyliaEngine/Pony_Diffusion_V6_XL. Модель построена на Stable Diffusion XL и улучшает понимание концепций, интерпретацию промптов и анатомию рук. Она поддерживает генерацию изображений в нескольких соотношениях сторон, включая разрешения от 640×1536 до 1536×640, а также квадратный формат 1024×1024. Для управления результатом предусмотрены специальные теги качества, рейтинга, периода создания и эстетики; рекомендуются CFG Scale около 5–7, менее 30 шагов сэмплирования и sampler Euler Ancestral. README не указывает языки текстовых промптов или максимальную длину контекста. Сильные стороны модели — специализация на anime-эстетике, расширенное покрытие персонажей, улучшенная детализация и управляемость результата с помощью тегов. Ограничения включают зависимость качества от правильной структуры промпта и рекомендованных параметров, а также отсутствие сведений о производительности, безопасности и ограничениях использования. В метаданных указана лицензия CDLA-Permissive-2.0, тогда как в описании README приведена Fair AI Public License 1.0-SD; перед использованием необходимо уточнить, какая лицензия применяется к данной версии.

Anima-Turbo-V1.1-GGUF — это набор нативных GGUF-квантизаций модели Anima Turbo v1.1. Базовую модель разработала Circlestone Labs, а данный вариант подготовлен vanes430 с использованием инструментов ComfyUI-GGUF от city96. Модель предназначена для генерации изображений по текстовому описанию и интеграции с ComfyUI. Доступны варианты квантизации от Q8_0 до Q3_K_M размером примерно от 2,09 до 0,95 ГБ, что позволяет выбирать между качеством и требованиями к видеопамяти: заявленный объём VRAM составляет около 2,8–1,2 ГБ. Для работы используются текстовый энкодер qwen_3_06b_base и VAE qwen_image_vae. Поддерживаются английский, китайский, японский и корейский языки. Рекомендуемые параметры включают 4–8 шагов, CFG 1.0, sampler euler, scheduler sgm_uniform и разрешение от 512×512 до 1024×1024. Сильной стороной модели является экономичное использование VRAM благодаря GGUF-квантизации и возможность выбрать подходящий баланс между размером и качеством. Ограничения включают зависимость от ComfyUI и ComfyUI-GGUF, необходимость отдельно разместить текстовый энкодер и VAE, а также потенциальное снижение качества у наиболее компактных вариантов. Модель распространяется по лицензии Apache-2.0.

bonsai-image-binary-4B-gemlite-1bit — компактная версия модели генерации изображений Prism ML на основе FLUX.2 Klein 4B. Это диффузионный трансформер MMDiT примерно с 4 млрд параметров, в котором веса основных линейных слоёв представлены значениями −1 и +1 с групповым масштабированием FP16; модель предназначена для запуска на NVIDIA GPU через CUDA и Gemlite. Для генерации используется четырёхшаговый FlowMatch-Euler с guidance 1.0 и shift 3.0. По данным разработчика, трансформер занимает 0,93 ГБ, а генерация изображения 1024×1024 занимает около 4,5 секунды на RTX 3080 или 2,7 секунды на A100. Текстовый энкодер применяется для кодирования запроса, после чего выгружается; декодирование изображения выполняет VAE. Модель предназначена для локальной генерации изображений по текстовым запросам, быстрой творческой итерации и развёртывания на рабочих станциях или серверах с NVIDIA GPU. Разработчик отмечает, что бинарная версия не совпадает побитово с FP16 FLUX.2 Klein 4B, а качество зависит от запроса и сценария: мелкий текст, детали, точное число объектов и строгая композиция требуют проверки. Репозиторий распространяется по лицензии Apache-2.0.

Bonsai Image Binary 4B Unpacked — версия модели генерации изображений Bonsai Image в формате FP16 safetensors для библиотеки diffusers. Она основана на Black Forest Labs FLUX.2-klein-4B и предназначена для создания изображений по текстовым описаниям. Разработчик модели в доступной карточке не назван. Этот вариант подходит для запуска через стандартный diffusers и другие фреймворки без поддержки низкобитных весов Bonsai. В отличие от оптимизированных 1-битных сборок, распакованная FP16-версия занимает полный объём и не даёт заявленных для них сокращения размера или ускорения инференса. Лицензия — Apache-2.0.

Yntec/breakdomain I2428 — это модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная в формате Diffusers с весами safetensors. Она предназначена для создания иллюстраций в аниме- и мультяшной стилистике; примеры в карточке включают персонажей, чиби, сказочные и игровые мотивы. В модель встроен VAE kl-f8-anime2 для повышения насыщенности и детализации изображений. Для генерации задают текстовый промпт с описанием персонажа, сцены и художественного стиля. В README советуют добавлять «no humans», если изображение должно быть без людей. Модель ориентирована на англоязычные промпты, судя по примерам и метаданным. Лицензия — CreativeML OpenRAIL-M; она устанавливает условия использования и ограничения на применение модели.

Chat-UniVi-13B — модель семейства Chat-UniVi для понимания изображений и видео, представленная авторами проекта Chat-UniVi. Она сочетает языковую модель с унифицированным визуальным представлением: набор динамических визуальных токенов предназначен для передачи пространственных деталей изображений и временных связей в видео. Модель обучалась совместно на смешанном наборе изображений и видео, поэтому подходит для диалоговых сценариев с обоими типами визуальных входов. Модель содержит 12,9 млрд параметров, использует плотную архитектуру ChatUniViLlamaForCausalLM и имеет контекст длиной 4096 токенов. Она принимает изображения и видео вместе с текстом и генерирует текстовые ответы, например описания и ответы на вопросы о визуальном содержимом. В карточке заявлены высокие результаты на экспериментах по пониманию изображений и видео, однако конкретные метрики здесь не приведены. Лицензия указана как llama2; перед использованием следует свериться с её условиями.

Yntec/ClayStyle — модель генерации изображений из текста в формате Diffusers, созданная слиянием чекпойнтов Stable Diffusion. Автор описывает её как стилистическую модель: добавление фразы «Clay Style» в запрос активирует эффект пластилиновой или глиняной CGI-эстетики, подходящей для персонажей, животных и сцен. Примеры включают чиби-персонажей, предметы и изометрические фоны. В README указана цепочка смешивания LoRA Clay Style с A-ZovyaRPGV3 и GenerateMe, а затем объединения полученных чекпойнтов; отдельно приложена промежуточная версия ClayStyleAlpha. Репозиторий содержит веса Diffusers в формате safetensors. Лицензия — CreativeML Open RAIL-M. Карточка не сообщает ограничений по качеству или конкретных требований к запуску.

CogVLM2-Video-Llama3-Base — базовая видеоязыковая модель семейства CogVLM2 от zai-org. Она предназначена для понимания видео и ответов на вопросы о его содержании, включая анализ событий и временную привязку описаний к фрагментам видео. В README заявлены результаты на наборах MVBench, VideoChatGPT-Bench и Zero-shot VideoQA; параметры модели составляют 8,3 млрд, контекст — 2048 токенов. Репозиторий содержит веса Safetensors. Это базовая версия, которая, согласно карточке, не поддерживает чат. Метаданные указывают английский язык; модель принимает видео и текстовые запросы и генерирует текстовые ответы. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией разработчика.

Cool Japan Diffusion 2.1.0 — модель генерации изображений по текстовому запросу, созданная Alfred Increment путём дообучения Stable Diffusion. Она специализируется на образах, связанных с японской анимацией, мангой и играми, и предназначена для творческих проектов, обучения и исследований генерации изображений. Модель использует архитектуру Latent Diffusion Model и OpenCLIP-ViT/H. В карточке заявлена поддержка японского языка; примеры применения также допускают запросы на японском или английском. Модель принимает текстовые промпты и выдаёт изображения. Лицензия CreativeML Open RAIL++-M-NC License ограничивает коммерческое использование, кроме оговорённых автором исключений; модификации должны сохранять условия лицензии. Автор предупреждает о смещениях Stable Diffusion и не рекомендует представлять сгенерированные изображения как факты. Карточка не приводит подробных результатов оценки качества.

CuriousMerge2.5D_v5 — модель генерации изображений по текстовому описанию в стиле 2.5D. Автор карточки описывает её визуальный результат как красивый и придающий персонажам выразительность; в README также приведён пример изображения, созданный автором. Модель представлена в формате Diffusers с весами PyTorch и safetensors и предназначена для создания изображений по текстовым запросам. Карточка не сообщает базовую модель, размер, поддерживаемые языки или конкретные настройки генерации. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория. Описание качества носит субъективный характер.

DeliberateRealisticWoop — смешанная модель для генерации изображений по текстовому описанию, созданная на основе Deliberate, Realistic Vision 1.3 и WoopWoopPhoto 1.1. В карточке указаны авторы исходных моделей: zoidbb, XpucT, SG_161222 и osi1880vr; отдельный автор сборки не назван. Модель предназначена для создания реалистичных и полуреалистичных изображений, а также иллюстраций и изображений в аниме-стиле. Пример в карточке сочетает описание персонажа и художественные указания, включая цифровое искусство и 3D-рендер. Репозиторий использует Diffusers и формат safetensors; мини-версия представлена в fp16 без EMA, а в другой версии встроен zVAE. Модель распространяется по лицензии CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели, длине контекста и систематической оценке качества; результат зависит от текстового запроса и выбранных настроек генерации.

DMD2 — модель синтеза изображений из текста, основанная на методе дистилляции Improved Distribution Matching Distillation. Её разработали Tianwei Yin, Michaël Gharbi, Taesung Park, Richard Zhang, Eli Shechtman, Frédo Durand и William T. Freeman. Модель предназначена для быстрой генерации изображений по текстовым запросам. Карточка описывает варианты генерации с UNet за один или четыре шага, а также использование LoRA и T2I Adapter в четырёхшаговом режиме. Модель работает с библиотекой Diffusers; веса представлены в форматах PyTorch и Safetensors. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В карточке не приведены сведения о размере модели, поддерживаемых языках запросов и длине контекста.

DucHaiten/DucHaitenAIart — модель генерации изображений по текстовым описаниям на основе Stable Diffusion, созданная DucHaiten. Версия 3.1 рассчитана на создание детализированных изображений в эстетике 3D-аниме с более реалистичными материалами, цветами, освещением и тенями. Карточка приводит примеры только текстовой генерации; метаданные также отмечают image-to-image, но подробностей этого режима нет. Модель предназначена для создания персонажей и сцен в аниме- и мультяшной стилистике, включая изображения с реалистичным освещением и сексуализированные сюжеты. Автор отмечает, что по сравнению с beta-v6.0 версия менее гибкая и менее случайная; детализация зубов слабая, а некоторые образы знаменитостей модель воспроизводит хуже. Для откровенного контента она не специализирована и может испытывать трудности с наиболее экстремальными запросами. Репозиторий содержит веса в форматах Diffusers/PyTorch и Safetensors; лицензия — CreativeML OpenRAIL-M.