I.10Видео, анимация и 3D

epiCDream Lullaby — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Карточка показывает примеры фантастических сцен, портретов и детализированных пейзажей; репозиторий подготовлен для использования с библиотекой Diffusers и содержит веса в формате safetensors. Метаданные относят модель к семейству Stable Diffusion. Модель подходит для создания иллюстраций по промптам с атмосферным освещением, насыщенными цветами и высокой детализацией. В карточке указана лицензия other; перед использованием следует проверить условия на исходной странице модели.

Bedovyy/ERNIE-Image-Quantized — набор квантизованных версий моделей ERNIE-Image и ERNIE-Image-Turbo, разработанный Bedovyy на основе Comfy-Org/ERNIE-Image. Модель предназначена для генерации изображений по текстовому описанию в ComfyUI; в метаданных указана задача text-to-image и поддержка формата diffusion-single-file. Доступны варианты квантизации nvfp4 размером 4,78 ГБ, fp8e4m3 и int8rowwise размером по 8,22 ГБ. README не содержит сведений о точной архитектуре исходной модели, количестве параметров, поддерживаемых языках, контекстном окне и дополнительных модальностях. По приведённым измерениям, квантизация может заметно ускорять генерацию по сравнению с BF16, особенно на RTX 5090, RTX 3090 и RTX 3060, однако результат зависит от GPU и выбранного формата. Модель подходит для локальной генерации изображений на совместимом оборудовании и интеграции с ComfyUI. Вариант int8rowwise требует пользовательский узел ComfyUI-INT8-Fast. Ограничения включают зависимость производительности от видеокарты и отсутствие в README подробностей о качестве, совместимости и требованиях к памяти. Указана лицензия Apache-2.0.

MirageML/fantasy-scene — модель генерации изображений на основе Stable Diffusion, дообученная разработчиком MirageML методом DreamBooth для понятия Fantasy Scene. Для генерации используйте текстовый запрос с триггером fantasy_scene, например «a photo of fantasy_scene». Карточка также предлагает исследовать преобразование текста в 3D на платформе Mirage, но не утверждает, что репозиторий содержит модель генерации 3D.

FFXL400 — модель генерации изображений по текстовому описанию от FFusion AI, созданная объединением выбранных блоков множества LoRA из коллекции 400GB-LoraXL. В метаданных указана связь дообучения с FFusion/FFusionXL-BASE; модель относится к семейству Stable Diffusion XL и предназначена для работы через Diffusers. Модель принимает текстовые промпты и генерирует изображения. Автор описывает её как основу для генерации, дальнейшего обучения и экспериментов с совместным применением нескольких LoRA. Репозиторий содержит варианты safetensors и Diffusers, а также ONNX FP16 для DirectML. В карточке указан английский язык; лицензия — OpenRAIL++. README не приводит измерений качества или подробных рекомендаций по настройке промптов. Утверждение об объединении LoRA не раскрывает состав и влияние отдельных компонентов, поэтому результаты могут зависеть от промпта и среды запуска.

FLUX.2 Klein 9B Nunchaku Lite NVFP4 r32 — конвертированная и квантованная сборка модели black-forest-labs/FLUX.2-klein-9B, подготовленная автором репозитория для загрузки через Diffusers. Модель предназначена для генерации изображений по текстовым запросам; базовая FLUX.2 Klein также поддерживает редактирование изображений с референсами. В репозитории трансформер использует NVFP4 SVDQ с группой 16 и рангом 32, отдельные слои оставлены в bf16, а текстовый энкодер квантован в 4-битный NF4 с вычислениями bf16. Сборка рассчитана на снижение времени генерации и потребления видеопамяти: в описанном тесте на RTX PRO 4000 Blackwell она показала 2,48 с и 8,32 GiB при генерации 1024×1024 за 4 шага. Для запуска нужны Diffusers с поддержкой квантайзера nunchaku_lite и пакет kernels; NVFP4 требует видеокарту NVIDIA Blackwell или новее и не поддерживается на Hopper. Лицензия указана как other, конкретные условия следует сверить с лицензиями базовой модели и репозитория.

lspindler/flux2-lspindler — это модель семейства FLUX.2 [klein], разработанного Black Forest Labs. Компактная архитектура rectified flow transformer с 4 млрд параметров объединяет генерацию изображений по тексту и редактирование изображений, включая работу с несколькими референсами. Модель рассчитана на интерактивные сценарии с низкой задержкой и может запускаться локально на потребительских GPU примерно с 13 ГБ видеопамяти; для инференса доступны Diffusers и ComfyUI. Модель подходит для создания изображений по описаниям и редактирования исходного изображения по текстовым инструкциям и референсам. README заявляет генерацию менее чем за секунду в некоторых условиях, но результат зависит от оборудования и настроек. Модель не предназначена для выдачи достоверных фактов; следование запросу может быть неполным, а текст внутри изображений — искажённым. Возможны смещения, связанные с обучающими данными. Лицензия Apache 2.0 допускает коммерческое использование; в карточке также перечислены ограничения на отдельные виды применения.

Flux-Prompt-Enhance — текстовая модель, разработанная Gökay Aydoğan и дообученная на базе google-t5/t5-base для улучшения текстовых запросов к генераторам изображений FLUX. Она принимает короткое описание сцены и расширяет его деталями, например внешним видом объектов, композицией, освещением и атмосферой. Модель построена на архитектуре T5 с 123,8 млн параметров, работает с текстом на английском языке и имеет контекст до 512 токенов. Модель предназначена для подготовки более подробных промптов в творческих рабочих процессах и доступна по лицензии Apache-2.0. Она генерирует текст, а не изображения; результаты могут добавлять детали, которых пользователь не задавал явно.

Hollow Earth — модель генерации изображений по текстовому описанию, созданная автором Yntec. Она получена смешиванием AgarthaChadstyle с XenoEngineV3 и включением в веса LoRA Aperture V2 Style V1; автор отмечает, что рецепт не гарантирует улучшения композиции или стиля. Модель предназначена для создания портретов, кинематографичных сцен и стилизованных изображений, включая сюрреалистичные сюжеты и последовательное изображение персонажа. Модель использует Stable Diffusion через Diffusers и распространяется в форматах Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M. В примерах карточки показаны мягкое кинематографичное освещение, детализированная текстура кожи и приглушённые тона. Результат зависит от промпта и настроек генерации; гарантии превосходства над исходными моделями автор не заявляет.

Карточка модели kiel2/KielForge-fast на Hugging Face совпадает с карточкой kiel2/Kiel-Gen-2-Fast, поэтому описание составлено по ней. KielForge-fast — дообученный LoRA-адаптер для Stable Diffusion XL Base 1.0, созданный KielTech. Он предназначен для генерации изображений по тексту и преобразования исходных изображений, с акцентом на детализированные футуристические портреты, персонажей научной фантастики и концепт-арт с реалистичными текстурами. Адаптер доступен в виде 16-битных весов safetensors, а также вариантов GGUF F16 и Q4_0. Для генерации рекомендуется разрешение 1024 × 1024; в README также приведены параметры сэмплирования и силы преобразования изображения. Для работы нужны базовая модель SDXL и совместимый интерфейс или конвейер, например Diffusers, ComfyUI либо WebUI Forge. Модель ориентирована на англоязычные запросы. Квантованная версия Q4_0 может давать небольшие артефакты по сравнению с вариантом F16. Модель наследует ограничения и профиль безопасности базовой SDXL. Лицензия — CreativeML OpenRAIL-M.

LemonCreami — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. Автор описывает версию V1 как модель с балансом между детализированной живописью и аниме-стилистикой, а также отмечает, что применение VAE может улучшить цвета. Модель предназначена для создания изображений по текстовым запросам в сценариях, где нужны иллюстрации с живописными или аниме-чертами. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

LLaMA-VID — открытая мультимодальная чат-модель, разработанная авторами проекта LLaMA-VID на основе LLaVA и полученная дообучением LLaMA/Vicuna на инструкционных данных, созданных GPT. Вариант llama-vid-7b-full-224-video-fps-1 обучен в ноябре 2023 года; в метаданных указаны архитектура LlavaLlamaAttForCausalLM, 6,6 млрд параметров и контекст 4096 токенов. Модель предназначена для диалога по изображениям и видео, включая видео длительностью до часа. Обучение использовало данные LLaVA-1.5, включая пары изображение–текст и мультимодальные инструкции, а также подписи и вопросы-ответы по видео из WebVid и ActivityNet. Модель подходит для исследовательских экспериментов с пониманием видео, визуальными вопросами и ответами и мультимодальными чатботами. Карточка указывает исследовательское назначение; лицензия в доступных данных не приведена.

digiplay/majicMIXfantasy_v2 — модель Stable Diffusion для генерации изображений по текстовому описанию. В карточке указана библиотека Diffusers; файлы представлены в форматах PyTorch и safetensors. Модель предназначена для создания фэнтезийных изображений по текстовым запросам. README содержит только подпись к демонстрационному изображению, поэтому подробности об архитектуре, размере, языках, контексте и рекомендуемых сценариях использования установить нельзя. Лицензия обозначена как other, без дополнительных условий в доступных данных.

Mann-E 4 (revision 1.3) — модель генерации изображений по текстовому описанию, созданная Мухаммадрезой Хагири в рамках проектов Open Cognitives. Проект задуман как свободная альтернатива Midjourney. Модель основана на Stable Diffusion 1.5 и использует собственный текстовый энкодер; в репозитории представлены форматы Diffusers, PyTorch и Safetensors. Модель предназначена для создания иллюстраций и художественных изображений по промптам. В карточке приведены примеры с художественными стилями, включая ретровейв и стилизацию под видеоигры, а также настройки сэмплеров Euler a и DPM++ SDE Karras. Данные для обучения собирались из интернета. Лицензия — MIT. Модель принимает текстовые промпты и выдаёт изображения. Карточка не сообщает о поддерживаемых языках и длине контекста; качество и точность следования промпту могут зависеть от формулировки и выбранных настроек генерации.

Nitro Diffusion — модель генерации изображений по текстовому описанию от nitrosocke, созданная на основе Stable Diffusion и дообученная одновременно на трёх стилях: Archer, Arcane и Modern Disney. В промпте можно задавать один стиль или сочетать несколько, регулируя их влияние. Для управления стилем используются слова «archer style», «arcane style» и «modern disney style».

Это квантованная и сжатая версия модели NoobAI-XL-Vpred-1.0 от Laxhar, подготовленная пользователем mingyi456 для работы в ComfyUI. Модель предназначена для генерации изображений по текстовому описанию в рамках SDXL-пайплайна text-to-image. Сжат основной компонент UNet, отвечающий за диффузионный процесс; компоненты CLIP и VAE необходимо брать из исходного чекпойнта. Ключевая особенность модели — использование формата и режима BF16 с совместимым сжатием DFloat11. По данным README, это снижает потребление VRAM для UNet примерно с 5,14 до 3,66 ГБ, благодаря чему он может работать на видеокартах с 6 ГБ памяти при наличии поддержки BF16. Ожидается идентичность результатов 16-битной версии при запуске ComfyUI с флагом --bf16-unet. Для работы требуется исходный чекпойнт, пользовательский узел ComfyUI-DFloat11-Extended и запуск ComfyUI с флагом --bf16-unet. Ограничениями являются зависимость от поддержки BF16, необходимость установки дополнительного узла и сохранения исходных компонентов CLIP и VAE. Часть Conv2D-тензоров не сжималась ради совместимости, поэтому файл примерно на 200 МБ больше теоретически ожидаемого размера. Модель распространяется по лицензии Fair AI Public License 1.0-SD; точные параметры архитектуры, размер модели, максимальная длина контекста и языковые возможности в README не указаны.

frankjoshua/novaAnimeXL_ilV140 — модель генерации изображений по тексту, опубликованная пользователем Joshua Frank на Hugging Face. Карточка репозитория указывает на конвейер StableDiffusionXLPipeline и формат Diffusers с весами Safetensors; конфигурация включает UNet, VAE и два текстовых энкодера CLIP. Модель принимает текстовый запрос и создаёт изображение. Репозиторий не содержит описательной карточки, поэтому специализацию на аниме, размер модели, поддерживаемые языки и конкретные сильные стороны подтвердить по первоисточнику нельзя. Для запуска доступен пример использования с библиотекой Diffusers. Лицензия в доступных метаданных и карточке не указана, поэтому условия использования следует проверить в самом репозитории перед применением.

nunchaku-flux.1-dev — это квантованная версия модели FLUX.1-dev, разработанная командой Nunchaku на основе исходной модели Black Forest Labs. Модель предназначена для генерации изображений по текстовым описаниям и интегрируется с библиотекой Diffusers, а также поддерживает использование через ComfyUI. Для оптимизации инференса применяется метод SVDQuant и 4-битное квантование, рассчитанное на снижение вычислительных и ресурсных требований при минимальной потере качества. Доступны варианты INT4 для видеокарт до поколения Blackwell и NVFP4 для видеокарт Blackwell (50-й серии). В README указано, что модель ориентирована на англоязычные текстовые запросы; дополнительные сведения о размере, архитектуре, разрешении изображений, длине контекста и других модальностях не приведены. Модель подходит для эффективной генерации изображений при ограниченных ресурсах и может использоваться в рабочих процессах Diffusers и ComfyUI. Ограничения включают зависимость от совместимого инференс-движка Nunchaku и соответствующего типа квантованного файла, а также условия исходной лицензии FLUX.1-dev. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть её использование ограничено некоммерческими сценариями согласно условиям Black Forest Labs.

calcuis/pony — модель для генерации изображений по текстовому описанию, предназначенная прежде всего для аниме и других стилизованных изображений. Разработчик и происхождение исходных моделей в README не указаны; автор отмечает, что часть оригинальных файлов предоставлена сторонними участниками Civitai. Модель распространяется в формате GGUF и рассчитана на использование с ComfyUI и gguf-node. Для работы требуются совместимые текстовые энкодеры legacy_clip_g и legacy_clip_l, а также VAE-декодер legacy-vae. README рекомендует использовать теги и отдельные слова для более точных результатов и отмечает поддержку старого оборудования, включая видеокарты серии NVIDIA 9xx и более ранние, в режиме low VRAM. Указан английский язык и назначение text-to-image; сведения о размере, точной архитектуре, максимальном контексте и дополнительных модальностях отсутствуют. Сильной стороной модели является возможность запуска на устаревших компьютерах и совместимость с gguf-node. Ограничением названа меньшая удобность по сравнению с более современными моделями на начальном этапе работы, поскольку для получения точных результатов желательно использовать специальные теги. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-2512-Pixel-Art-LoRA — адаптер LoRA для генерации изображений на основе базовой модели Qwen/Qwen-Image-2512. Модель разработана пользователем или организацией prithivMLmods и предназначена для text-to-image-сценариев, в которых требуется стилизация изображений под пиксель-арт, включая классическую 8-битную и детализированную 16-битную эстетику. Для активации стиля в запросе рекомендуется использовать триггерное слово «Pixel Art». Адаптер подходит для создания персонажей, животных, предметов, пейзажей, сцен из игр и ретро-иллюстраций. В README указано, что для инференса рекомендуются размеры 1280×832 и 1024×1024, а также 45–50 шагов генерации; при использовании Lightning/Turbo-адаптеров заявлен диапазон 4–8 шагов. Технические параметры обучения включают Network Dim 64, Network Alpha 32, 50 обучающих изображений и 25 эпох. Сильная сторона модели — специализированная передача пиксельной стилистики на широкий набор сюжетов при сохранении возможностей базовой модели. Ограничения и точные характеристики базовой архитектуры, число параметров, поддерживаемые языки и максимальная длина текстового контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

Redshift-WD12-SD14-NAI-FMD Checkpoint Merger — модель генерации изображений по текстовому описанию на базе Stable Diffusion. Автор объединил Redshift Diffusion, Waifu Diffusion 1.2, Stable Diffusion 1.4, Novel AI, Yiffy и Zack3D_Kinky-v1, чтобы создавать изображения в разнообразных стилях и с разными сюжетами. Модель предназначена для генерации людей, фурри, пейзажей, фонов, зданий, а также изображений в стилях Disney и живописной иллюстрации. Для усиления стиля Redshift можно добавить в запрос «redshift style» с весом примерно от 1.06 до 1.3; для фурри автор рекомендует слова «furry», «anthro», «Zootopia» или «anthropomorphic». Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CC0 1.0. Модель объединяет несколько чекпойнтов, поэтому результаты могут зависеть от формулировки запроса и выбранных стилевых подсказок. README не приводит сведений о размере модели, длине контекста или поддерживаемых языках; для генерации важны текстовые описания, а результатом служат изображения.

Blur ControlNet от Stability AI — управляющая модель для Stable Diffusion 3.5 Large, предназначенная для генерации изображений по текстовому запросу с дополнительным контролем через изображение с размытием. Она используется вместе с основной моделью SD 3.5 Large в репозитории Stability AI или через Diffusers; входное изображение для управления нужно предварительно обработать внешним скриптом, поскольку сама SD 3.5 эту подготовку не выполняет. Для начала рекомендуется сила ControlNet около 0,9; параметры можно настраивать под задачу. В README также отмечены sampler Euler и 50–60 шагов как настройки, дающие хорошие результаты, особенно для Canny. Модель не обучалась для создания фактически достоверных изображений людей или событий. Она распространяется по Stability Community License; коммерческое лицензирование следует согласовать со Stability AI. Использование должно соответствовать Acceptable Use Policy.

Tarsier-34b — открытая крупная видеоязыковая модель, предназначенная прежде всего для описания видео и понимания его содержания. Модель обучена в июне 2024 года и рассчитана на исследователей и энтузиастов в области компьютерного зрения, обработки естественного языка и машинного обучения. Модель использует двухэтапное обучение: предварительное многозадачное обучение на 13 млн примеров и настройку по инструкциям на 500 тыс. примеров. При обучении замораживалась ViT, а проекционный слой и LLM обучались. В README заявлены результаты уровня SOTA на шести открытых бенчмарках; оценивание включало описание видео и видеовопросы-ответы. Метаданные указывают pipeline text-generation, поддержку чата и формат safetensors. Лицензия — Apache-2.0. Модель подходит для генерации описаний роликов и ответов на вопросы о видео. README обозначает её как исследовательскую, но не приводит ограничений по длительности видео, контексту или языкам, поэтому эти характеристики здесь не уточняются.

Vox2 — дообученная для Stable Diffusion концептуальная модель генерации изображений в стиле voxel-ish, созданная Jak / Jak_TheAI_Artist. Для активации стиля в запрос добавляют триггер «voxel-ish»; автор также рекомендует фразу «intricate detail» для получения более полуреалистичных изображений. Версия 1.2 обучена на 184 изображениях в течение 8000 шагов и дополнительно настроена для улучшения лиц. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает базовую модель Stable Diffusion или параметры разрешённого использования сверх условий лицензии.

WAI-REALMIX-v11 — модель генерации изображений по текстовому описанию, опубликованная автором WAI0731. Это чекпойнт на базе Pony, доступный в формате Diffusers с весами Safetensors. В версии 11 автор отмечает улучшение общей визуальной согласованности, композиции и фона, а также проработки рук и ног. Модель предназначена для создания изображений по промптам. В карточке приведены настройки для предыдущей версии: CFG scale 7, 30–50 шагов и сэмплер Euler a; параметры могут служить отправной точкой для v11. Автор предупреждает, что более ранняя версия v10 могла быть менее стабильной после изменения стиля и формы лица. Лицензия и точный размер модели в предоставленных данных не указаны.

WAN 2.2 QX Text Encoders (GGUF) — набор квантизированных текстовых энкодеров для системы генерации видео WAN 2.2 QX. Репозиторий опубликован пользователем или организацией wangkanai и содержит варианты архитектуры UMT5-XXL в формате GGUF, предназначенные для преобразования текстовых запросов в эмбеддинги. Энкодеры используются в сценариях text-to-video и image-to-video через пайплайн WAN 2.2 QX в библиотеке Diffusers. Доступны варианты квантования от Q3_K_S до Q8_0 с размером примерно от 2,7 до 5,7 ГБ и ориентировочным потреблением видеопамяти от 3 до 7,5 ГБ. Квантование снижает требования к памяти по сравнению с FP16, позволяя выбирать компромисс между размером модели, скоростью и качеством понимания запросов. Указаны архитектура UMT5-XXL примерно на 13 млрд параметров без квантования, контекст до 512 токенов, словарь более чем из 250 000 токенов и поддержка более 100 языков. Сильными сторонами набора являются мультиязычное понимание текста, несколько уровней точности и возможность запуска на видеокартах с ограниченной VRAM. Ограничения связаны с тем, что это не самостоятельная модель генерации, а компонент пайплайна WAN 2.2 QX; для работы также требуются совместимые Diffusers-компоненты и подходящее оборудование. Для минимального варианта заявлены 4 ГБ VRAM и 8 ГБ оперативной памяти, для более качественных вариантов рекомендуется 8–12 ГБ VRAM и более. В метаданных указана лицензия other, однако её конкретные условия в README не раскрыты. В репозитории представлены восемь вариантов энкодера, а их общий объём составляет около 30,2 ГБ.

Z-Anime — семейство моделей генерации изображений по текстовому описанию, опубликованное в репозитории SeeSee21/Z-Anime. Модель представляет собой полноценную дообученную версию Z-Image Base от Alibaba, а не объединение LoRA. Она основана на архитектуре S3-DiT (Single-Stream Diffusion Transformer) с 6 млрд параметров и ориентирована на создание изображений в аниме-стилистике. Модель предназначена для генерации аниме-персонажей, сцен, поз, композиций и разнообразных художественных вариаций по описательным запросам на естественном языке. Доступны базовая версия с максимальным качеством, дистиллированные варианты для генерации за 8 или 4 шага, а также сборки BF16, FP8, GGUF и AIO. Указан английский язык. Поддерживаются negative prompts, однако в дистиллированных версиях их влияние ограничено. Модель совместима с Diffusers и ComfyUI; заявлена работа примерно от 8 ГБ видеопамяти, а GGUF-варианты подходят для малоресурсных, CPU- и AMD-сценариев. Сильные стороны Z-Anime — выразительная аниме-эстетика, разнообразие стилей, персонажей и композиций, управляемость и пригодность базовой версии для дальнейшего LoRA-дообучения. Ограничения зависят от варианта: BF16 требует около 12 ГБ памяти, FP8 — около 6 ГБ, а дистиллированные версии обеспечивают более быструю генерацию, но хуже поддерживают negative prompts и требуют рекомендованных настроек CFG. В README также указана частичная поддержка NSFW-контента. Лицензия — Apache-2.0.

z-image-turbo-GGUF-confyui — это GGUF-квантованная версия модели z-image-turbo, подготовленная пользователем felipedpm для запуска в ComfyUI. Оригинальная модель связана с разработчиком Tongyi-MAI. Решение предназначено для генерации изображений по текстовому описанию в формате text-to-image и рассчитано на использование в средах с ограниченным объёмом VRAM. В состав входят квантованный диффузионный UNET z-image-turbo в формате Q8_0, квантованный текстовый энкодер Qwen3 4B в формате Q5_K_XL и VAE ae.safetensors для декодирования изображений. Для работы требуются ComfyUI и пользовательские узлы с поддержкой загрузки GGUF, например ComfyUI-GGUF. Языки, размер контекста, разрешение, число параметров исходной модели и другие архитектурные характеристики в README не указаны. Ключевое преимущество сборки — снижение требований к памяти благодаря квантованию при сохранении возможности относительно быстрой генерации: на GPU с 12 ГБ VRAM заявлено около 15–30 секунд на изображение. При этом workflow остаётся ресурсоёмким: рекомендуется GPU с 12 ГБ VRAM и 32 ГБ оперативной памяти, возможна выгрузка данных в RAM. Лицензия — Apache-2.0.

ACertainThing — модель генерации изображений по текстовому описанию, созданная JosephusCheung на базе Stable Diffusion. Автор описывает её как версию Anything 3.0, дообученную методом DreamBooth и инициализированную ACertainModel; модель распространяется для использования через Diffusers. Модель предназначена для создания изображений по запросам, в том числе при коротких или неточных промптах. В примерах автор отмечает удачную композицию, жесты рук и изображение движущихся объектов. Рекомендуемые настройки генерации: 28 шагов, Euler a, CFG 11 и Clip skip 2. Автор предупреждает о переобучении: модель может отходить от запроса, добавлять лишние детали и выдавать однообразные результаты. Она нестабильна и не подходит для дальнейшего дообучения. Лицензия — CreativeML OpenRAIL-M.

Anima 1.0 Aesthetic Diffusers — это версия модели генерации изображений Anima 1.0, подготовленная в формате Diffusers для использования с SD.Next. Её разработали CircleStone Labs и Comfy Org; эстетический вариант дообучен для более стабильных результатов и выразительного художественного стиля по умолчанию. Модель предназначена для генерации иллюстраций по текстовому описанию, особенно в аниме-стилистике и с не-фотореалистичными изображениями. Модель содержит около 2 млрд параметров и использует CosmosTransformer3DModel с 28 слоями, текстовый энкодер Qwen3-0.6B, адаптер перекрёстного внимания и VAE AutoencoderKLWan. Обучающие подписи включали теги в стиле Danbooru и естественный язык. Рекомендуемый диапазон разрешений — 512×512–1536×1536, а число шагов генерации — 30–50 при CFG 4–5. Модель не предназначена для фотореализма; при чрезмерном CFG или отдельных тегах результат может содержать шум, артефакты или избыточную детализацию. Репозиторий содержит конверсию Diffusers в формате safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензирования исходной модели и этой версии.

pachiiahri/anima-fp8-comfyui — это квантизированная версия модели Anima, разработанной circlestone-labs, предназначенная для генерации изображений по текстовому описанию в ComfyUI. Модель распространяется как single-file diffusion-модель и содержит калиброванные метаданные для аппаратного формата FP8. Ключевая особенность — использование hardware FP8, что ориентировано на запуск с поддержкой соответствующих аппаратных возможностей Tensor Core и функций квантования ComfyUI. README не содержит сведений о точной архитектуре, размере модели, поддерживаемых языках, максимальном контексте или дополнительных модальностях, поэтому эти характеристики нельзя определить по имеющимся данным. Модель предназначена прежде всего для сценариев text-to-image в среде ComfyUI; её преимущества связаны с FP8-квантованием и интеграцией с этим интерфейсом, а ограничением являются требования совместимого оборудования и программной поддержки. Лицензия в карточке отдельно не указана: заявлено, что применяется лицензия оригинальной модели circlestone-labs/Anima. Для точных условий использования следует обратиться к лицензии исходной модели.