I.10Видео, анимация и 3D

Norod78/sd-simpsons-model — модель генерации изображений на основе Stable Diffusion, дообученная автором Norod78 на изображениях, связанных с «Симпсонами». В качестве основы использована RunwayML/stable-diffusion-v1-5; обучение на наборе изображений с BLIP-подписями продолжалось 10 000 итераций. Модель принимает текстовые запросы и создаёт мультяшные изображения в стилистике «Симпсонов». Примеры в карточке показывают также генерацию персонажей и сцен по свободным запросам. Модель распространяется в формате Diffusers с весами Safetensors по лицензии CreativeML OpenRAIL-M.

Spider-Verse Diffusion — дообученная модель Stable Diffusion, созданная nitrosocke на кадрах из фильма Sony «Человек-паук: Через вселенные». Она предназначена для генерации изображений по текстовому описанию с визуальным стилем фильма; для получения эффекта автор рекомендует добавлять в запрос фразу «spiderverse style». Модель обучалась методом DreamBooth с сохранением prior-preservation loss в течение 3000 шагов и доступна в формате Diffusers на базе PyTorch. Модель подходит для создания портретов, персонажей и других иллюстраций в стилистике Spider-Verse. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers. Лицензия — CreativeML OpenRAIL-M; условия лицензии распространяются на использование и результаты генерации.

caidas/swin2SR-lightweight-x2-64 — компактная модель Swin2SR для увеличения разрешения изображений в 2 раза. Она основана на архитектуре SwinV2 Transformer и предназначена для лёгкого масштабирования изображений. Модель выполняет задачу image-to-image: на вход принимает изображение низкого разрешения и выдаёт его увеличенную версию. Swin2SR разработана авторами Conde et al. и представлена в работе «Swin2SR: SwinV2 Transformer for Compressed Image Super-Resolution and Restoration»; этот вариант впервые опубликован в репозитории caidas. Модель подходит для повышения разрешения изображений, когда требуется двукратное увеличение. В карточке заявлено лёгкое исполнение, однако конкретные показатели качества и вычислительные требования не приведены. Лицензия — Apache-2.0.

TokenCompose_SD21_A — модель генерации изображений по текстовому описанию, представленная авторами работы для CVPR 2024. Она дообучена на базе Stable-Diffusion-v2-1 на парах изображений и подписей COCO из раздела VSR в течение 32 000 шагов. Обучение на разрешении 768×768 сочетает функцию потерь диффузионного восстановления с терминами привязки на уровне токенов, чтобы точнее размещать несколько категорий объектов в одной композиции и улучшить фотореалистичность. Модель предназначена для создания изображений по текстовым запросам с несколькими объектами и заданными отношениями или композицией. В карточке приведены результаты улучшения точности объектов и показателей композиции по сравнению с SD 2.1. Репозиторий использует библиотеку Diffusers и форматы Diffusers и safetensors. Указанная лицензия — CreativeML OpenRAIL-M.

Niggendar/tPonynai3_v55 — модель преобразования текста в изображение для библиотеки Diffusers, доступная через StableDiffusionXLPipeline. Она предназначена для генерации изображений по текстовым описаниям в приложениях и исследовательских прототипах, поддерживающих экосистему Hugging Face Diffusers. Разработчик, точная архитектура, размер, языки, длина контекста, обучающие данные и лицензия в предоставленных источниках не раскрыты. README модели содержит только автоматически сгенерированную карточку без описания методов, примеров использования и результатов оценки.

ValMix2-byHemlok — модель генерации изображений в стиле аниме, созданная Hemlok. Она предназначена для создания иллюстраций по текстовым запросам и используется как text-to-image модель в Diffusers; репозиторий содержит веса в формате Safetensors. В README упоминается пример изображения, сгенерированного через AUTOMATIC1111. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория. README не сообщает размер модели, базовую модель, поддерживаемые языки и ограничения качества.

VideoChat-R1.5-7B — мультимодальная модель OpenGVLab для диалога и анализа видео. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и использует архитектуру Qwen2.5-VL с 7,1 млрд параметров; для работы доступна через Transformers. Модель принимает видеоданные и текстовые запросы и формирует текстовые ответы, а заявленная длина контекста составляет 128 000 токенов. Модель предназначена для ответов на вопросы о видеороликах и диалогового взаимодействия по их содержимому. В карточке указана поддержка английского языка; лицензия — Apache-2.0. README содержит лишь неполный пример установки, поэтому конкретные показатели качества и дополнительные ограничения применения по нему определить нельзя.

prolapse/xl4supir — дообученная фотореалистичная модель на базе Stable Diffusion XL Base 1.0, предназначенная для генерации изображений по текстовым запросам с использованием Diffusers. Карточка описывает её как SDXL-модель для SUPIR-апскейла и отмечает фотореалистичную направленность. Модель принимает текстовые запросы и выдаёт изображения. В метаданных указан английский язык. Сведения о размере, контексте и лицензии модели не приведены; условия использования базовой модели могут отличаться от условий этой производной модели.

Yuzu — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная пользователем Yntec. Веса представлены в формате Diffusers и Safetensors; в модель встроен VAE MoistMixV2. Модель предназначена для создания иллюстраций по промптам. В карточке приведён пример запроса для реалистичной живописной chibi-сцены с видеоиграми, растениями и классическими мотивами. Теги модели указывают на аниме и полуреалистичный стиль. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не содержит сведений о размере модели и контексте; эти характеристики для генерации изображений не приводятся.

T5B/Z-Image-Turbo-FP8 — квантизированная версия модели Tongyi-MAI/Z-Image-Turbo, разработанная на основе исходной модели Tongyi-MAI. Она предназначена для генерации изображений по текстовым описаниям и используется в сценариях text-to-image через библиотеку Diffusers. Модель представлена в форматах FP8 E5M2 и FP8 E4M3FN. В README не указаны архитектура, количество параметров, поддерживаемые языки помимо языка, заявленного в метаданных (английский), размер контекста, поддерживаемые модальности и конкретные преимущества или ограничения квантизации. Поэтому эти характеристики нельзя надёжно определить по доступным данным. Модель распространяется по лицензии Apache-2.0 и должна использоваться с соблюдением исходных условий лицензирования и ограничений Tongyi-MAI/Z-Image-Turbo. Подробности этих условий необходимо уточнять в карточке оригинальной модели.

Z-Image-Turbo-Quantized — набор квантованных весов модели Z-Image-Turbo, подготовленный LightX2V для запуска генерации изображений на видеокартах с 8 ГБ видеопамяти. Репозиторий содержит варианты FP8 E4M3FN и INT8 в формате Safetensors; заявленный размер каждого файла — 6,17 ГБ. Модель использует библиотеку Diffusers и предназначена для генерации изображений по текстовым описаниям. Для работы с 8 ГБ видеопамяти автор рекомендует квантованный до int4 текстовый энкодер Qwen3 и выгрузку модели на CPU во время инференса. Доступны выгрузка всей модели или отдельных блоков; README отмечает, что настройки квантования и выгрузки нужно применить до создания генератора. Базовая модель — Tongyi-MAI/Z-Image-Turbo, дистиллированная модель Alibaba, поддерживающая английский и китайский текст на изображениях. Репозиторий распространяется по лицензии Apache-2.0.

vladocar/3dfood — модель генерации изображений на основе Stable Diffusion 1.5, дообученная разработчиком на концепции 3dfood методом DreamBooth с использованием fast-DreamBooth. Она предназначена для создания изображений еды в 3D-стилистике по текстовым запросам; для вызова концепции в запросе используется фраза «3dfood». Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M.

AAM AnyLora AnimeMix — модель Stable Diffusion, дообученная Lykon на базе runwayml/stable-diffusion-v1-5. Она предназначена для генерации изображений по текстовым описаниям в художественной и аниме-эстетике и распространяется в форматах Diffusers и safetensors. Лицензия — CreativeML OpenRAIL-M. Модель принимает текстовый запрос и создаёт изображение; карточка также указывает поддержку английского языка. README не сообщает размер модели, длину контекста или конкретные ограничения качества. Условия OpenRAIL-M распространяются на использование модели.

AAM XL AnimeMixTurbo — модель генерации изображений на основе Stable Diffusion XL, дообученная Lykon на базе stabilityai/stable-diffusion-xl-base-1.0. Она предназначена для создания изображений в аниме-стиле по текстовым запросам и доступна для запуска через Diffusers в формате safetensors. Модель принимает текстовые описания на английском языке и выдаёт изображения. Модель ориентирована на генерацию художественных и аниме-изображений. Она распространяется по лицензии Fair AI Public License 1.0-SD. Подробные сведения о размере модели, контексте и специфических ограничениях качества в карточке не приведены.

vladmandic/Anima-1.0-Base — перенос модели Anima от CircleStone Labs и Comfy Org в формат Diffusers, подготовленный для SD.Next. Это базовая модель генерации изображений по тексту, ориентированная прежде всего на аниме, персонажей, стили и другие художественные изображения; для фотореализма она подходит хуже. Модель содержит около 2 млрд параметров, использует архитектуру AnimaTextToImagePipeline и веса BF16. Исходная Anima обучалась на аниме-изображениях и других нефотографических художественных работах; подсказки можно задавать тегами в стиле Danbooru и обычным текстом. Карточка рекомендует подробные запросы и приводит рабочий диапазон разрешений 512²–1536² пикселей. Базовая версия не прошла эстетическую донастройку: её исходный стиль описан как нейтральный, а качество зависит от подсказок. Модель слабо справляется с реализмом и длинными надписями на изображениях; короткие или недостаточно подробные подсказки могут приводить к нежелательному содержимому. Репозиторий vladmandic опубликован под MIT, однако исходная Anima распространяется по некоммерческой лицензии CircleStone Labs и подпадает под условия лицензии NVIDIA для производных от Cosmos-Predict2-2B-Text2Image; перед использованием весов следует учитывать применимые условия обеих лицензий.

Apollo-LMMs-Apollo-7B-t32 — мультимодальная модель семейства Apollo, предназначенная для понимания видео и диалога по его содержанию. Она поддерживает длинные видео, временные рассуждения, ответы на сложные вопросы о видео и многоходовые беседы с опорой на видеоконтент. Модель содержит 7,1 млрд параметров, использует плотную архитектуру ApolloForCausalLM и принимает 32 токена на кадр. Заявлена работа с видео длительностью до часа; модель рассчитана на поиск событий и связей во времени и ответы по видеоматериалам. Метаданные указывают английский язык и контекст до 32 768 токенов. Модель опубликована под лицензией Apache-2.0. README заявляет высокое качество относительно моделей меньшего размера, однако не приводит независимых оценок или подробных результатов тестирования.

Arcane Diffusion — дообученная модель Stable Diffusion от nitrosocke для генерации изображений в визуальном стиле мультсериала «Аркейн». Чтобы получить этот стиль, добавьте в текстовый запрос токен «arcane style». Модель работает через StableDiffusionPipeline библиотеки Diffusers и выдаёт изображения по текстовому описанию; в README описаны версии, обученные на изображениях из сериала, включая версию 3, для которой указаны 95 изображений и 8000 шагов обучения. Модель подходит для создания персонажей, сцен и иллюстраций с эстетикой «Аркейна». Репозиторий содержит веса в форматах Diffusers и PyTorch. Указана лицензия CreativeML OpenRAIL-M.

Tiwaz/CenKreChro — модель генерации изображений по текстовому описанию в формате Diffusers и safetensors. Автор указывает, что репозиторий загружен главным образом как резервная копия и версия Diffusers для обучения в AI toolkit; готовые квантизованные версии SVDQ доступны отдельно у Spooknik. Модель предназначена для создания изображений по текстовым запросам. Карточка не сообщает её размер, базовую модель, поддерживаемые языки, контекст или лицензию, поэтому эти характеристики нельзя уточнить.

Cyberpunk Anime Diffusion — модель генерации изображений в аниме-стиле на тему киберпанка, опубликованная DGSpitzer. Она создана дообучением Waifu Diffusion V1.3 с использованием DreamBooth и Stable Diffusion V1.5 New VAE. Модель принимает текстовые запросы и генерирует изображения; для усиления авторского иллюстративного стиля в запросе рекомендуется использовать ключевое слово «dgs». Репозиторий содержит файлы для Diffusers и checkpoint, совместимые со стандартными пайплайнами Stable Diffusion. Модель рассчитана на создание киберпанк-персонажей, прежде всего аниме-портретов и иллюстраций. Карточка не сообщает размер модели или длину контекста. Лицензия — CreativeML Open RAIL-M; ограничения использования следует сверять с условиями этой лицензии.

Cyberpunk Anime Diffusion — модель генерации изображений от DGSpitzer, созданная дообучением Waifu Diffusion V1.3 с помощью DreamBooth на базе Stable Diffusion 1.5 и новым VAE. Она предназначена для создания персонажей и иллюстраций в аниме-стиле с киберпанк-тематикой по текстовым запросам. Для усиления характерного стиля в запросе рекомендуется использовать ключевое слово «dgs» и указание на стиль иллюстрации. Модель доступна в форматах Diffusers и PyTorch, включая файлы SafeTensors и CKPT, и совместима со стандартными конвейерами Stable Diffusion. В карточке указана лицензия CreativeML OpenRAIL-M. В README приведён пример запроса с откровенно подчёркнутым изображением персонажа; качество и точность результата зависят от формулировки запроса.

Dash Waifu Diffusion Mix (Dash WDM) — набор смешанных моделей на базе Stable Diffusion 1.5 от LucasDash, ориентированный на дизайн персонажей. Основная версия создана слиянием собственной обученной модели автора и BasilMix с помощью U-Net Blocks Weight Merge; также представлены варианты Ink для аниме и мультяшной стилистики, Paint для реалистичной цифровой живописи и Counterfeit, смешанный с моделью Counterfeit от gsdf. Модель предназначена для генерации изображений по текстовым запросам. В README приведены примеры генерации и рекомендации по настройкам сэмплера, CFG и VAE для рисованного и реалистичного стилей. Репозиторий использует библиотеку diffusers и содержит веса в формате safetensors; лицензия — CreativeML OpenRAIL-M. Указанные стилистические предпочтения не гарантируют одинакового результата для всех запросов и настроек.

Dreamful 3 — модель генерации изображений из текста в формате Diffusers, опубликованная Yntec на Hugging Face. Карточка приводит пример запроса для создания детализированного аниме-портрета девушки-теннисистки с длинными волнистыми волосами и голубыми глазами, в кинематографическом стиле. Модель предназначена для создания иллюстраций и портретов по текстовым описаниям; метки карточки указывают на тематику аниме, портретов и 3D. Репозиторий содержит веса в формате safetensors и использует лицензию CreativeML Open RAIL-M. В README и метаданных не приведены размер модели, контекст или сведения о базовой модели.

Карточка модели beenga8/flux2-klein-4b-mirror на Hugging Face совпадает с карточкой beenga8/flux-2-klein-base-4b-mirror, поэтому описание составлено по ней. Это зеркальная копия FLUX.2 [klein] 4B от Black Forest Labs, сохранённая для воспроизводимой сборки Beenga Image. Веса побайтно совпадают с указанной в карточке ревизией исходного репозитория; модель не изменялась и не дообучалась. Подходит для генерации изображений по тексту и редактирования изображений, в том числе с несколькими референсами, согласно метаданным каталога. Модель распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0. Для актуальной версии и исправлений карточка рекомендует обращаться к исходному репозиторию Black Forest Labs.

Gap_2.6 — модель генерации изображений по текстовому описанию в формате Stable Diffusion, опубликованная digiplay. В карточке приведены примеры изображений, созданных через API Hugging Face и AUTOMATIC1111, включая вариант с файлом Gap_2.6_mangledVAE_.safetensors. Модель предназначена для преобразования текстовых запросов в изображения и может использоваться в интерфейсах генерации на базе Diffusers или AUTOMATIC1111. Репозиторий содержит файлы в форматах Diffusers и SafeTensors. Лицензия обозначена как other; её конкретные условия в доступной карточке не раскрыты.

Holodayo XL 2.1 — диффузионная модель генерации изображений по тексту, разработанная Linaqruf. Она дообучена на базе Animagine XL 3.1, модели Stable Diffusion XL для аниме-иллюстраций, и настроена на создание изображений в стиле франшизы виртуальных ютуберов. Версия 2.1 направлена на улучшение анатомии и рук, снижение проблем с забыванием при дообучении и уменьшение избыточно пересвеченного стиля. Модель принимает текстовые запросы и выдаёт изображения; для управления результатом поддерживает специальные теги качества, рейтинга, года и эстетики, унаследованные от Animagine XL 3.1. Её можно запускать через ComfyUI, Stable Diffusion WebUI или библиотеку diffusers. В README указана лицензия Fair AI Public License 1.0-SD; перед использованием следует учитывать условия этой лицензии.

Infinite 80s — модель преобразования текста в изображения в эстетике кино 1980-х годов. Она создана AInfinity и LiberteRedmond с использованием LoRA 80s Movie Style от Lykon; для её базовой модели Liberte Infinity объединены AIInfinityRealistic и LiberteRedmond. Карточка сообщает, что модель diffusers была переименована в Infinite80sAlpha для повторного запуска проекта. Модель предназначена для создания реалистичных и стилизованных изображений по текстовым запросам, в том числе портретов и сцен с кинематографическим настроением. Репозиторий содержит веса в форматах Diffusers и PyTorch, включая safetensors. Указаны английский язык запросов и лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста в предоставленных данных не указаны.

Krealism — дообученная модель Krea 2 Turbo от автора Lonecatone23 для генерации реалистичных изображений по текстовым запросам в ComfyUI. Она ориентирована на фотографии с плёночной эстетикой, естественными цветами и непринуждённой композицией; дополнительные LoRA не требуются. Для V3.1 доступны исходная версия bf16 и варианты с меньшим размером: int8, mxfp8 и w4a8. В README указаны замеры скорости и сходства качества с bf16 на RTX 5090 и ноутбуке с RTX 5060; некоторые варианты требуют актуальной ComfyUI с Comfy Kitchen. В репозитории также сохранены старые версии V1.0 и вариант GGUF Q8_0. Для использования нужны ComfyUI и подходящий файл модели; автор рекомендует шаблон Krea 2 с 10 шагами, CFG 1.0 и Euler. Лицензия — MIT.

LEOSAMsFilmGirlUltra — модель преобразования текста в изображение на базе Stable Diffusion 1.5, опубликованная Yntec. Она предназначена для генерации портретов и кинематографичных изображений с эстетикой плёнки, в том числе сцен и образов в стиле 1990-х годов. В карточке показаны примеры портретов, VHS- и аналоговых кадров, плёночного зерна и постановочного освещения. Модель использует библиотеку Diffusers и формат Safetensors; для описанной версии 768 × 768 указан планировщик EulerDiscreteScheduler. Автор отмечает, что модель также основана на SD 1.5 и ориентирована на разнообразие лиц. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает количественных оценок качества или подробных ограничений применения.

Emyrus/LITEmix — модель генерации изображений в стиле аниме по текстовому описанию. Автор сообщает, что модель обучалась за небольшое число шагов, а затем была объединена с моделями evt_v2 и momocha. Она доступна для запуска через Diffusers и PyTorch и предназначена для создания аниме-иллюстраций по текстовым запросам. В метаданных указан английский язык и лицензия CreativeML OpenRAIL-M. Карточка не содержит подробностей об архитектуре, размере или контексте.

LLaDA-Image-Turbo_ComfyUI — квантованная производная модель LLaDA-Image-Turbo, разработанного inclusionAI, с интеграцией для ComfyUI от RealRebelAI. Модель предназначена для быстрой генерации изображений по текстовому описанию и нативного редактирования изображений по инструкции. Редактирование использует встроенный режим generation_mode="editing" и обработку исходного изображения через механизм image-conditioning/SigVQ, а не обычный img2img с параметром силы шумоподавления. В репозитории доступны полные веса трансформера в формате BF16 Safetensors, нативно квантованные INT8-веса трансформера и текстовый энкодер LLaDA2-MoE в формате GGUF Q4_K_M. Квантизация снижает требования к хранилищу и оперативной памяти. Для генерации рекомендованы 4 шага и CFG/guidance scale 1.0; при редактировании доступны исходное изображение, инструкция, размеры, число шагов, guidance scale, seed и необязательный negative prompt. Размеры для редактирования должны быть кратны 32. Модель ориентирована на использование через пользовательские ComfyUI-ноды RebelAI. README не указывает поддерживаемые языки, максимальный контекст, точный размер модели и архитектурные детали сверх сохранения архитектуры LLaDA-Image. Ограничения включают зависимость от специальной ComfyUI-интеграции и необходимость соблюдать условия лицензии исходной модели inclusionAI; применимые лицензионные требования upstream распространяются на эти производные файлы.