I.10Видео, анимация и 3D

DreamShaper 3.32 — модель генерации изображений по текстовому описанию, опубликованная пользователем jzli. В карточке указано, что в модель встроен VAE и исправление CLIP; она распространяется в форматах Diffusers и PyTorch и предназначена для использования с StableDiffusionPipeline. Модель подходит для создания изображений по текстовым запросам. README не приводит дополнительных сведений о её архитектуре, размере, поддерживаемых языках или контексте. Условия лицензии в доступных данных не указаны.

Firewatch Diffusion — модель генерации изображений по текстовому описанию, обученная автором ItsJayQz на игровых кадрах Firewatch и некоторых игровых постерах Олли Мосса. Для обращения к характерному стилю в запросе используется токен «fwatch style». Модель предназначена прежде всего для создания пейзажей природы и отдельных объектов в похожей художественной манере. Модель распространяется в формате Diffusers с весами PyTorch Safetensors и использует лицензию CreativeML OpenRAIL-M, которая допускает гибкое использование и распространение производных моделей с ограничениями, изложенными в лицензии. Автор отмечает, что модель создана для исследований и развлечения и не связана с Campo Santo или правообладателями игровых иллюстраций.

Keffisor21/flux1-schnell-bnb-nf4 — модель для генерации изображений по текстовому описанию, опубликованная в формате Diffusers. Она предназначена для использования с библиотекой Diffusers и конвейером FluxPipeline; метаданные также указывают на 8-битное представление модели и формат safetensors. Модель подходит для создания изображений по промптам в приложениях, исследовательских прототипах и локальных генеративных рабочих процессах. Разработчик, лицензия, поддерживаемые языки, размер параметров, длина контекста, данные обучения и результаты оценки в доступной карточке не описаны.

amd/FLUX.1-schnell_io32_amdgpu — вариант модели FLUX.1 [schnell] от AMD, подготовленный для запуска через Amuse GUI. Модель генерирует изображения по текстовому описанию; вариант io32 принимает входные данные в fp32, преобразует их в fp16 для вычислений и возвращает результат в fp32. Репозиторий содержит формат Diffusers и ONNX. Базовая FLUX.1 [schnell] — трансформерная модель Black Forest Labs, рассчитанная на генерацию изображений за 1–4 шага. Модель подходит для создания изображений по текстовым запросам в Amuse GUI на поддерживаемом окружении AMD. Указана лицензия Apache-2.0. В README описан запуск через Amuse, но подробные сведения о поддерживаемом оборудовании, качестве генерации и возможностях настройки не приведены.

Модель shauray/FLUX-UNCENSORED-merged создана на основе FLUX.1 [dev] компании Black Forest Labs: к базовой модели применена и объединена uncensored LoRA. Она предназначена для генерации изображений по текстовым описаниям и рассчитана на использование через Diffusers с FluxPipeline. По данным каталога, базовая FLUX.1 [dev] содержит 12 млрд параметров. Репозиторий распространяет веса в форматах Diffusers и Safetensors. Владелец описывает модель как вариант с меньшим числом ограничений на генерируемые результаты. Лицензия — MIT.

TheLastBen/froggy-style — модель генерации изображений в стиле, обученная на базе Stable Diffusion v1.5 на 11 изображениях Midjourney размером 512×512. Для обучения использовалось 1300 шагов, включая 300 шагов для текстового энкодера. Модель предназначена для создания изображений по текстовым запросам с характерной визуальной стилистикой обучающих примеров. Для генерации можно использовать триггерное слово «ttdddd» как самостоятельный запрос или сочетать его с описанием сцены и указаниями на кинематографическое освещение, высокую детализацию и качество рендера. Репозиторий распространяет веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении созданных изображений.

GimmeDatDing — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Репозиторий содержит веса в форматах Diffusers и safetensors; карточка демонстрирует пример промпта с персонажем Chi-Chi в стилизованной аниме-сцене. Модель предназначена для создания аниме- и мультяшных изображений по текстовым промптам. В метаданных указан pipeline text-to-image и лицензия CreativeML OpenRAIL-M. Размер модели и базовая модель в доступных данных не указаны.

GLIGEN — диффузионная модель генерации изображений с привязкой объектов к заданным областям. Её разработали исследователи и инженеры University of Wisconsin–Madison, Columbia University и Microsoft. Эта версия предназначена для запуска через библиотеку Diffusers и использует латентную диффузионную архитектуру с фиксированным текстовым энкодером CLIP ViT-L/14. Модель принимает текстовое описание и текстовые метки объектов с ограничивающими рамками, а также может использовать исходное изображение для вставки описанных объектов в указанные области. Она подходит для создания и редактирования изображений, художественных и образовательных инструментов и исследований управляемой генерации. Основной язык — английский; запросы на других языках работают хуже. Модель может ошибаться в фотореализме, композиции, изображении людей и читаемом тексте; автоэнкодер вносит потери, а обучающие данные могут приводить к запоминанию изображений и смещениям. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка предназначает её для исследований и творческих сценариев и рекомендует использовать Diffusers Safety Checker; для применения следует учитывать ограничения лицензии и карточки, а также необходимость мер безопасности.

heStyle-Diffusion — модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion 1.5 и дообученная автором krystv методом DreamBooth на аниме-изображениях. Она предназначена прежде всего для создания интерьеров комнат и обоев в художественном аниме-стиле; слово-триггер «hestyle» можно добавить к запросу, если модель отклоняется от этого стиля. Модель распространяется в формате Diffusers с весами Safetensors по лицензии CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели или длине контекста.

Holodayo XL 2.1 — диффузионная модель для генерации изображений по текстовым запросам, разработанная Linaqruf. Она дообучена на базе Animagine XL 3.1 и предназначена для создания иллюстраций в аниме-стиле, особенно изображений персонажей и эстетики франшизы виртуальных ютуберов. Модель основана на Stable Diffusion XL и доступна в форматах Diffusers и safetensors; её можно использовать через ComfyUI, Stable Diffusion WebUI и библиотеку diffusers. В версии 2.1 разработчик стремился улучшить анатомию и качество рук, снизить забывание, связанное с обучением текстового энкодера, и уменьшить пересвеченный вид изображений. Карточка рекомендует структурированные запросы и приводит настройки генерации: CFG около 5–7, 25–30 шагов и сэмплер Euler Ancestral. Модель обучена преимущественно на англоязычных тегах и запросах. Лицензия — Fair AI Public License 1.0-SD.

DeepFloyd-IF IF-I-XL-v1.0 — модель генерации изображений по текстовому описанию, разработанная DeepFloyd и StabilityAI. Это первая стадия каскадной пиксельной диффузионной системы IF, содержащая 4,3 млрд параметров: она создаёт изображение 64×64, которое следующие стадии каскада могут увеличить до 256×256 и 1024×1024. Текст обрабатывает замороженный энкодер на основе T5, а изображение генерирует UNet с механизмами cross-attention и attention-pooling. Модель предназначена для создания изображений по текстовым запросам и интегрирована с библиотекой Diffusers. Она особенно рассчитана на запросы на английском языке; качество понимания других языков ниже. В карточке приведён результат FID-30K 6,66 на COCO, однако модель не обеспечивает идеальный фотореализм и не предназначена для достоверного изображения людей или событий. Обучающие данные могут отражать социальные и культурные предубеждения. Для использования требуется принять условия DeepFloyd IF License Agreement. Карточка указывает, что запуск через Diffusers с выгрузкой частей модели в CPU возможен на GPU с 14 ГБ VRAM.

Krea-2-LoRA-retroanime — адаптер LoRA, разработанный Krea для модели Krea 2. Он добавляет к базовой модели Krea-2-Turbo стилистическую специализацию retro anime; для активации используется триггер «Purple retro anime style». Модель предназначена для генерации изображений по текстовому описанию в библиотеке Diffusers и подходит для сцен с персонажами, животными, пейзажами, архитектурой и динамическими сюжетами, выполненными в указанной ретро-аниме стилистике. Адаптер использует веса retroanime.safetensors, обучен на Krea-2-Raw и предназначен для применения с Krea-2-Turbo, включая её малошаговый режим генерации. В примерах предварительного просмотра использовались 8 шагов инференса, guidance 0.0 и вес LoRA 1.0. Архитектура, количество параметров, максимальный контекст, поддерживаемые языки и дополнительные модальности в README не указаны; заявлен сценарий text-to-image. Сильная сторона модели — специализированное добавление узнаваемого визуального стиля к базовой Krea 2 без отдельной полноразмерной модели. Ограничение состоит в том, что адаптер рассчитан на конкретную базовую модель и, согласно README, должен использоваться именно с Krea-2-Turbo. Указана лицензия krea-2-community-license; её полный текст доступен по ссылке в карточке модели.

Krea-2-LoRA-sunsetblur — это LoRA-адаптер для генерации изображений на базе модели Krea 2, разработанный Krea. Адаптер предназначен для применения к чекпойнту krea/Krea-2-Turbo и добавляет характерную визуальную стилизацию ethereal motion blur style — эфемерное свечение, ощущение движения и мягкое размытие. Он подходит для создания художественных сцен, пейзажей, персонажей и сюжетных композиций по текстовому описанию. Модель используется в задачах text-to-image через библиотеку Diffusers и совместима с пайплайном Krea2Pipeline. Базовый адаптер обучен на krea/Krea-2-Raw, а представленные примеры визуализированы на Krea-2-Turbo за 8 шагов с guidance scale 0 и весом LoRA 1.0. Для активации стиля применяется триггерная фраза ethereal motion blur style. Данные о размере, количестве параметров, поддерживаемых языках и максимальной длине контекста не указаны; в метаданных заявлен английский язык. Сильная сторона адаптера — специализированная стилизация, которую можно подключать к базовой модели и настраивать весом LoRA. Ограничение заключается в зависимости от совместимого чекпойнта Krea-2-Turbo и необходимости использовать Diffusers с поддержкой Krea2Pipeline. Модель распространяется по лицензии krea-2-community-license; подробные условия приведены в указанном LICENSE.pdf.

DeverStyle/Krea-2-Premium-Loras — набор экспериментальных LoRA-адаптеров для text-to-image и редактирования изображений на базе Krea-2-Raw. Модель разработана автором DeverStyle и предназначена для переноса стиля между двумя референсными изображениями, генерации персонажа Count BinFace, а также создания изображений в стилях Blue Eye Samurai, Cyanide & Happiness и Blueprint/Wireframe. Для активации адаптеров используются триггерные фразы KSTRANSFER, Count BinFace, dvr_bes_style, dvr_ch_style и dvr_wf_style. Style Transfer RC1 сохраняет композицию первого референса и применяет стиль второго; для работы рекомендуется использовать соответствующий workflow и Krea2 edit nodes from Ostris. Адаптер Cyanide & Happiness может лучше работать с добавлением stick figures, имеет смещение обучающего набора в сторону персонажей и может хуже справляться с запросами без людей или с чрезмерно реалистичными длинными промптами. В README не указаны размер, архитектурные детали самих LoRA, поддерживаемые языки и максимальный контекст. Модель распространяется по Apache-2.0, однако автор отдельно заявляет, что адаптеры созданы только для исследовательских, некоммерческих целей; некоторые из них могут быть основаны на защищённых авторским правом телесериалах, поэтому пользователь самостоятельно отвечает за соблюдение законодательства и возможные последствия.

Lasorco выпустил lametta — семейство слитых моделей Stable Diffusion для генерации изображений по текстовым запросам. Автор настраивал их для личного использования; актуальная версия v2012 объединяет несколько моделей и ориентирована на стилизованные аниме-иллюстрации с девушками невысокого роста и выразительными круглыми глазами. В карточке указаны формат safetensors и лицензия CreativeML OpenRAIL-M. Модель подходит для создания персонажей и сцен по коротким промптам. Автор рекомендует начинать с краткого описания, а для повышения детализации использовать Hires.fix; примеры настроены с DPM++ 2M Karras. Разные версии отличаются стилем: некоторые тяготеют к плоской аниме-заливке, другие — к более мультяшной или скетчевой подаче. Результаты могут быть непредсказуемыми: анатомия, пальцы, фон и детали способны ломаться в зависимости от промпта и параметров. Модель хуже подходит для персонажей мужского пола, совместимость с LoRA не проверена, а для декодирования может потребоваться отдельно выбранный VAE; версия v2012 включает ClearVAE Variant.

LazyMix-v4.0-inpainting — модель от The Imposter Imposters для генерации и редактирования изображений методом inpainting по текстовому описанию. Она предназначена для image-to-image сценариев, в которых исходное изображение преобразуется с помощью Diffusers и StableDiffusionInpaintPipeline; модель распространяется в формате Safetensors и рассчитана на использование через библиотеку Diffusers. Модель подходит для локального редактирования изображений и замены или преобразования визуальных элементов по промпту. Репозиторий помечен как содержащий чувствительный контент и потенциально вредные материалы. Лицензия в доступных источниках не установлена.

Emric/Lora_art_style — адаптер LoRA для Stable Diffusion 3.5 Large, разработанный пользователем или организацией Emric. Модель предназначена для генерации изображений в определённой художественной стилистике с использованием text-to-image и совместима с экосистемой Diffusers. В README она описана как LoRA для стиля; конкретные особенности визуального стиля не раскрыты. Базовая модель — stabilityai/stable-diffusion-3.5-large. Веса доступны в формате Safetensors. README не содержит сведений о размере адаптера, поддерживаемых языках, максимальном контексте, рекомендованных параметрах, ограничениях, точности результатов или лицензии, поэтому эти характеристики нельзя определить по имеющимся данным. Условия использования также не указаны.

Muinez/ltxvideo-2b-nsfw — экспериментальное дообучение LTX-Video 0.9.5, созданное автором Muinez на данных с изображениями и видеоклипами. Модель предназначена для генерации видео по исходному изображению; в конце обучения её дополнительно настраивали для image-to-video. Для описаний использовались booru-теги, а обучающая выборка включала реалистичные и аниме-материалы разных авторов. Автор сообщает, что модель быстро генерирует видео и иногда даёт приемлемый результат, но качество нестабильно и в целом уступает более сильным моделям. Обучение проводилось на изображениях и 4,7 тыс. видеоклипах; максимальная длина клипов составляла 121 кадр, разрешения изображений — от 512×768 до 768×512. По карточке Hugging Face модель использует Diffusers и сохранена в формате safetensors; размер параметров и длина контекста не указаны. Модель помечена как предназначенная для взрослой аудитории. Условия лицензии в предоставленных данных не указаны.

Abhijnyabhat/my — это веса textual inversion для генерации изображений по текстовому описанию, созданные на основе CompVis/stable-diffusion-v1-4. Модель подключается к Stable Diffusion через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Она предназначена для генерации изображений по текстовым запросам с использованием обученного текстового встраивания. Базовая Stable Diffusion преимущественно рассчитана на запросы на английском языке. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

PLLaVA-13B — открытый видеоязыковой чат-бот, разработанный на основе Image-LLM дообучением на данных для следования видеоинструкциям. Это авторегрессионная модель на архитектуре Transformer с 13 млрд параметров; базовая языковая модель — llava-hf/llava-v1.6-vicuna-13b-hf. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалога по видеоматериалам и исследований мультимодальных языковых моделей. Она может отвечать на вопросы о видео и выполнять инструкции, связанные с его содержимым; при оценке использовались пять наборов VQA и один бенчмарк для Video-LMM. В качестве обучающих данных указано Video-Instruct-Tuning из OpenGVLab/VideoChat2-IT. Карточка сообщает об обучении в апреле 2024 года. Модель распространяется по лицензии Apache-2.0. Описанные сценарии сосредоточены на видео; подробности о длине контекста и языковом охвате карточка не приводит.

digiplay/quincemix_v2 — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face. В карточке указаны форматы Diffusers, PyTorch и safetensors; модель относится к семейству Stable Diffusion и предназначена для использования с StableDiffusionPipeline. README содержит лишь пометки о примерах изображений и демонстрационном изображении первоначального автора. Конкретные сценарии применения, размер модели, поддерживаемые языки, длина контекста и базовая модель не описаны. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Qwen2.5-3B-Instruct-Flux — дообученная авторами репозитория mrkrak3n модель для составления подробных и образных текстовых промптов для генератора изображений Flux. Она основана на Qwen/Qwen2.5-3B-Instruct и обучена на наборе FluxDev ControlNet 16k и синтетических данных. Модель принимает текстовое описание сцены и развивает его в более детальный промпт; заявлены архитектура Qwen2 с плотной causal language model, 3,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для подготовки промптов к генерации изображений, в том числе для творческих сценариев и использования через ComfyUI с узлами ComfyUI-Qwen. Она генерирует текст, а не изображения. В README не описаны отдельные оценки качества или конкретные ограничения; лицензия в доступных данных не указана.

Qwen-Image-2.1-PE-I2I-GGUF — GGUF-версия модели Qwen-Image-2.1-PE-I2I, разработанной командой Qwen. Это модель переписывания промптов для редактирования изображений: она принимает расплывчатую инструкцию и одно или несколько входных изображений, а затем формирует точный промпт для последующего редактирования в диффузионном пайплайне Qwen-Image-2.1. Модель подходит для композитинга, переноса объекта из одного изображения в сцену другого и других сценариев многоизображенческого редактирования. Модель основана на доработанной Qwen3.5-VL-9B и поддерживает текстово-визуальные входы, включая несколько изображений, обозначаемых как <image1>, <image2> и далее. Перед ответом она выполняет рассуждение в блоке <think>, после чего возвращает структурированный JSON с переписанным промптом и одним из взаимоисключающих полей: wh_ratio для новой пропорции композиции или ratio_follow для сохранения пропорций исходного изображения. Указан английский язык. Доступны варианты GGUF с точностью от BF16 до Q3 и Q5, размером файлов примерно от 4,62 до 17,9 ГБ, а также отдельный мультимодальный проектор размером 922 МБ. Сильной стороной модели является специализация на преобразовании неформулированных инструкций в подробные, пригодные для дальнейшей обработки описания с учётом содержимого изображений. Она не выполняет само редактирование, а подготавливает промпт для Qwen-Image-2.1 через Diffusers. Для запуска предусмотрены Transformers и llama.cpp. Модель распространяется по Qwen Research License Agreement; точные ограничения лицензии следует уточнять в её тексте.

ReVive — слитая модель генерации изображений по текстовому описанию, созданная автором под именем s6yx. Она объединяет ReVAnimated и REV: автор стремился улучшить композицию изображений ReVAnimated и проработку глаз из REV. Модель рассчитана на создание аниме, мультяшных и стилизованных иллюстраций, в том числе персонажей, игровых образов и небольших иконок. Модель доступна в форматах Diffusers и safetensors и использует библиотеку diffusers. В README приведены примеры запросов и изображений; для демонстрационных примеров указан seed 9119. Репозиторий распространяется по лицензии CreativeML Open RAIL-M.

SDPrompter4b-ckpts — дообученная Edens-Gate модель для CharGen Project, которая превращает описание внешности персонажа в промпт для Stable Diffusion. Это плотная авторегрессионная языковая модель семейства Llama примерно с 3,9 млрд параметров; в карточке указаны чат-возможности и контекст до 131 072 токенов. Модель принимает текстовое описание персонажа и выдаёт текстовый промпт для генерации изображения. Модель дообучена на Delta-Vector/Holland-4B-V1 с использованием наборов CivitAI-SD-Prompts и CivitAI-Prompts-Sharegpt. Для общения рекомендован формат ChatML; автор предупреждает, что при большом лимите вывода модель может зацикливаться, и рекомендует низкое значение min-p и temperature 1. В метаданных указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не указана.

SenseNova-U1.5-8B-MoT-bf16 — модель SenseTime, представленная сообществом mlx-community как артефакт для Apple Silicon и MLX. Это вариант базовой SenseNova-U1.5-8B-MoT с весами в формате bf16; архитектура NEO-unify Mixture-of-Transformers объединяет генерацию изображений по тексту, редактирование изображений и ответы на визуальные вопросы. Для генерации используется rectified flow в пространстве пикселей без VAE. Модель предназначена для генерации изображений, редактирования по инструкциям, визуальных вопросов и режима рассуждения; метаданные также отмечают чат и интерфейс вызова инструментов. Для работы требуется среда MLX-Swift, а заявленный профиль производительности рассчитан на устройства Apple Silicon с большим объёмом памяти. Репозиторий распространяется по лицензии Apache-2.0.

SilvermoonMix-Anima-Evolved — модель генерации изображений, созданная silvermoong путём дообучения Anima. Она предназначена для создания аниме-иллюстраций по текстовым запросам, в том числе сцен с несколькими персонажами. Обучение нацелено на более стабильное изображение рук и нейтральную базовую стилистику, которую можно сочетать с тегами художников. В репозитории представлены варианты Anima 2B и 2.9B, включая обычную и Turbo-версии; для 2.9B также доступен вариант INT8 + ConvRot. Для работы требуются отдельные текстовый энкодер Qwen и VAE. Модель рассчитана на использование в ComfyUI или Forge Neo; Turbo позволяет генерировать изображения за меньшее число шагов. Для тегов художников автор рекомендует ставить перед именем символ @. Улучшение рук и генерации нескольких персонажей является целью обучения, а не гарантией: анатомия и взаимодействие персонажей могут требовать исправлений. Модель ориентирована на аниме и иллюстрации, ограничена в фотореализме и рендеринге длинного текста. Применяются условия CircleStone Labs Non-Commercial License v1.2 с указанными в ней исключениями; README отмечает, что лицензия допускает коммерческое использование созданных изображений по её условиям, но это не означает свободного коммерческого использования весов или любого способа развертывания.

Small Stable Diffusion v0 — облегчённая модель генерации изображений по текстовому описанию, разработанная OFA-Sys. Она создана на основе Stable Diffusion v1-4: в каждом блоке оставлен первый слой, а число параметров сокращено примерно вдвое. Модель распространяется в форматах Diffusers и PyTorch и использует архитектуру StableDiffusionPipeline. Модель предназначена для создания изображений по текстовым запросам в творческих инструментах, дизайне и исследованиях генеративных моделей. Авторы сообщают об ускоренном запуске на CPU и GPU в связке с отдельным репозиторием diffusion-deploy; приведённые показатели зависят от оборудования и настроек. Для работы с примерами требуется Diffusers версии 0.8.0 или выше. Основной язык запросов — английский; на других языках качество ниже. Модель может плохо передавать фотореализм, лица, сложные пространственные отношения и читаемый текст. Она также может воспроизводить смещения и запоминать дублированные обучающие изображения; для применения генерации требуется учитывать риски небезопасного контента и использовать средства фильтрации. Лицензия — OpenRAIL. Карточка позиционирует модель для исследовательского и творческого использования и перечисляет недопустимые сценарии, включая вредоносную генерацию, имитацию людей без согласия и распространение дезинформации.

Модель sd-dreambooth-library/smiling-friends-cartoon-style создана Pinguin как дообученная с помощью DreamBooth модель Stable Diffusion для генерации изображений в стиле мультсериала «Улыбающиеся друзья». Для генерации следует использовать текстовый запрос с триггером «sks», например описать фотографию в этом стиле. Модель распространяется в формате Diffusers/PyTorch по лицензии MIT. Карточка не сообщает размер модели, длину контекста или перечень поддерживаемых языков.

Steampunk-Diffusion — модель генерации изображений по текстовому описанию, созданная AIArtsChannel методом DreamBooth на базе Stable Diffusion 2.1. Она предназначена для генерации персонажей в стиле стимпанк; для вызова обученной концепции в запросе используется слово «Steampunk-Character». Модель опубликована в формате Diffusers/PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Модель принимает текстовые запросы и создаёт изображения. В карточке указана версия 728px и обучение через fast-DreamBooth notebook от TheLastBen. README предлагает запуск через A1111 или Diffusers. Языки запросов и ограничения качества отдельно не описаны.