I.10Видео, анимация и 3D

Tarsier-7b — открытая видеоязыковая модель семейства Tarsier, разработанная для описания видео и общего понимания видеосодержимого. Она основана на языковой модели liuhaotian/llava-v1.6-vicuna-7b и предназначена прежде всего для исследователей и энтузиастов компьютерного зрения, обработки естественного языка и машинного обучения. Модель обучалась в июне 2024 года в два этапа: многофункциональное предварительное обучение на 13 млн примеров и настройка по инструкциям с разной степенью детализации на 500 тыс. примеров. При обучении замораживался ViT, а обучались проекционный слой и языковая модель. Модель оценивается на наборах для описания видео и видеоответов на вопросы, включая DREAM-1K, MVBench и MSVD-QA. Tarsier-7b принимает видеоданные и формирует текстовые описания или ответы о содержимом видео. Карточка позиционирует её для исследований и экспериментов; результаты Tarsier-34b не следует автоматически переносить на версию 7b. Лицензия — Llama 2; веса доступны в формате safetensors.

TwinFlow-Qwen-Image-v1.0 — экспериментальная версия модели inclusionAI, дообученная на базе Qwen/Qwen-Image для генерации изображений по текстовым описаниям. Она использует метод TwinFlow с самосостязательными потоками, чтобы выполнять генерацию за один или несколько шагов вывода и сохранять высокое качество без вспомогательных моделей во время обучения. Модель предназначена для ускоренного создания изображений по текстовым запросам. Репозиторий распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0.

Video-Reason/VBVR-Pro-FLUX2-dev — модель редактирования изображений по инструкциям, созданная командой Video-Reason на основе дообучения FLUX.2-dev. Она предназначена для изменения изображений по текстовому запросу и подходит для экспериментов с визуальным рассуждением через генерацию и редактирование изображений. Модель основана на FLUX.2-dev и распространяется как объединённый чекпойнт Diffusers в формате safetensors: LoRA-адаптер ранга 32 уже слит с весами трансформера. README описывает набор VBVR-Pro из 300 процедурно создаваемых задач и проверяемые оценщики вознаграждения для исследований визуального рассуждения; сама модель дообучена на наборе VBVR-Dataset. Лицензия — Apache-2.0.

Video-HopChain-8B — мультимодальная модель для ответов на вопросы по видео, разработанная на основе Qwen3-VL-8B-Instruct. Её обучили в два этапа методом GRPO: сначала на смеси видеовопросов общего назначения, затем на наборе Video-HopChain с методом Confidence-Gated Exploration. Это чекпойнт global_step_10 второго этапа, представленный в исследовании Video-HopChain. Модель предназначена для анализа видеоряда и решения вопросов, требующих связать несколько событий или фактов из видео. В описанной конфигурации обучение включало видео до 140 кадров на втором этапе; оценивание проводилось при 100 кадрах на видео. В метаданных указан английский язык. Модель использует архитектуру Qwen3-VL с 8 млрд параметров, унаследованную от базовой модели. В оценках авторов модель показала улучшение среднего результата на перечисленных видеобенчмарках относительно исходной Qwen3-VL-8B-Instruct, а на отложенной выборке Video-HopChain получила 16,4% точности. Ограничения: проверена только одна размерность модели; датасет синтетический и сверялся с подписями, а не непосредственно с кадрами, поэтому ошибки подписей могут попадать в ответы. Распространяется по лицензии Apache-2.0.

alfredplpl/z-image-modern-anime — экспериментальная полноразмерная донастройка Z-Image, ориентированная на генерацию изображений в стиле современной японской аниме-графики. Автор сообщает, что применял только Quality Tuning; для активации стиля в промпте рекомендуется использовать триггер «Japanese modern anime style». Модель предназначена для генерации изображений по текстовым запросам и доступна для использования с ComfyUI и Diffusers. Модель основана на Tongyi-MAI/Z-Image и распространяется в форматах Diffusers и Safetensors. Лицензия — Apache-2.0. Карточка не сообщает размер модели, контекст или поддерживаемые языки промптов.

AbyssHellHero — текстовая модель генерации изображений на базе Stable Diffusion, опубликованная пользователем AIARTCHAN. Она создана слиянием LoRA с моделью AbyssOrangeMix2, а также компонентами Helltaker 0.27 и HeroAcademia 0.2; репозиторий содержит веса Diffusers, PyTorch и Safetensors, включая вариант FP16. Модель предназначена для создания изображений по текстовым запросам. Автор рекомендует использовать отрицательные эмбеддинги, например EasyNegative, и усиливать нужные теги весом от 1.1. Исходный вариант занимает около 7,7 ГБ, Safetensors — 4,27 ГБ, а FP16 — 2,13 ГБ. Лицензия CreativeML Open RAIL-M разрешает использование с соблюдением её условий и ограничений.

Anima-Aesthetic-v1.0-GGUF — квантизированная версия модели Anima-Aesthetic-v1.0, разработанной CircleStone Labs. Это текст-в-изображение модель на 2 млрд параметров, построенная на базе NVIDIA Cosmos-Predict2-2B-Text2Image и представленная в форматах GGUF для генерации изображений с использованием CPU или GPU-выгрузки в ComfyUI. Модель предназначена прежде всего для создания аниме-иллюстраций, персонажей и художественных сцен. Версия Aesthetic дообучена для более стабильной генерации и улучшенного художественного стиля по сравнению с базовой моделью; фотореализм не является её сильной стороной. Поддерживаются разрешения примерно от 512×512 до 1536×1536 пикселей, рекомендуются 30–50 шагов и CFG 4,0–5,0. Для работы требуются ComfyUI версии 0.14.1 или выше, узел ComfyUI-GGUF, а также отдельные текстовый энкодер Qwen 3 0.6B Base и VAE Qwen Image. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 1,02 до 2,24 ГБ; Q4_K_M и Q5_K_M заявлены как оптимальный баланс скорости и качества. Модель лучше работает с подробными промптами, поддерживает сочетание естественного языка и тегов Danbooru, но короткие запросы могут давать непредсказуемые результаты. Распространяется по CircleStone Labs Non-Commercial License: модель и производные разрешены только для некоммерческого использования, тогда как сгенерированные изображения, согласно указанным условиям, обычно могут применяться коммерчески.

Anime Detailer XL LoRA — адаптер LoRA, разработанный Linaqruf для работы с моделью Animagine XL 2.0 на базе Stable Diffusion XL. Он предназначен для генерации аниме-изображений и управления уровнем их детализации с помощью концептуального слайдера, что позволяет получать более детализированные или, наоборот, более абстрактные результаты. Модель подходит художникам и создателям контента, которым требуется гибко менять степень проработки изображения. Архитектура модели — LoRA-адаптер для Stable Diffusion XL; базовая модель — Animagine XL 2.0. Поддерживается работа через библиотеку Diffusers, формат весов — Safetensors. В README указаны текстовое управление и английский язык, однако сведения о размере модели, максимальной длине контекста, дополнительных модальностях и точном наборе поддерживаемых языков отсутствуют. Значение слайдера около 2 увеличивает детализацию, а значение около -2 уменьшает её. Модель специализируется на изменении визуальной детализации аниме-изображений, но README не содержит количественных оценок качества или подробного описания ограничений. Распространяется по лицензии CreativeML Open RAIL++-M License.

Anything-Midjourney-v-4.1 — модель генерации изображений по текстовому описанию, созданная Joeythemonster методом DreamBooth на базе Stable Diffusion. Карточка рекомендует проверять и использовать обученный концепт через интерфейсы A1111 или diffusers. Модель предназначена для генерации изображений с изученным концептом по текстовым запросам. Репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors. Используется лицензия CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста и поддерживаемые языки.

Anything-XL — модель генерации изображений по текстовому описанию, созданная Yuno779. Она предназначена прежде всего для создания иллюстраций в аниме-стиле с помощью Stable Diffusion XL и запускается через библиотеку Diffusers; веса представлены в формате safetensors. Карточка рекомендует подробно описывать сцену и использовать подходящие для SDXL подсказки, а для высоких разрешений — выбирать размер изображения с учётом возможного искажения композиции. Модель поддерживает англоязычные текстовые запросы и может генерировать изображения в широком диапазоне разрешений. Автор отмечает, что теги и приёмы, привычные по SD 1.5, могут работать иначе, а некоторые метки исходных моделей могли потеряться при слиянии. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Guizmus/BloodborneDiffusion — модель генерации изображений на основе Stable Diffusion, обученная в стиле серии Bloodborne. Разработчик дообучил её методом DreamBooth на наборе из 100 изображений, используя runawayml 1.5 и новую версию VAE; обучение включало 12 тысяч шагов. Для вызова визуальной концепции в запросе рекомендуется использовать токен «Bloodborne Style». Модель принимает текстовые запросы на английском языке и создаёт изображения. В README рекомендуются сэмплеры k_Euler_a или DPM++ 2M Karras, 20 шагов и CFG 7; модель можно запускать через Diffusers StableDiffusionPipeline. Репозиторий содержит веса в формате Diffusers/PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M.

PublicPrompts/borderlands — модель Stable Diffusion, дообученная разработчиком с помощью DreamBooth для создания изображений в стиле игры Borderlands. Она подходит для генерации персонажей и сцен по текстовым запросам; для активации стиля используйте триггерное слово «borderlands». Модель распространяется в форматах Diffusers, PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Cool Japan Diffusion 2.1.1 Beta — модель генерации изображений по текстовому описанию, созданная Alfred Increment путём дообучения Stable Diffusion. Она предназначена для создания изображений в духе аниме, манги и игр, а также для творческих, образовательных и исследовательских проектов. Архитектура основана на Latent Diffusion Model с OpenCLIP-ViT/H; модель принимает текстовые запросы на японском и может генерировать изображения. Карточка указывает лицензию CreativeML Open RAIL++-M-NC License: коммерческое использование запрещено, кроме оговорённых исключений; производные версии должны сохранять условия лицензии. Автор предупреждает о смещениях, унаследованных от Stable Diffusion, и рекомендует соблюдать законы и этические нормы при публикации результатов. Модель не предназначена для передачи фактов как изображений, коммерческих сервисов и ряда сценариев, которые могут навредить творческой индустрии.

Counterfeit V3 — латентная диффузионная модель преобразования текста в изображения, разработанная rqdwdw. Она предназначена прежде всего для создания изображений людей и других сюжетов в стиле японского аниме. Модель использует Stable Diffusion и запускается через библиотеку Diffusers; веса представлены в формате safetensors, лицензия — MIT. Модель подходит для генерации аниме-иллюстраций по текстовым запросам. Она не всегда создаёт безупречные иллюстрации и плохо справляется с изображением разборчивого текста.

Craig-Wazowski-style — модель генерации изображений по тексту, созданная Kagerage методом DreamBooth на базе Stable Diffusion 2.1 с разрешением 768 пикселей. Она предназначена для создания изображений в стиле, связанном с Крейгом Вазовски; автор рекомендует добавлять к запросу «GregRutkowski artwork» для более удачных результатов. Модель распространяется в формате Diffusers и PyTorch, веса FP16; лицензия — CreativeML OpenRAIL-M. Автор отмечает, что результаты могут непоследовательно переключаться между живописной и реалистичной манерой. Для запуска FP16-варианта могут возникнуть проблемы без Xformers; автор это не проверял. Рекомендуется не использовать разрешение ниже 768 пикселей. Выбор CFG, sampler и negative prompt также влияет на результат.

Crystalwave — модель генерации изображений по текстовому описанию, созданная слиянием Synthwave и Crystal Clear Remix. Она предназначена для создания иллюстраций и обоев с эстетикой synthwave и vaporwave: неоновые линии и круги, геометрические горы, ретроавтомобили, пальмы, ночные пейзажи, персонажи и другие сюжеты. Для усиления стилистического эффекта автор рекомендует добавлять в запрос слово «snthwve». Модель распространяется в формате Diffusers с весами Safetensors и использует лицензию CreativeML OpenRAIL-M. В карточке приведены примеры разнообразных художественных и фотореалистичных запросов, но сведения о размере модели, поддерживаемых языках и длине контекста отсутствуют.

JerryMo/db-simpsons-asim-style — модель синтеза изображений по текстовому описанию, созданная на основе предварительно обученной модели Stable Diffusion и дообученная для художественного стиля мультсериала «Симпсоны». Автор описывает её как Simspon Artistic Memory; для обучения использовались датасет изображений по «Симпсонам» и методы тонкой настройки, включая DreamBooth и LoRA. Модель предназначена для генерации изображений персонажей и сцен в стилистике «Симпсонов» по текстовым промптам. В README приведён шаблон описания персонажа, его внешности, одежды, действия, окружения и временного периода. Репозиторий распространяет веса в форматах Diffusers и Safetensors; указана лицензия CreativeML OpenRAIL-M.

panopstor/EveryDream — копия Stable Diffusion 1.5 с улучшенным MSE VAE и несколькими тестовыми файлами. Модель предназначена для создания изображений по текстовым запросам; её формат Diffusers позволяет использовать её в конвейере StableDiffusionPipeline. Карточка описывает репозиторий как копию базовой модели, а не как отдельное дообучение. Модель распространяется по лицензии CreativeML OpenRAIL-M. Сведения о размере, контексте и поддерживаемых языках в предоставленных источниках отсутствуют.

Everything V1 — модель генерации изображений на основе Stable Diffusion, дообученная и объединённая разработчиком TheRafal из Anything V3. Она предназначена для создания изображений в аниме-стиле по текстовым запросам и поддерживает теги Danbooru, например для описания внешности персонажей, окружения и сцены. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и может использоваться через Stable Diffusion Pipeline; README также упоминает экспорт в ONNX и MPS. Карточка указывает лицензию CreativeML OpenRAIL-M. Метаданные отмечают английский язык, но README не описывает языковую специализацию подробнее. Модель ориентирована на создание аниме-изображений; иных характеристик качества или ограничений карточка не раскрывает.

FLUX.1-dev-LoRA-Makoto-Shinkai — адаптер LoRA от InstantX, обученный на базовой модели FLUX.1-dev от Black Forest Labs. Он предназначен для генерации изображений по текстовому описанию в художественной стилистике, обозначенной как стиль Makoto Shinkai. Для активации адаптера в запросе рекомендуется использовать фразу «Makoto Shinkai style». Модель подходит для создания иллюстраций и атмосферных сцен с персонажами, природой, фантастическими объектами и кинематографичным освещением. Технически это LoRA-адаптер для FLUX.1-dev, подключаемый через diffusers и файл Safetensors. README не указывает точный размер адаптера, число параметров, поддерживаемые языки или максимальную длину контекста. В качестве примера приведена генерация с 24 шагами, guidance_scale 3.5 и разрешением 960×1280; эти параметры не обязательно являются ограничениями модели. Адаптер рассчитан на текст-в-изображение и требует совместимой базовой модели FLUX.1-dev. Сильная сторона модели — специализация на воспроизведении заявленной визуальной стилистики при сохранении гибкости текстовых промптов. Ограничения включают зависимость от FLUX.1-dev, необходимость использования подходящего окружения и отсутствие в README подробных сведений о качестве на разных типах запросов. Указана лицензия flux-1-dev-non-commercial-license, поэтому использование ограничено её условиями и носит некоммерческий характер.

Disty0/FLUX.2-klein-9B-SDNQ-4bit-dynamic-svd-r32 — это квантизированная версия модели black-forest-labs/FLUX.2-klein-9B, подготовленная Disty0 для библиотеки Diffusers. Модель предназначена для генерации изображений по текстовым описаниям; в README приведён пример создания изображения размером 1024×1024 за 4 шага инференса. Модель использует динамическое мелкодискретное квантование SDNQ с минимальным типом uint4 и подбором точности для каждого слоя по порогу нормализованной среднеквадратичной ошибки. В результате применяется смешанная точность с типами uint4 и int5, а также SVD-квантование с рангом 32. Размер модели сокращён примерно с 18,2 ГБ в исходной конфигурации BF16 до 5,7 ГБ в варианте SDNQ, что снижает требования к хранению и памяти. Для работы требуется пакет sdnq и совместимый стек PyTorch и Diffusers. Поддерживается опциональное использование квантованных матричных умножений INT8 на GPU AMD, Intel Arc и NVIDIA при доступности Triton, а также выгрузка частей модели в CPU. Языки, точные характеристики архитектуры и результаты независимого сравнения качества в README не указаны. Модель распространяется по лицензии flux-non-commercial-license, поэтому её использование ограничено некоммерческими сценариями согласно условиям лицензии.

TheLastBen/froggy-style-v21-768 — это дообученная модель Stable Diffusion V2.1 от TheLastBen для генерации изображений по текстовым запросам. Она обучена на 11 изображениях Midjourney размером 768×768: выполнено 1300 шагов обучения модели и 300 шагов обучения текстового энкодера. Для вызова усвоенного стиля в запросе можно использовать триггер «ttdddd»; карточка также приводит примеры описательных промптов для получения детализированных изображений с кинематографическим освещением. Модель предназначена для создания изображений в усвоенном стиле и обучения собственным концепциям с помощью fast-DreamBooth. Репозиторий представлен в форматах Diffusers и PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Обучение на небольшом наборе изображений ограничивает разнообразие усвоенного стиля и может приводить к повторению черт исходных примеров.

LykosAI/GPT-Prompt-Expansion-Fooocus-v2 — текстовая генеративная модель на архитектуре GPT-2, созданная как сторонняя версия модели расширения промптов из проекта Fooocus. Она предназначена для преобразования коротких запросов в более развернутые описания, пригодные для генерации изображений. Модель принимает текст и генерирует текст; длина контекста составляет 1024 токена. Репозиторий содержит веса PyTorch. Лицензия — AGPL-3.0. В README нет сведений о конкретных языках или иных ограничениях качества, поэтому здесь они не уточняются.

GTA5 Artwork Diffusion — модель генерации изображений по текстовому описанию, обученная автором на загрузочных экранах, сюжетном режиме и иллюстрациях дополнений GTA V. Она основана на Stable Diffusion и дообучена методом DreamBooth; для отсылки к стилю в запросе используется токен «gtav style». Модель предназначена для создания портретов и изображений людей, автомобилей, домов, объектов и пейзажей в стилистике иллюстраций GTA V. Пейзажи могут приобретать вид игровых кадров. Модель распространяется в форматах Diffusers, PyTorch и SafeTensors под лицензией CreativeML OpenRAIL-M, условия которой ограничивают некоторые варианты использования.

misri/hassakuXLIllustrious_v22 — модель преобразования текста в изображение, опубликованная пользователем misri на Hugging Face. Она предназначена для генерации изображений по текстовым описаниям и запускается через Diffusers StableDiffusionXLPipeline. Модель использует архитектуру Stable Diffusion XL с условной UNet, VAE, двумя текстовыми энкодерами CLIP и планировщиком EulerAncestralDiscreteScheduler. В репозитории опубликованы веса Safetensors размером около 6,94 ГБ; карточка модели содержит пример применения через библиотеку Diffusers. Поддерживаемые естественные языки, размер параметров и длина контекста в доступных данных не установлены. Лицензия в метаданных указана как unknown, поэтому условия использования необходимо уточнять у автора. Модель не размещена у inference-провайдера Hugging Face, а содержимое README практически отсутствует, поэтому сведения о специализированном стиле, датасете, качестве, безопасности и ограничениях генерации отсутствуют.

Kandinsky 2.2 Decoder — декодер генеративной модели Kandinsky 2.2, созданной Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Он предназначен для генерации изображений по текстовым описаниям и входит в состав конвейера на основе unCLIP и латентной диффузии. Архитектура включает U-Net для диффузии и блок MoVQGAN, который преобразует латентное представление в изображение; полный конвейер также использует трансформерный image prior и CLIP-ViT-G. Модель обучалась на наборах LAION Improved Aesthetics и LAION HighRes и дообучалась на коллекции высококачественных изображений с описаниями, включавшей COYO, аниме и российские достопримечательности. Kandinsky 2.2 обучалась на разрешениях от 512×512 до 1536×1536 и поддерживает генерацию изображений 1024×1024 с различными соотношениями сторон. Репозиторий распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии Apache 2.0. Эта карточка относится к декодеру, поэтому для генерации требуется использовать его как часть совместимого конвейера Kandinsky 2.2. README также описывает генерацию с текстовым управлением и интерполяцию как возможности полного конвейера; метаданные этой модели указывают только задачу text-to-image.

Kohaku-XL-Gamma — модель генерации аниме-изображений на основе Stable Diffusion XL, разработанная KBlueLeaf в сотрудничестве с Linaqruf. Это производная Animagine XL 3.0: версия Gamma rev1 объединяет изменения весов Animagine XL 3.0 и Kohaku XL base7. Модель распространяется в форматах Diffusers, PyTorch и Safetensors. Модель создаёт изображения по текстовым запросам и рассчитана на генерацию аниме-арта. Для обучения использовались разрешения от 768×1024 до 1024×1024; автор рекомендует задавать размер изображения в диапазоне 786432–1310720 пикселей и CFG scale 4–7. Формат промпта совместим с Animagine XL 3.0, при этом автор рекомендует использовать его систему тегов качества, рейтинга и года. Известное ограничение — на изображениях могут появляться мозаичные артефакты, связанные с масштабированием или кодированием данных обучения; автор предлагает устранять их апскейлерами R-ESRGAN anime6b или SCUNet. Лицензия в предоставленных данных не указана.

LAMEanime — модель генерации изображений по текстовому описанию, созданная автором репозитория как смешение нескольких чекпойнтов Stable Diffusion. В состав вошли animeTWO от realisticElves, lametta v1745 и lametta v1602 от Lasorco; при сборке также использована модель animeSEXTILLION на базе animeTEN, а в итоговый чекпойнт встроен VAE MoistMixV2. Модель предназначена для создания иллюстраций в аниме-стилистике, включая милых персонажей и чиби-образы. Репозиторий приводит пример запроса на генерацию фантазийной иллюстрации девочки-джинна с детализированными глазами и освещением. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors и под лицензией CreativeML OpenRAIL-M. README описывает смешивание моделей и настройки блоковых весов, но не приводит размер модели, контекст или список поддерживаемых языков. Качество результата зависит от формулировки запроса; отдельные ограничения генерации в карточке не описаны.

MalwareDream_Final — аниме-модель для генерации изображений по текстовым описаниям, созданная Earth & Dusk. Это дообученная DreamBooth-модель Stable Diffusion, обучавшаяся в несколько этапов; автор сообщает о повторном обучении на более чем тысяче дополнительных изображений и использовании датасетов Nerfgun3/bad_prompt и gsdf/EasyNegative. Модель предназначена для создания изображений в аниме-стилистике по текстовым запросам. Репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M; автор просит не перезагружать модель.

Noginowa/merge-experiment — это экспериментальный репозиторий слияний моделей генерации изображений от автора Noginowa. В карточке описаны варианты серии Anima: один ориентирован на выразительные художественные сцены, другой — на слегка полуреалистичные изображения, третий — на чёткую и ясную картинку. Модели принимают текстовые запросы и создают изображения; для работы в ComfyUI нужны соответствующие веса модели, текстовый энкодер и VAE из репозитория circlestone-labs/Anima. Для вариантов Anima указаны рекомендуемые CFG 4–5, около 30 шагов и сэмплеры ER SDE BETA или Euler A Normal. Репозиторий отмечен как экспериментальный, а версии v0.1 описаны как заменённые последующими релизами PrismPalette ANIMA v1, GleamPalette ANIMA v1 и ClearPalette ANIMA v1. Использование зависит от лицензии исходной серии: для Anima указана CircleStone Labs Non-Commercial License v1.2; общая метка лицензии репозитория — other.