I.10Видео, анимация и 3D

MilkyWonderland_v2 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Карточка показывает пример создания сказочной сцены с девушкой в лесу, светлячками и мягким свечением; модель подходит для генерации фантазийных и кинематографичных иллюстраций по промптам. Репозиторий содержит веса в формате safetensors для использования с Diffusers. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

Mitsua Diffusion CC0 — латентная диффузионная модель преобразования текста в изображения, разработанная командой Abstract Engine. Её U-Net обучен с нуля на изображениях из общественного достояния, под лицензией CC0 и на материалах, использованных с разрешения; текстовый энкодер и VAE взяты из Stable Diffusion 2.1 Base. Модель распространяется в формате Diffusers/PyTorch и предназначена в том числе для использования как базовая модель проекта AI VTuber Elan Mitsua. Модель генерирует изображения по текстовым запросам. В обучающую выборку вошли произведения искусства, фотографии и рендеры 3D-моделей; разработчики сообщают примерно о 11 миллионах изображений с аугментацией и об отсутствии в наборе данных изображений, созданных ИИ. Авторы отмечают, что качество изображений пока очень низкое, а разнообразие ограничено. Лицензия в метаданных — OpenRAIL++ (openrail++).

Runware/Pony_Diffusion_V6_XL — это перезаливка весов Pony Diffusion V6 XL в формате Diffusers и Safetensors, разработанной PurpleSmartAI на основе Stable Diffusion XL. Модель предназначена для генерации изображений по текстовым запросам и особенно ориентирована на стилизованных персонажей: антропоморфных, диких и гуманоидных существ. Она понимает обычные описания на естественном языке и теги; автор рекомендует разрешение около 1024 пикселей и Clip Skip 2. Модель обучалась на примерно 2,6 млн изображений с подписями и тегами, включая аниме, мультяшные, furry- и pony-изображения. Она может создавать как безопасные, так и откровенные изображения. Из известных ограничений — возможное появление псевдоподписей, которые бывает трудно убрать из результата. Исходная модель распространяется по модифицированной лицензии Fair AI Public License 1.0-SD. В частности, коммерческий запуск inference на монетизируемых сайтах и приложениях ограничен; для коммерческого использования требуется разрешение правообладателя. Карточка Runware указывает, что репозиторий является переэкспортом официальных весов Civitai.

ProteusSigma — дообученная модель генерации изображений на основе Stable Diffusion XL Base 1.0. Её разработчик объединил датасеты Proteus и Mobius и применил улучшения ZTSNR и NovelAI V3; карточка указывает обучение на 500 тысячах изображений. Модель принимает текстовые запросы на английском языке и генерирует изображения. Для наилучших результатов требуется специальный inference-код и пользовательский узел для ComfyUI. В карточке заявлены повышенная максимальная сигма σ_max около 20000 и улучшенная согласованность при высоком разрешении. Автор отмечает, что модель пока не настраивалась на эстетическое качество, поэтому результаты могут требовать подбора запросов и параметров генерации. Распространяется по лицензии Apache 2.0.

Это квантованная конверсия Qwen Image Edit 2509, подготовленная для загрузки через Diffusers с Nunchaku Lite. Трансформер использует SVDQ в формате NVFP4 с рангом 32; текстовый энкодер сохранён в 4-битном NF4 BitsAndBytes с вычислениями в bfloat16. Базовая модель — Qwen/Qwen-Image-Edit-2509, исходный чекпойнт Nunchaku — nunchaku-ai/nunchaku-qwen-image-edit-2509. Модель предназначена для редактирования изображений по текстовым инструкциям. В README приведён тест на изображении 1248×832 с 40 шагами генерации: среднее время конвертированной версии составило 173,44 секунды, пиковое использование выделенной CUDA-памяти — 21,55 ГиБ. В этих условиях исходный чекпойнт Nunchaku показал 90,82 секунды и 35,45 ГиБ; результаты относятся только к описанной конфигурации теста. Лицензия в предоставленных данных не указана.

Raemu Flux — модель генерации изображений по тексту, созданная разработчиком Raelina на основе дообучения FLUX.1-dev от Black Forest Labs. Она предназначена прежде всего для создания изображений в стиле аниме; для этого модель дообучена на почти 1 500 тщательно отобранных изображениях. Репозиторий использует Diffusers и формат Safetensors. Модель подходит для генерации аниме-персонажей и сцен по текстовым запросам. В запрос рекомендуется включать слово «anime»: без него результат может выглядеть реалистично. Язык карточки — английский; точный контекст модели не указан. Лицензия обозначена как other, поэтому условия использования следует сверять с карточкой модели и базовой FLUX.1-dev.

Norod78/sd2-dreambooth-ClaymationXmas — модель преобразования текста в изображение, дообученная Norod78 для генерации изображений в стиле рождественской пластилиновой анимации. В карточке указано, что модель является fine-tune; примеры генерации представлены для WebUI AUTOMATIC1111. В репозитории используются Diffusers, PyTorch и safetensors. Модель предназначена для создания изображений по текстовым запросам с рождественскими мотивами и эстетикой claymation. Она основана на Stable Diffusion, однако конкретная базовая версия и размер модели в доступных сведениях не указаны. Лицензия — CreativeML OpenRAIL-M.

Guizmus/SDArt_UnmythicalCreatures — текстовая инверсия, обученная автором Guizmus на Stable Diffusion 1.5 для создания изображений вымышленных существ, не основанных на известных мифах. Она предназначена для генерации существ по текстовому запросу с использованием токена SDArt и дополнительных токенов, связанных с примерами из обучающего набора. Набор обучения включал 31 изображение; автор указывает, что обучал модель с небольшим весом, чтобы она передавала тему, не копируя исходные работы напрямую. Модель подходит для иллюстраций фантастических животных и растений, концепт-арта существ и визуальных записей для вымышленного бестиария. Для генерации автор рекомендует сэмплеры k_Euler_a или DPM++ 2M Karras, 20 шагов и CFG 7.5. Репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors; лицензия — CreativeML OpenRAIL-M. Карточка не сообщает длину контекста или поддерживаемые языки запросов; метаданные помечают английский язык.

Это 8-битная MLX-версия мультимодальной модели SmolVLM2-500M-Video-Instruct, подготовленная сообществом mlx-community на основе HuggingFaceTB/SmolVLM2-500M-Video-Instruct. Архитектура SmolVLM предназначена для обработки видео по текстовым запросам и генерации текстовых ответов; модель поддерживает диалоговый сценарий. Карточка указывает преобразование в формат MLX с помощью mlx-vlm 0.1.13 и пропуск vision-компонента; в метаданных также указано семейство SmolVLM и класс SmolVLMForConditionalGeneration. Модель подходит для вопросов о содержимом видео и кратких текстовых описаний видеоматериалов. В метаданных указан английский язык, а также датасеты The Cauldron и Docmatix. Репозиторий опубликован по лицензии Apache-2.0. Конкретный размер контекста и точное число параметров этой версии в предоставленных данных не приведены.

Это версия модели TensorVizion/StableDiffusion-1.4-Pruned, преобразованная в формат OpenVINO с помощью optimum-intel. По README, конверсия выполнена через export space; указанная лицензия — CreativeML Open RAIL-M. Модель предназначена для генерации изображений по текстовому запросу. Метаданные также указывают поддержку генерации текста и архитектуру Qwen3, однако карточка не объясняет, как эти сведения связаны с заявленным назначением модели. В метаданных указаны 14 млрд параметров и контекст 40 960 токенов. OpenVINO-формат предназначен для запуска в соответствующей среде; README указывает optimum-intel как средство загрузки. Оценки качества, перечень поддерживаемых языков и аппаратные требования в доступных данных не описаны.

StreamTTT-4B — экспериментальная видеоязыковая модель команды zeyun-zhong, основанная на Qwen3-VL-4B-Instruct и дообученная для понимания потокового видео. Архитектура сочетает скользящий KV-кэш на 4096 токенов для недавних кадров с отдельной памятью на основе test-time training, которая хранит сжатое представление более ранней истории. Модель обрабатывает видео по упорядоченным временным окнам и предназначена для вопросов о текущей сцене и событиях, произошедших ранее. Основные сценарии — анализ живого или длинного видео, ответы на вопросы о действиях и восстановление последовательности событий. В README сообщается о сравнительных результатах на StreamingBench и OVO-Bench; оценка проводилась с указанными для каждой модели протоколами ввода. Модель принимает видео и текстовые запросы, а ответы выдаёт текстом. Базовая модель поддерживает также анализ изображений. Лицензия — Apache-2.0. Память TTT является сжатой и теряет часть деталей, поэтому она не заменяет полное внимание, когда видео помещается в контекст. Свободная генерация в потоковом режиме не реализована в описанном пути оценки, а поведение на видео вне повседневных активностей, например медицинском или спортивном, не проверено. Сохраняются ограничения базовой Qwen3-VL-4B-Instruct.

TwinFlow-Z-Image-Turbo — экспериментальная доработанная версия модели Tongyi-MAI/Z-Image-Turbo для генерации изображений по текстовому описанию. Она основана на подходе TwinFlow: модель выправляет собственное поле потока, чтобы получать изображения за один или несколько шагов генерации, без отдельных вспомогательных сетей-дискриминаторов или замороженных учителей. Репозиторий рассчитан на запуск через Diffusers; веса представлены в формате safetensors. Модель предназначена для быстрого создания изображений по текстовым запросам, когда важны малая задержка и сокращение числа шагов вывода. В README версия названа экспериментальной; конкретные параметры модели, поддерживаемые языки запросов, контекст и количественные оценки качества не приведены. Лицензия — Apache-2.0.

UMM-Reflection-BAGEL-SFT — этап supervised fine-tuning проекта UMM-Reflection, созданный дообучением BAGEL-7B-MoT. Модель анализирует собственное изображение, оценивает, завершена ли генерация, и при необходимости формирует правку и создаёт исправленное изображение в рамках одного контекста. Чекпойнт предназначен для итеративной генерации изображений по текстовому запросу и редактирования изображений с самопроверкой. Обучение использовало траектории рефлексии для генерации и редактирования, а также flow matching для переходов между изображениями. Это версия для инициализации этапа RL; в README также указан последующий чекпойнт UMM-Reflection-BAGEL-RL. Модель принимает текст и изображения и выдаёт текстовые решения о проверке и редактировании, а также изображения. Репозиторий содержит safetensors; лицензия — Apache-2.0. В карточке не приведены сведения о размере контекста и поддерживаемых естественных языках.

004T/v3-5 — модель генерации изображений по текстовому описанию, созданная автором 004T методом DreamBooth на основе Stable Diffusion. Карточка связывает обучение с быстрым ноутбуком DreamBooth TheLastBen и предлагает проверять концепцию через A1111 Colab. Репозиторий содержит модель в формате Diffusers/PyTorch. Модель предназначена для генерации изображений по текстовым запросам с усвоенной концепцией. В карточке нет сведений о размере, базовом чекпойнте, контексте или конкретных языках запросов; лицензия — CreativeML OpenRAIL-M.

Van Gogh Diffusion — модель генерации изображений по текстовому описанию, созданная Dallin Mackay на основе Stable Diffusion 1.5. Модель дообучена методом DreamBooth на кадрах фильма «Loving Vincent» и использует специальный токен «lvngvncnt» в начале запроса для передачи характерного живописного стиля фильма. Модель предназначена для создания портретов, пейзажей и других изображений в стиле «Loving Vincent». В README рекомендуются сэмплер Euler, 25 шагов и CFG scale 6; упомянута совместимость с Diffusers. Модель принимает текстовый запрос и выдаёт изображение. Возможные особенности генерации — преобладание синего оттенка и жёлтые лица; README предлагает при необходимости указывать эти признаки в негативном запросе. Лицензия модели — CreativeML OpenRAIL-M.

Video-HopChain-8B — мультимодальная модель ngqtrung для ответов на вопросы по видео и многошагового видеорассуждения. Она основана на Qwen3-VL-8B-Instruct и дообучена методом GRPO в два этапа: на смеси общих задач вопросов и ответов по видео, затем на наборе Video-HopChain с методом Confidence-Gated Exploration (CGE). Архитектура — плотная Qwen3-VL с 8 млрд параметров; модель принимает видео и текстовые вопросы и формирует текстовые ответы. В карточке приведены результаты оценки на нескольких видеобенчмарках при обработке до 100 кадров на видео. Модель предназначена для многошаговых вопросов о событиях, объектах и связях в видеороликах. В опубликованных результатах она превосходит исходную Qwen3-VL-8B-Instruct по среднему показателю на перечисленных бенчмарках, однако оценена только в одном масштабе. Обучающий набор синтетический и сверялся с подписями, а не непосредственно с кадрами, поэтому ошибки подписей могут попадать в целевые ответы. Лицензия — Apache-2.0.

Video-HopChain-8B (standard RL stage) — это промежуточный чекпойнт модели Qwen3-VL-8B-Instruct, дообученный разработчиком проекта Video-HopChain с помощью GRPO. Модель принимает видео и текстовые вопросы и предназначена для ответов на вопросы о содержании видео, в том числе требующих многошагового рассуждения. В обучении использовалась смесь из 105 993 примеров видео-вопросов и ответов; модель обрабатывает видео по 24 кадрам на этапе обучения. В оценке использовался контекст до 33 792 токенов.

FloydianSound/WLOP_Diffusion_v1-5 — дообученная модель Stable Diffusion v1.5 для генерации изображений по текстовому описанию в художественном стиле WLOP. Она обучалась 61 320 шагов, или 7 эпох, на 876 изображениях художника; при обучении использовалась группировка изображений по соотношению сторон с целевым разрешением 768 пикселей. Модель предназначена для создания иллюстраций по текстовым запросам, связанных с художественной эстетикой WLOP. Репозиторий содержит веса в форматах Diffusers и PyTorch; метаданные указывают английский язык и лицензию CreativeML OpenRAIL-M.

warp-ai/wuerstchen-prior — модель Prior (Stage C) семейства Würstchen, разработанная Пабло Перниасом и Домиником Рампасом. Это диффузионная модель, которая по текстовому запросу генерирует латентные представления изображений; для получения готового изображения её используют вместе со стадиями A и B, декодирующими латенты в пиксельное пространство. Модель работает в сильно сжатом латентном пространстве: в описании Würstchen указано пространственное сжатие в 42 раза и обучение на разрешениях 1024×1024–1536×1536. Prior использует фиксированный предварительно обученный текстовый энкодер CLIP ViT-bigG/14. Такой подход снижает вычислительные затраты на обучение и генерацию. Основной язык запросов — английский. Репозиторий содержит веса в формате Diffusers/PyTorch Safetensors и распространяется по лицензии MIT.

YoShin — модель Stable Diffusion для генерации изображений по текстовому описанию, обученная автором репозитория Evel на работах Ёдзи Синкавы из серий игр Metal Gear Solid и Death Stranding. Для вызова характерного стиля в запросе используется токен «yoshin style». Модель создана методом DreamBooth для Automatic1111 на 47 изображениях за 4000 шагов и распространяется в форматах Diffusers и PyTorch. Модель предназначена для создания иллюстраций, стилизованных под работы Синкавы, по англоязычным текстовым запросам. Она основана на Stable Diffusion; сведения о размере модели и длине контекста в доступных данных отсутствуют. Лицензия CreativeML OpenRAIL-M разрешает коммерческое использование и распространение весов при соблюдении ограничений лицензии, включая запрет на намеренное создание или распространение незаконного и вредоносного контента.

AAM XL AnimeMix — модель генерации изображений по текстовому описанию на базе Stable Diffusion XL, дообученная разработчиком Lykon на stabilityai/stable-diffusion-xl-base-1.0. Она предназначена для создания изображений в аниме-стиле по текстовым промптам и используется через библиотеку Diffusers; веса доступны в форматах Diffusers и safetensors. Модель рассчитана на художественную генерацию изображений, в частности иллюстраций и артов в стилистике аниме. Карточка указывает лицензию Fair AI Public License 1.0-SD. В README не приведены сведения о длине контекста или конкретных ограничениях качества.

AbyssOrangeMix2-hard vae swapped — это версия модели генерации изображений по текстовому описанию, преобразованная в формат Diffusers. Автор карточки сообщает, что заменил VAE в исходной модели и конвертировал веса из CKPT в Diffusers. Модель предназначена для создания изображений по текстовым запросам. В метаданных указаны библиотека Diffusers и форматы PyTorch и Safetensors. Используется лицензия CreativeML OpenRAIL-M.

Anima-2.9B — модель для генерации изображений по текстовому описанию, созданная автором карточки как дообучение и расширение circlestone-labs/Anima. Она предназначена прежде всего для аниме, иллюстраций и другого нефотореалистичного искусства. Модель использует архитектуру AnimaDiT: глубина трансформера увеличена с 28 до 40 слоёв, а размер составляет около 2,9 млрд параметров. Для продолжения обучения использованы 1,7 млн дополнительных примеров аниме и иллюстраций; в подписях смешаны теги и естественный язык. Модель поддерживается в ComfyUI и Forge-Neo. Для более управляемой композиции и деталей README рекомендует подробно описывать сцену, персонажей и их принадлежность к произведениям; короткие запросы могут давать простые фоны и менее точный результат. Репозиторий содержит веса safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверять на странице модели и базовой модели.

Anime Illust Diffusion XL 0.8 (AIDXL) — модель генерации изображений по тексту, созданная для стилизованных аниме-иллюстраций. Это дообучение Stable Diffusion XL Base 1.0, распространяемое в форматах Diffusers и safetensors под лицензией other. Модель поддерживает более 800 стилей, вызываемых специальными словами-триггерами, и усиленное распознавание аниме-персонажей. Для запросов автор рекомендует перечислять теги через запятую и пробел; естественный язык тоже поддерживается. В карточке указаны рекомендации по CFG 5–11, площади изображения около 1024×1024 и нескольким методам сэмплирования. Упоминается английский язык запросов; сведения о контекстном окне отсутствуют.

Anything V5 — модель генерации изображений по текстовому описанию из семейства Anything, связанного с автором проекта «万象熔炉»; этот репозиторий представляет собой повторную загрузку файлов с ModelScope. Модель предназначена прежде всего для создания изображений в аниме-стиле. Она доступна в формате Diffusers на базе PyTorch с весами Safetensors и распространяется по лицензии CreativeML OpenRAIL-M. Для получения нужного результата карточка рекомендует точные и подробные промпты: одной короткой подсказки может быть недостаточно. В README также приведён пример настроек Euler A, 20 шагов, CFG 7 и Clip Skip 2, но разрешается использовать другие семплеры и параметры. Для варианта NoVAE требуется отдельно выбрать внешний VAE. В карточке описаны несколько версий и вариантов семейства, поэтому характеристики отдельных вариантов, например совместимость с LoRA или наличие VAE, нельзя автоматически переносить на все файлы репозитория.

ArtiWaifu Diffusion 2.0 — модель генерации изображений по текстовому запросу, разработанная Euge при финансировании Neta.art. Это дообученная версия ArtiWaifu Diffusion 1.0 на отобранном наборе из 2,5 млн аниме-изображений; модель построена на основе Stable Diffusion XL и работает через библиотеку Diffusers. Модель предназначена для создания аниме-иллюстраций по тегам или обычным текстовым описаниям. С помощью слов-триггеров можно задавать персонажей, художественные стили, сцены и другие элементы изображения. Разработчики отмечают улучшенную стабильность анатомии и поддержку более чем 9000 художественных стилей и 6000 персонажей. Для более предсказуемого результата рекомендуется перечислять теги через запятую и пробел; руководство предлагает генерацию примерно при разрешении 1024×1024. Модель специализируется на аниме-изображениях, а много персонажные сцены могут оставаться нестабильными. Карточка рекомендует краткие и узнаваемые негативные подсказки, поскольку избыток таких тегов способен ухудшить результат. Лицензия — Fair AI Public License 1.0-SD.

AstolfoMix-XL — семейство моделей для генерации изображений по текстовому описанию, опубликованное автором аккаунта 6DammK9. Репозиторий содержит варианты SDXL в формате Diffusers и SafeTensors, созданные слиянием множества моделей; в README описаны методы Uniform Soup, TIES, DARE и другие варианты слияния. Для текущей карточки указана библиотека Diffusers и задача text-to-image. Модель предназначена для генерации изображений по коротким или минимальным промптам; автор отмечает, что некоторые варианты способны работать даже с пустым запросом. В README приведены рекомендации по CFG и отдельным параметрам сэмплирования, которые различаются между версиями. Метаданные указывают английский язык, но это само по себе не подтверждает исключительную поддержку только английских промптов. Это экспериментальное семейство SDXL-слияний: автор прямо называет слияние нерешённым и сообщает, что вариант 255c плохо следует промптам. Лицензия репозитория — CreativeML OpenRAIL-M; условия лицензии распространяются на использование и распространение модели.

AutismMix Pony SDXL — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Это вариант AutismMix Pony, основанный на Pony Diffusion XL и созданный как слияние Pony V6 с LoRA. Автор описывает цель варианта как повышение предсказуемости генерации при сохранении понимания запросов и знания художественных стилей; он также отмечает совместимость с некоторыми стилевыми LoRA для Pony Diffusion. Модель принимает текстовые промпты и создаёт изображения, в частности иллюстрации в аниме-стиле. Доступна в формате Diffusers и SafeTensors, используется через StableDiffusionXLPipeline. Карточка Hugging Face указывает лицензию faipl-1.0-sd. Автор рекомендует применять теги качества в стиле Pony V6 и предупреждает, что некоторые негативные промпты и эмбеддинги могут ухудшать результат.

BK-SDM-Tiny — компактная версия Stable Diffusion v1.4, созданная авторами BK-SDM для более эффективной генерации изображений по текстовому описанию. В модели удалены дополнительные residual- и attention-блоки из U-Net, после чего её обучали имитировать исходную модель с помощью дистилляции. U-Net содержит около 0,33 млрд параметров; для запуска используется библиотека Diffusers и формат весов Safetensors. Модель предназначена для генерации изображений в исследовательских и творческих сценариях: создания иллюстраций, разработки художественных концепций и изучения генеративных моделей. Обучение дистилляции использовало около 212 тысяч пар изображений и текстов из LAION-Aesthetics V2 6.5+. Качество ниже, чем у Stable Diffusion v1.4: модель может плохо передавать сложные композиции, лица и людей, не умеет надёжно создавать читаемый текст и уступает на запросах не на английском языке. Она не предназначена для достоверного изображения людей или событий; для использования рекомендуется Safety Checker из Diffusers. Лицензия — CreativeML OpenRAIL-M.

BlackList 4.2 PRO — текстовая генеративная модель от Bl4ckSpaces для улучшения коротких описаний визуальных идей и подготовки промптов для Stable Diffusion, Midjourney, Flux и других систем генерации изображений. Она преобразует короткую фразу в более подробный промпт, добавляя описание композиции, ракурса, окружения, освещения, стиля и визуальных деталей. Модель использует плотную архитектуру семейства LLaMA с grouped-query attention и доступна в формате Safetensors. В README указано около 950 млн параметров, тогда как метаданные Hugging Face указывают 854,5 млн; максимальный контекст составляет 256 токенов. Модель предназначена для англоязычных описаний визуального искусства и не генерирует изображения: на выходе — текстовый промпт. Модель ориентирована на специализированную обработку промптов, а не на диалог, фактические ответы или длинные тексты. Она склонна к детализированной кинематографичной эстетике, а стилистические предпочтения отражают обучающие данные. Лицензия — Apache 2.0.