I.10Видео, анимация и 3D

BlackList Prompt Enhancer — компактная авторегрессионная модель на архитектуре Transformer, разработанная Bl4ckSpaces. Она преобразует короткие английские ключевые слова о визуальном образе в более подробные промпты для генераторов изображений, добавляя описания освещения, композиции, художественного стиля и качества рендеринга. Модель предназначена для подготовки запросов перед использованием Stable Diffusion, Flux, Midjourney и других систем генерации изображений, а также для встраивания в API и лёгкие приложения. В README указаны 23,27 млн параметров, 6 слоёв, 8 голов внимания, словарь BPE на 8 000 токенов и контекст до 512 токенов. Репозиторий содержит веса safetensors, для работы заявлена библиотека Transformers. Модель обучена с нуля на парах промптов, а не дообучена от Mini GPT-2; лицензия — Apache 2.0. BlackList быстро расширяет короткие запросы и выдаёт структурированные описания, ориентированные на визуальную эстетику. Она не предназначена для диалога, длинных текстов, фактических ответов и задач, не связанных с визуальными промптами; результаты могут повторять распространённые эстетические формулировки и не гарантируют совместимость с настройками каждого генератора изображений.

ChenkinNoob-XL-V0.1 — диффузионная модель генерации изображений по тексту, разработанная командой ChenkinNoob на основе Laxhar/noobai-XL-1.1. Она обучена на датасетах изображений Danbooru с подписями в виде тегов и ориентирована на создание стилизованных, в том числе аниме-изображений по промптам и тегам. Модель принимает текстовые запросы и выдаёт изображения. Для генерации авторы рекомендуют CFG 5–6, 25–30 шагов сэмплирования Euler a и разрешение около 1024×1024; среди рекомендуемых соотношений сторон — 832×1216 и 1216×832. В README указано, что это независимый проект, не официальный выпуск Laxhar Lab. Коммерческое использование запрещено; для производных моделей и продуктов заявлены требования открытой публикации и соблюдения fair-ai-public-license. Модель может создавать неожиданные или вредоносные результаты, и пользователь принимает связанные с применением риски.

DreamCoil-V0.1 — серия моделей генерации изображений в стиле аниме и иллюстрации, созданная muverqqw на основе Stable Diffusion XL 1.0 и дообученная на Danbooru2023. В репозитории представлены четыре варианта чекпойнта: Basic для повседневной генерации, Masterpiece для детализированных композиций, PyroNet для выразительного освещения и Fever Dream для сюрреалистичных и атмосферных сцен; также доступны LoRA-адаптеры для настройки стиля. Модель принимает текстовые запросы и генерирует изображения. Она ориентирована на персонажей, выразительные лица и позы, яркие цвета, детализированные костюмы, а также динамичные или атмосферные композиции. Используются форматы Diffusers и Safetensors; лицензия — MIT. Карточка описывает художественные сценарии, но не приводит измерений качества и не гарантирует точность сложных деталей. Результат зависит от выбранного чекпойнта, запроса и настроек генерации.

Это модель Stable Diffusion, дообученная автором wooshim с помощью DreamBooth на концепции dtv_pkmn_monster_style. Она предназначена для генерации изображений монстров в заданном стиле по текстовым запросам; для активации стиля в запрос рекомендуется добавить триггер feralplmr. Модель распространяется в форматах Diffusers и PyTorch по лицензии MIT. В карточке предложены запросы для создания фантастических существ, например драконов и динозавров, и указаны настройки генерации: около 40 шагов и сэмплер Euler a. Это ориентиры из примеров автора, а не гарантия качества или обязательные настройки.

Gestalt — мультимодальная модель, разработанная командой авторов, указанных в карточке проекта. Она построена на архитектуре GestaltModelLM и использует единую дискретную диффузионную схему с обучаемыми interplay-токенами для обмена информацией между модальностями. В карточке заявлено 8 млрд + 0,6 млрд параметров. Модель предназначена для мультимодального понимания и генерации, включая совместную работу с текстом и изображениями. Обучение включало мультимодальную предтренировку, продолжение предтренировки этого чекпойнта и последующую настройку по инструкциям; для кодирования и декодирования изображений требуется отдельный IBQ-токенизатор TencentARC/IBQ-Tokenizer-16384. Репозиторий содержит веса Safetensors и предназначен для использования с Transformers. Модель новая, опубликована в сентябре 2026 года, поэтому её зрелость и практическое качество пока трудно оценить по карточке. Метаданные указывают английский язык карточки, но не устанавливают полный перечень поддерживаемых языков. Лицензия — Apache-2.0.

InterDiffusion-4.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем cutycat2000x и представленная в формате Diffusers с весами Safetensors. Она предназначена для создания изображений по промптам; в карточке рекомендованы разрешение 1024×1024 и 25 шагов генерации. README указывает InterDiffusion-3.5 как базовую модель и отмечает, что примеры используют отдельную LoRA для получения улучшенных результатов. Модель распространяется по лицензии MIT. Размер файлов репозитория составляет 6,7 ГБ.

Hipsterusername/InvokeAI_Fantasy_and_Art_by_Zovya — модель преобразования текстовых запросов в изображения, созданная командой Invoke AI совместно с художницей и автором моделей Vhey Preexa (Zovya). Она предназначена для создания фантастических миров, персонажей и других художественных сюжетов в разных художественных техниках. Модель обучена на работах Zovya и материалах, предоставленных сообществом. В метаданных указаны StableDiffusionPipeline, форматы Diffusers и safetensors, а также английский язык. Лицензия — CreativeML OpenRAIL-M.

Карточка модели Jinstudio/Lens на Hugging Face совпадает с карточкой Jinstudio/Lens-Turbo, поэтому описание составлено по ней. Lens-Turbo — вариант модели Lens от Microsoft для генерации изображений по текстовым описаниям. Это диффузионная text-to-image модель с 3,8 млрд параметров: 48-блочный MMDiT-денойзер использует латенты FLUX.2 и объединённые признаки нескольких слоёв GPT-OSS. Вариант Turbo дистиллирован из модели Lens после RL-донастройки и рассчитан на генерацию за 4 шага с CFG 1.0. Модель предназначена для быстрого создания изображений по текстовым промптам. Обучение на смешанных разрешениях позволяет генерировать изображения с разными пропорциями сторон вплоть до 1440×1440; карточка указывает английский язык. Репозиторий содержит веса Diffusers в формате safetensors. Лицензия — MIT. Разработчики указывают, что модель выпущена только для исследовательских целей и не предназначена для развёртывания в продуктах или сервисах. Выходы могут быть неточными, предвзятыми или неподходящими, а также создавать риски, связанные с авторским правом и интеллектуальной собственностью; для исследовательского использования рекомендуется человеческий контроль.

Карточка модели Jinstudio/Lens-Base на Hugging Face совпадает с карточкой Jinstudio/Lens-Turbo, поэтому описание составлено по ней. Lens-Turbo — вариант модели Lens от Microsoft для генерации изображений по текстовым описаниям. Это диффузионная text-to-image модель с 3,8 млрд параметров: 48-блочный MMDiT-денойзер использует латенты FLUX.2 и объединённые признаки нескольких слоёв GPT-OSS. Вариант Turbo дистиллирован из модели Lens после RL-донастройки и рассчитан на генерацию за 4 шага с CFG 1.0. Модель предназначена для быстрого создания изображений по текстовым промптам. Обучение на смешанных разрешениях позволяет генерировать изображения с разными пропорциями сторон вплоть до 1440×1440; карточка указывает английский язык. Репозиторий содержит веса Diffusers в формате safetensors. Лицензия — MIT. Разработчики указывают, что модель выпущена только для исследовательских целей и не предназначена для развёртывания в продуктах или сервисах. Выходы могут быть неточными, предвзятыми или неподходящими, а также создавать риски, связанные с авторским правом и интеллектуальной собственностью; для исследовательского использования рекомендуется человеческий контроль.

SidXXD/m-343 — веса textual inversion для Stable Diffusion v1.5, опубликованные SidXXD. Их подключают к базовой модели stable-diffusion-v1-5/stable-diffusion-v1-5, чтобы создавать изображения по текстовым запросам с выученным понятием или стилем. Репозиторий использует библиотеку Diffusers и содержит веса в формате safetensors. Лицензия — CreativeML OpenRAIL-M.

vinesmsuic/magicbrush-jul7 — версия в формате Diffusers модели MagicBrush-epoch-52-step-4999.ckpt. Она предназначена для генерации изображений по текстовому описанию. В карточке Hugging Face указаны задача text-to-image, библиотека Diffusers и английский язык. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Сведений о размере, контексте и конкретных ограничениях качества в карточке нет.

nova-kemono-xl-v50-sdxl — модель генерации изображений по тексту, опубликованная John6666 и предназначенная для создания иллюстраций в стиле kemono и furry. Она использует конвейер Stable Diffusion XL и распространяется в форматах Diffusers и Safetensors. В карточке указаны темы аниме, furry, антропоморфных и feral-персонажей, а также 2D, 2.5D и 3D стили; модель поддерживает англоязычные промпты. Это слияние NoobAI XL 1.1 и Illustrious XL v2.0. Для использования доступна лицензия faipl-1.0-sd. Репозиторий помечен как Not-For-All-Audiences и может содержать чувствительный контент.

Oops All Toons NAI v10 Toonitup SDXL — модель преобразования текста в изображение, созданная пользователем someyoungguy69. Она предназначена для генерации 2D-иллюстраций в стилистике аниме, мультфильмов и furry по текстовым описаниям на английском языке. Модель представляет собой объединение компонентов на базе Illustrious XL v1.0 и noobai-XL-1.1 и использует StableDiffusionXLPipeline из библиотеки Diffusers. В карточке отмечены улучшенная привязка к промпту, проработка глаз и рук, цветопередача, резкость деталей и распознавание artist tags. Модель подходит для создания персонажей, концепт-артов и стилизованных сцен в 2D. Модель распространяется по лицензии FAIR AI Public License 1.0 (faipl-1.0-sd), указанной в README; метаданные также классифицируют лицензию как other. Результаты зависят от качества текстового промпта и параметров генерации, а специализация на стилизованной 2D-графике может ограничивать пригодность для фотореалистичных изображений.

Osea-Identity2023 — дообученная на базе Stable Diffusion v1.5 модель для генерации изображений по текстовому запросу. Репозиторий использует библиотеку Diffusers и содержит веса в форматах PyTorch и Safetensors; карточка относит модель к темам аниме и комиксов. Модель предназначена для создания изображений в этих стилях. В README также упоминаются повторное использование и слияние моделей, однако конкретные рекомендации по настройке генерации и оценка качества не приводятся. Лицензия — CreativeML OpenRAIL-M.

Pineapple Anime Mix — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Карточка приводит пример промпта для создания стилизованной мультяшной иллюстрации в духе аниме: с персонажем в стиле чиби, детализированными глазами и волосами. Репозиторий представлен в формате Diffusers и Safetensors; в метаданных указана лицензия CreativeML OpenRAIL-M. Модель предназначена для создания аниме- и мультяшных иллюстраций по текстовым промптам. Карточка не сообщает размер модели, базовую модель, длину контекста и специальные ограничения; данных о качестве и условиях использования сверх указанной лицензии также нет.

bghira/pseudo-journey-v2 — модель генерации изображений по текстовому описанию на основе Stable Diffusion 2.1, дообученная разработчиком bghira. Она ориентирована на приключенческие и фэнтезийные сюжеты; автор отмечает, что при подходящих настройках может создавать изображения высокого качества и часто лучше работает без negative prompt. Для запуска предназначена библиотека Diffusers. Основной чекпойнт обучен примерно на 22 тысячах изображений Midjourney 5.1 и 7,2 тысячи фотографий с подписями BLIP. Обучающие изображения были приведены к квадратному разрешению 768×768, поэтому модель хуже справляется с генерацией в высоком разрешении. Текстовый энкодер существенно перенастроен и утратил часть понятий Stable Diffusion 2.1; генерация реалистичных людей менее надёжна, чем у базовой модели, а высокий CFG может приводить к пережжённым изображениям. Модель распространяется по лицензии CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.

Qwen-Image-MICo — дообученная модель редактирования изображений на базе Qwen-Image-Edit, опубликованная kr-cen. Она предназначена для преобразования изображений по инструкциям; автор показывает примеры редактирования, в том числе возможностей, не представленных в обучающем наборе MICo-150K. Для запуска предусмотрен формат Diffusers, веса представлены в safetensors. Модель распространяется по лицензии Apache-2.0. Автор отмечает, что показанные новые возможности редактирования могут работать нестабильно. Демонстрация модели доступна в Hugging Face Space на ZeroGPU.

Yntec разработал Shampoo — модель генерации изображений в стиле аниме 1980-х, вдохновлённом работами Румико Такахаси и серией «Ранма ½». Модель основана на bluetheboneStyle от OneRing: автор встроил в неё LoRA Shampoo_Character от YeiyeiArt и применил выборочное смешивание весов. В отличие от LoRA, которая склонна превращать персонажей в Шампунь, Shampoo предназначена для создания разнообразных аниме-изображений с характерной ретро-стилистикой по умолчанию. Модель принимает текстовые запросы и генерирует изображения через Stable Diffusion Diffusers; файлы представлены в форматах Diffusers и safetensors. Примеры охватывают персонажей, портреты и иллюстрации. Для использования указана лицензия CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или языки запросов.

Shinkai-Art — модель генерации изображений по текстовому описанию на основе Stable Diffusion, созданная автором krystv и дообученная на базе andite/anything-v4.0. Она предназначена для создания изображений в стиле аниме-фильмов Макото Синкая, вдохновлённых, среди прочего, фильмами «Твоё имя» и «Дитя погоды». Для активации стиля автор рекомендует использовать триггерные слова shinkai-art, shinkaiart или portrait. Модель распространяется в форматах Diffusers, PyTorch и safetensors под лицензией CreativeML OpenRAIL-M. Карточка не сообщает размер модели и длину контекста. Обучающая выборка, по словам автора, получена из упомянутых фильмов; её состав и ограничения прав на данные не раскрыты.

Source4 — дообученная на базе Stable Diffusion 1.5 модель DreamBooth, созданная автором jkcarney для генерации портретов с драматичным многоцветным театральным освещением. Для активации характерного стиля в запрос добавляют токен «source4 style»; указание цветов, например бирюзовых или красных оттенков, помогает направлять палитру. Модель обучали 8000 шагов на более чем 90 изображениях высокого качества размером 512×512 без prior preservation loss. Она предназначена для создания стилизованных портретов по текстовым запросам. В README автор рекомендует пробовать разные веса токена и отмечает, что при слишком выраженном эффекте лица могут размываться; семплеры Euler a и DPM++ 2S a Karras обычно дают хорошие результаты за 25–30 шагов. Доступны форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M.

Thaweewat/stable-diffusion-kiminonawa-v1-2 — модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion и дообученная автором с помощью fast-DreamBooth notebook TheLastBen. Для вызова изученного визуального концепта в README указан триггер «kiminonawa»; базовая модель уже содержит концепт «makoto shinkai». Модель предназначена для генерации изображений по текстовым запросам с использованием Diffusers и PyTorch. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

UMM-Reflection BAGEL-RL — модель YijiaFan, финальная версия проекта UMM-Reflection «Learning Native Reflection in Unified Models». Это дообученная методом multi-round Flow-GRPO модель на базе UMM-Reflection-BAGEL-SFT: совместно обучены языковой контроллер и потоковая ветвь генерации изображений, чтобы модель могла проверять результат и исправлять его в несколько раундов. В README модель описана как унифицированная BAGEL; метаданные указывают поддержку сценариев any-to-any и интерфейс чата с вызовом инструментов. Модель предназначена прежде всего для генерации изображений по текстовым запросам с последующей рефлексией и исправлением результата. В локальной оценке на 553 промптах GenEval с одинаковыми настройками она получила 0,84 против 0,72 у BAGEL-SFT; среди изображений с ошибками после первой генерации 64,9% стали корректными после рефлексии. Проверка охватывала шесть семейств GenEval и до трёх раундов исправления. Эти результаты относятся к описанной авторами оценке; README не сообщает размер модели, контекст или поддерживаемые естественные языки. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0.

UrangDiffusion 1.0 — модель генерации изображений по текстовому описанию, созданная автором UrangDiffusion как продолжение AingDiffusion. Она основана на дообученной Animagine XL 3.1 и прошла предварительное обучение и последующее дообучение для выработки устойчивого визуального стиля. Модель предназначена прежде всего для создания иллюстраций в стиле аниме; автор также добавил данные о персонажах из Wuthering Waves и hololiveEN -Justice-. Для запросов автор рекомендует формат Animagine XL 3.0 с тегами персонажа и качества. Модель распространяется в форматах Diffusers и Safetensors; лицензия указана как other. Модель умеет создавать персонажей и сцены по текстовым промптам, в том числе без явного указания стиля. Точность новых персонажей из Wuthering Waves и hololiveEN -Justice- ограничена малым объёмом обучающих данных: официальные изображения и характерные детали могут воспроизводиться неточно.

ViLaSR-7B — мультимодальная модель зрения и языка, разработанная авторами работы «Reinforcing Spatial Reasoning in Vision-Language Models with Interwoven Thinking and Visual Drawing». Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров; модель распространяется в формате safetensors. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для пространственных рассуждений и визуального анализа с использованием чередования рассуждений и визуального рисования. Поддерживаются чатовый режим и интерфейс вызова инструментов; заявленная длина контекста — 128 000 токенов. В метаданных указан английский язык. Модель подходит для задач, связанных с пространственным пониманием изображений и визуальным рассуждением. Данные не описывают качество на конкретных тестах или подробные ограничения применения. Лицензия в предоставленной карточке не указана.

Waifu Diffusion 1.5 Beta — модель генерации изображений по текстовому описанию, основанная на Stable Diffusion и представленная проектом Waifu Diffusion. Это незавершённая бета-версия; карточка рекомендует генерировать изображения при разрешении примерно от 500 до 1000 пикселей с последующим увеличением в 2 раза через latent upscale hiresfix. В репозитории есть чекпойнты, совместимый с WD 1.4 VAE и эмбеддинги wdgoodprompt и wdbadprompt, помогающие формировать запросы. Модель предназначена для создания изображений в эстетике аниме по текстовым промптам. Она распространяется в форматах Diffusers и safetensors. Лицензия указана как other, поэтому условия использования следует проверять на странице модели. Поскольку это незавершённый бета-чекпойнт, качество генерации и требования к промптам могут быть нестабильными.

nphSi/Z-Image-Lora — это набор LoRA-адаптеров для генерации изображений по текстовому описанию, разработанный пользователем или организацией nphSi. Адаптеры предназначены для моделей Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo и интегрируются с экосистемой Diffusers; веса распространяются в формате Safetensors. Модель ориентирована на создание узнаваемых изображений людей, персонажей и других указанных в наборе образов. Для активации адаптеров необходимо использовать полное имя LoRA с соответствующим триггером формата vrtlxxxx; обычные описания вроде «Woman» или «1girl» могут не сработать. Для некоторых неоднозначных имён рекомендуется явно указывать пол, а при слабом или нежелательном внутреннем знании базовой модели — удалять имя из запроса. Набор содержит множество отдельных триггеров, включая имена публичных персон и вымышленных персонажей. Ключевые параметры архитектуры, размер адаптеров, поддерживаемые языки, максимальный контекст и точные требования к ресурсам в README не указаны. Примеры предварительного просмотра созданы с Z-Image Turbo, Euler, 9 шагами и CFG 1, но эти настройки не обязательно являются универсальными. Лицензия — Apache-2.0.

BPModel — экспериментальная модификация Stable Diffusion от Crosstyan на основе ACertainty Джозефа Ченга. Модель предназначена для генерации изображений по текстовым описаниям, прежде всего в аниме-стилистике. Автор обучал её на 5 тысячах отобранных изображений с теговыми аннотациями из Sankaku Complex; набор данных опубликован как Crosstyan/BPDataset. Модель распространяется в формате Diffusers и Safetensors. В обучении использовались разрешения 512, 768 и 1024 пикселя с подбором пропорций; автор сообщает, что вариант с разрешением 768 дал лучшие результаты, чем 512, а обучение на 1024 не показало заметного улучшения. Лицензия — CreativeML OpenRAIL-M. Модель может добавлять детали, не соответствующие запросу, и склонна к переобучению из-за сравнительно небольшого набора данных. Возможны анатомические ошибки, повторение фрагментов обучающих изображений и дрейф языковых подписей; имена художников могут некорректно обрабатываться токенизатором. Для файла bp_1024_e10.ckpt требуется отдельно подключить VAE.

Realistic Lucy Edgerunners — модель генерации изображений по текстовому описанию, обученная на базе Stable Diffusion 1.5. Она предназначена для создания изображений персонажа Люси из Edgerunners в реалистичном стиле. Модель распространяется в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. Карточка сообщает о дообучении SD 1.5, но не приводит сведения о размере модели, контексте, конкретных настройках обучения или ограничениях качества. Метаданные указывают английский язык; модель принимает текстовые запросы и выдаёт изображения.

HERIUN разработала eruku_korean — дообученную версию Eruku для генерации изображений строк рукописного или стилизованного текста. Модель получает изображение-образец с нужным почерком или шрифтом и строку на корейском или английском языке, а затем рисует эту строку в заданном стиле. В основе — авторегрессионная архитектура Eruku с T5-large и байтовым токенизатором ByT5; для работы требуется парный корейский VAE HERIUN/emuru_vae_korean. Модель предназначена прежде всего для генерации корейских строк, сохраняя при этом возможность работать с латиницей. По результатам README, она улучшила CER для корейского текста относительно исходной модели; особенно заметно улучшение на коротких строках, хотя они остаются слабым местом. Качество снижается на редких экстремальных шрифтах и кистевых стилях, модель плохо сохраняет слабые карандашные штрихи, а длинные английские строки работают хуже, чем в исходной английской версии. Лицензия — Apache-2.0.

Abhijnyabhat/fo — набор весов textual inversion для CompVis/stable-diffusion-v1-4, опубликованный пользователем Abhijnyabhat. Это адаптация Stable Diffusion v1.4 для генерации изображений по текстовым запросам; веса подключаются к базовой модели через Diffusers. В README не описана тематика или стиль обученного текстового токена, поэтому конкретные сценарии его применения определить нельзя. Репозиторий содержит веса в формате Safetensors и предназначен для работы с библиотекой Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит подробностей об обучении или примерах использования, а раздел об ограничениях оставлен незаполненным.