I.10Видео, анимация и 3D

illustrijGEN_2 — LoRA-модель для генерации изображений по текстовому описанию, опубликованная в репозитории LyliaEngine и созданная автором Reij, также указанным как reijlita. Модель основана на OnomaAIResearch/Illustrious-xl-early-release-v0 и предназначена для использования с Diffusers и совместимыми системами генерации изображений. Модель ориентирована на anime-inspired визуальный стиль с более резкими и зрелыми чертами лица, зрелыми пропорциями тела, акцентом на женские и мужские образы, а также на выразительную работу со светом и тенью. Автор отмечает баланс между SFW- и NSFW-контентом с усиленным вниманием к NSFW-сценариям. Для активации рекомендуется использовать значение None в качестве trigger words. В README также указаны ориентиры: около 30 шагов генерации, сэмплеры Euler a или DPM++ 2M Karras, CFG 4–7 и разрешения примерно от 832×1216 до 1040×1510. Сильной стороной модели является специализированная стилистическая настройка под зрелую anime-эстетику и разнообразные женские и мужские персонажи. Ограничения включают зависимость от базовой модели и настроек совместимого генератора, а также отсутствие в README подробной информации о размере LoRA, поддерживаемых языках, точных коэффициентах применения и результатах объективного тестирования. Модель распространяется по лицензии CreativeML Open RAIL-M, указанной как cdla-permissive-2.0.

InternVideo2-Chat-8B — видеоязыковая модель, разработанная командой OpenGVLab. Она объединяет видеокодировщик InternVideo2, обученный video BLIP и языковую модель Mistral-7B; видеокодировщик обновлялся в ходе обучения по прогрессивной схеме VideoChat. Модель принимает видео и текстовые запросы и предназначена для диалога о содержании видеороликов и ответов на вопросы по ним. В README приведены результаты на MVBench и VideoMME: 60,3 и 41,9 соответственно для версии 8B; для вариантов HD и HD-F16 указаны отдельные, более высокие результаты. Модель сохранена в формате safetensors, лицензия репозитория — MIT. Для использования также требуется получить доступ к базовой Mistral-7B; условия этого доступа применяются отдельно. Карточка не описывает языковой охват шире английского тега метаданных и не приводит длину контекста.

KawaiiRealisticAsian_v0.7 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Она предназначена для создания изображений в эстетике, сочетающей кавайную стилизацию и реалистичное изображение азиатской внешности; исходная карточка ссылается на страницу модели KawaiiRealisticAsian Mix на Civitai. Модель распространяется для использования с diffusers и реализует StableDiffusionPipeline. В метаданных указан формат safetensors и задача text-to-image. По доступным данным, модель ориентирована прежде всего на художественную генерацию персонажей и портретных сцен. Лицензия обозначена как other, поэтому перед использованием необходимо ознакомиться с условиями лицензирования исходной модели и страницы на Civitai. Конкретные сведения о поддерживаемых языках, размере модели, длине контекста и ограничениях генерации в предоставленных материалах отсутствуют.

furusu/LCM-Acertainty — модель преобразования текстовых запросов в изображения, созданная автором furusu на основе ACertainty. Модель дистиллирована методом Latent Consistency Model для генерации примерно за 4–8 шагов и распространяется в формате Diffusers с весами Safetensors. Лицензия — MIT. Автор обучал LoRA ранга 128 (для свёрточных слоёв — 32) с размером батча 16 и слил её с моделью перед публикацией. Во время обучения использовались фиксированный guidance_scale 7.0 и negative prompt. Автор отмечает, что качество пока невысокое. Изменение guidance_scale не даёт эффекта, поскольку этот параметр не участвовал в обучении.

MagicPrompt-Dalle — модель семейства MagicPrompt от Gustavosta для генерации текстовых промптов к DALL·E 2. Это языковая модель GPT-2, обученная примерно на 26 тысячах промптов, собранных из веб-архива, сообщества DALL·E 2 на Reddit и dalle2.gallery; обучение включало около 40 тысяч шагов. Модель принимает текст и генерирует текстовые описания изображений, которые можно использовать как запросы для DALL·E 2 и других систем генерации изображений. Модель создана для составления и расширения промптов, а не для генерации самих изображений. Контекст составляет 1024 токена. Небольшой и ограниченный источниками обучающий набор может сужать разнообразие и качество генерируемых формулировок. Лицензия — MIT.

MeinaMix V11 — модель генерации изображений по текстовому описанию, опубликованная автором Meina. Она предназначена прежде всего для создания художественных изображений в стиле аниме и рассчитана на получение выразительного результата при коротких промптах. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Для портретов автор рекомендует разрешение 512×768 или 512×1024, а для пейзажных изображений — 768×512, 1024×512 или 1536×512. В README приведены рекомендации по сэмплерам, числу шагов, CFG Scale и Clip Skip; для изображений с удалёнными персонажами рекомендуется Hires.fix для улучшения проработки лиц и глаз. Модель предназначена для создания художественных изображений; качество зависит от промпта и настроек генерации. Лицензия — CreativeML OpenRAIL-M. Автор заявляет, что модель будет бесплатной; условия использования и ограничения следует сверять с лицензией.

mr-and-misses-v2 — модель генерации изображений по текстовому описанию, созданная fffiloni методом DreamBooth на базе Stable Diffusion. Карточка предлагает использовать её для проверки и генерации изображений с изученным концептом через интерфейсы A1111 или diffusers. Модель распространяется в форматах diffusers и PyTorch и предназначена для text-to-image. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки.

Noct Q Anime — модель для генерации аниме-иллюстраций по текстовым запросам, созданная на основе Qwen Image 2.1. Она предназначена для работы в ComfyUI и распространяется в виде файла Safetensors с INT8-квантованными весами; в README указана совместимость с видеокартами с 8–12 ГБ памяти и ComfyUI версии 0.37 или новее. Модель создаёт изображения в аниме-стиле — от портретов до пейзажных сцен — и рассчитана на подробные запросы с описанием персонажей, поз и ракурсов. По заявлению автора, она может генерировать изображения взрослых персонажей в одежде, белье или обнажённом виде, включая откровенные сцены. В комплекте описаны рекомендуемые параметры генерации, а для работы требуются текстовый энкодер Qwen3-VL 8B и VAE Qwen Image 2.1. В метаданных связь с Qwen/Qwen-Image-2.1 указана как merge, однако сведений о способе слияния нет. Лицензия обозначена как other, поэтому условия её использования следует уточнить на странице модели.

Open Potion Bottle v2 — модель преобразования текста в изображение, созданная piEsposito методом DreamBooth на концепте `potionbottle`. Она предназначена для генерации изображений волшебных флаконов по текстовым запросам; пример в карточке описывает флакон с драконом внутри, с орнаментом и детализированным 3D-рендером. Модель распространяется в формате Diffusers/PyTorch и запускается через Diffusers; карточка приводит пример настроек сэмплирования: Euler Ancestral, 30 шагов и CFG Scale 10. Модель специализирована на визуальном концепте флакона с зельем, поэтому примеры генерации за пределами этого стиля в карточке не приведены. Лицензия — CreativeML Open RAIL-M; при использовании следует соблюдать её условия.

pixel-art-diffusion-xl — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi и предназначенная для использования через ModelsLab API. README показывает вызов модели с текстовым prompt и negative prompt и настройками генерации, такими как размер изображения, число шагов и guidance scale. Метаданные указывают на конвейер StableDiffusionXLPipeline и форматы Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. Название указывает на стилизацию под пиксельную графику, однако пример prompt в карточке описывает фотореалистичный портрет, поэтому специализация на пиксель-арте не подтверждена содержимым README.

PLLaVA-34B — открытый видеоязыковой чат-бот, разработанный на основе LLaVA v1.6 34B и дообученный на данных для следования видеоинструкциям. Это авторегрессионная модель на архитектуре Transformer с визуальным компонентом, предназначенная для диалога по видеоматериалам и исследований мультимодальных языковых моделей. Модель подходит для вопросов и ответов по видео и других сценариев, где нужно связать визуальное содержание ролика с текстовым запросом. Её обучали на Video-Instruct-Tuning от OpenGVLab/VideoChat2-IT и оценивали на шести бенчмарках, включая пять наборов для Video QA. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Карточка ориентирует модель прежде всего на исследовательское применение и работу исследователей и энтузиастов в области компьютерного зрения и NLP. Размер базовой модели — 34 млрд параметров; карточка не приводит ограничение контекста или список поддерживаемых языков. Качество может зависеть от содержимого видео и формулировки запроса; результаты бенчмарков не гарантируют точность в прикладных сценариях.

PromptEnhancer-Img2img-Edit-i1-GGUF — это GGUF-квантизированная версия vision-модели PromptEnhancer-Img2img-Edit, разработанная PromptEnhancer и опубликованная в квантизированном виде mradermacher. Модель предназначена для улучшения и переписывания промптов для задач генерации и редактирования изображений, включая сценарии image-to-image. Она ориентирована на text-to-image и prompt enhancement, а также поддерживает работу с изображениями благодаря мультимодальной архитектуре исходной модели. В README указано, что модель поддерживает китайский и английский языки и распространяется в виде набора GGUF-квантов разных типов и размеров — примерно от 7,4 до 27 ГБ. Доступны варианты с разным компромиссом между размером, скоростью и качеством; среди рекомендованных отмечен i1-Q4_K_M, а i1-Q4_K_S описан как оптимальный по размеру, скорости и качеству. Для работы vision-компонента могут потребоваться отдельные файлы mmproj из статического репозитория. Точные сведения о количестве параметров, архитектуре базовой модели, размере контекста и поддерживаемых форматах входных изображений в README не приведены. Низкобитные кванты экономят ресурсы, но могут заметно снижать качество; некоторые варианты прямо помечены как низкокачественные. Модель распространяется по лицензии Apache-2.0 согласно указанным метаданным, при этом подробности условий следует уточнять в файле лицензии исходной модели.

Qwen3.5-4B-Base-ZitGen-V1 — дообученная мультимодальная модель разработчика lolzinventor на базе Qwen/Qwen3.5-4B-Base. Она предназначена для преобразования изображений в подробные текстовые промпты, оптимизированные для генерации изображений с помощью Z-Image Turbo и сценариев image-to-prompt. В метаданных указаны английский язык и поддержка image-to-text; размер базовой модели — 4B параметров. Сведения о длине контекста и полном наборе поддерживаемых языков отсутствуют. Модель обучалась на датасете lolzinventor/ZitGen-Dataset-V1, состоящем из изображений и промптов, созданных с помощью итеративного сравнения целевых и сгенерированных изображений LLM-моделями. Данные фильтровались для удаления ошибок, артефактов и нежелательных элементов. Такой подход ориентирует модель на детализированное описание визуальных характеристик и адаптацию промптов под Z-Image Turbo, однако качество за пределами этого сценария и наличие независимых бенчмарков не указаны. Модель распространяется по лицензии Apache-2.0. Для запуска автор рекомендует использовать inference-сервер llama-server, файл модели в формате GGUF и мультимодальный проектор mmproj; конкретные требования к аппаратному обеспечению в README не приведены.

Qwen-Image-SP — модель генерации изображений, представленная в работе «Scaling Properties of Text Conditioning in Visual Generation». Она создана на основе Qwen-Image и включает дообученные DiT и текстовый энкодер Qwen2.5-VL на данных со структурированными промптами для проекта по масштабированию контекстного условия. Модель предназначена для генерации изображений по текстовым запросам, в том числе структурированным и подробным. В репозитории размещены EMA-веса в формате bfloat16 общим объёмом около 55 ГБ, разделённые на 14 файлов safetensors. VAE, токенизатор и scheduler загружаются из Qwen/Qwen-Image. Модель распространяется по лицензии Apache-2.0. README описывает экспериментальную конфигурацию, связанную с исследовательской работой; данных о поддерживаемых языках и конкретных ограничениях качества не приведено.

Raemu XL V4 — диффузионная модель генерации изображений по тексту, разработанная Raelina и ориентированная на аниме в стилистике 2.5D. Карточка указывает, что модель получена слиянием Rae Diffusion XL V2, RealCartoonXL V6 и Blue Pencil XL v3.1.0; метаданные связывают её с дообученной Rae Diffusion XL V2. Она рассчитана на создание аниме-иллюстраций по текстовым запросам, в том числе изображений персонажей. В запросах рекомендуется указывать персонажа и произведение в начале, а также использовать специальные теги качества и эстетики. Для работы предлагаются настройки CFG 7, 25–35 шагов и сэмплер Euler a; README также описывает увеличение разрешения через Hires.fix. Модель распространяется в форматах Diffusers и Safetensors. Лицензия указана как Fair AI Public License 1.0-SD; в метаданных она обозначена как other.

riMixIllustriousAnima_riMixV2 — модель LoRA для генерации изображений по текстовому описанию, разработанная LyliaEngine. Она предназначена для использования в Diffusers и совместимых интерфейсах генерации изображений, включая сценарии text-to-image с последующим увеличением разрешения и улучшением деталей. В README модель также описана как стилевой LoRA, основанный на собственной модели Ri-mix, объединяющей Pony и Illustrious XL. Модель работает поверх базовой модели OnomaAIResearch/Illustrious-xl-early-release-v0 и ориентирована на создание детализированных художественных изображений, преимущественно персонажей и сцен в аниме-стилистике. Указаны примеры генерации взрослых персонажей, портретов и фантазийных сцен. Для активации модели триггерные слова не требуются: в README рекомендуется использовать None. Точные размер, количество параметров, поддерживаемые языки и максимальная длина контекста не указаны; по типу модели она принимает текстовые промпты и генерирует изображения. Для Anima рекомендованы CFG Scale 3, sampler er_sde и 30–40 шагов; для генерации на Civitai — CFG Scale 7, Euler a, 30–40 шагов и denoise 0,35–0,40. Для ForgeUI приведены настройки с разрешением 768×1152, Euler a, 30 шагами и опциональным Highres fix. Сильные стороны модели — специализация на выразительной аниме-визуализации, детализации и совместимость с распространёнными инструментами экосистемы Stable Diffusion XL. Ограничения включают зависимость от базовой модели и необходимость подбора параметров под конкретный интерфейс. Лицензия — Creative Data License Agreement Permissive 2.0 (CDLA-Permissive-2.0).

romcom-diffusion — модель генерации изображений, созданная автором jkcarney методом DreamBooth дообучения Stable Diffusion 1.5. Она предназначена для создания кадров в эстетике романтических комедий 1990-х годов по текстовым запросам; для активации стиля в запросе используется фраза «romcom style», а автор рекомендует добавлять «movie still». Обучение проводилось на обрезанных изображениях размером 512×512 из фильмов «10 причин моей ненависти», «Бестолковые» и «Американский пирог», включая сцены с людьми, массовкой, автомобилями и общими планами. Модель распространяется в форматах Diffusers и Safetensors по лицензии CreativeML OpenRAIL-M. Карточка рекомендует sampler DPM++ 2S a Karras, однако результат зависит от текста запроса и настроек генерации. Обучающий набор ограничен несколькими фильмами, поэтому модель может хуже передавать стиль других кинематографических эпох и сюжетов; специальных гарантий точности лиц автор не заявляет.

LyliaEngine/Semi-realism_illustrious — LoRA-модель для генерации изображений на основе text-to-image, совместимая с Diffusers. Она предназначена для добавления к базовой модели OnomaAIResearch/Illustrious-xl-early-release-v0 стилистики semi-realism и pseudo-realistic, вдохновлённой визуальным стилем Niji v6. Модель ориентирована на создание высококачественных изображений, сочетающих реалистичные и мультяшные черты. Для активации используется триггерное слово «Semi-realism». Дополнительные слова и описания могут усиливать реалистичный, ночной или мультяшный характер изображения: pseudo-realistic, realism, realistic, darkness, night time, cartoon, lineless и flat color. Заявлены различение дневного и ночного освещения, тёмная световая стилистика и отражения. Архитектура, размер, поддерживаемые языки, модальности помимо генерации изображений и максимальный контекст в README не указаны. Модель разработана пользователем LyliaEngine; в качестве источника и для указания авторства приведена работа пользователя Zoropaton на Civitai. Лицензия — CDLA-Permissive-2.0. Ограничения включают зависимость от указанной базовой модели и необходимость подбора триггерных слов и параметров генерации для получения нужного визуального результата.

mit-han-lab/svdq-int4-flux.1-dev — это 4-битная квантованная версия модели генерации изображений FLUX.1-dev, разработанная авторами метода SVDQuant, включая исследователей Song Han и коллег. Модель предназначена для преобразования текстовых описаний в изображения и интегрируется с библиотекой Diffusers; заявленный язык — английский. Модель основана на FLUX.1-dev и использует SVDQuant — подход к квантованию диффузионных моделей до 4 бит с применением низкоранговых компонентов для компенсации выбросов. Это позволяет уменьшить требования к памяти и вычислительным ресурсам по сравнению с исходной моделью, однако README не содержит точных сведений о размере модели, максимальной длине контекста, поддерживаемых разрешениях, скорости работы или качестве генерации. Модель может быть полезна для локальной и ресурсно-ограниченной генерации изображений по тексту, но конкретные сильные стороны и ограничения относительно других реализаций в README не приведены. Репозиторий помечен как устаревший и должен быть скрыт в декабре 2025 года; рекомендуется использовать замену nunchaku-tech/nunchaku-flux.1-dev. Используется лицензия FLUX.1-dev Non-Commercial License компании Black Forest Labs, Inc., поэтому коммерческое применение может быть ограничено условиями лицензии.

abhipsabasu/textual_inversion_lbl — адаптер текстовой инверсии для Stable Diffusion v1.4 от автора abhipsabasu. Он добавляет к базовой модели обученные веса текстового встраивания и предназначен для генерации изображений по текстовым запросам с использованием Diffusers. Базовая модель — латентная диффузионная модель CompVis/stable-diffusion-v1-4, преимущественно работающая с английскими запросами. Репозиторий содержит веса в форматах Diffusers и safetensors и распространяется по лицензии CreativeML Open RAIL-M. README не описывает конкретную концепцию или токен, который адаптер обучает, поэтому нельзя точнее определить тематику создаваемых изображений. Для работы нужны базовая модель и совместимый конвейер StableDiffusionPipeline; карточка не приводит примеров запуска.

TIPO-500M-ft — языковая модель семейства LLaMA, разработанная KBlueLeaf для улучшения текстовых запросов к генераторам изображений. Она дополняет и уточняет пользовательский промпт перед передачей в систему text-to-image, чтобы упростить подготовку запросов и повысить качество результата. Модель содержит 467 млн параметров и имеет контекст до 2048 токенов по метаданным. Она принимает текст и генерирует текст; репозиторий содержит веса Safetensors и GGUF F16. В README описана интеграция через расширение z-tipo-extension для Stable Diffusion WebUI, Forge и ComfyUI. Данные для обучения включали подписи и метаданные изображений, в том числе из Danbooru2023, Coyo-HD и GBC10M. Оценки в карточке приведены для TIPO-200M, поэтому они не подтверждают качество именно версии 500M-ft. Указанная лицензия — other; конкретные условия использования следует сверять с лицензией репозитория.

UrangDiffusion 2.0 — дообученная модель создания изображений по текстовому описанию, разработанная автором kayfahaarukku на базе Animagine XL 3.1. Она предназначена прежде всего для генерации иллюстраций в стиле аниме с персонажами и сериями, включая Honkai: Star Rail, Genshin Impact, Zenless Zone Zero и Hololive; карточка также упоминает пейзажи и концепции для коррекции анатомии. Модель принимает текстовые запросы и выдаёт изображения. Автор рекомендует использовать теги качества «best quality», «amazing quality», «very aesthetic» и настройки Euler a примерно на 25–30 шагов с CFG 5–7; удачной отправной точкой названы 28 шагов и CFG 7. Модель распространяется в форматах Diffusers и safetensors. В метаданных указана лицензия other; конкретные условия следует проверять в репозитории. README отмечает, что тег «masterpiece» может вызывать нежелательные эффекты, а при некоторых генерациях возникают проблемы с анатомией. Размер модели, длина контекста и список поддерживаемых языков не приведены; текстовые подсказки в примерах используют английские теги.

vkp1024pic — это LoRA-модель для генерации изображений из текстовых описаний, разработанная пользователем rocknroll0000herewego и обученная на базе black-forest-labs/FLUX.1-dev. Она предназначена для подключения к совместимым интерфейсам и инструментам генерации изображений, включая ComfyUI, AUTOMATIC1111, SD.Next, InvokeAI и Forge. Модель специализируется на воспроизведении определённого визуального стиля, вероятно ориентированного на фотореалистичные сцены. Для активации рекомендуется использовать триггерную фразу «In the style of vkp1024pic». В карточке указаны поддержка text-to-image, архитектура LoRA и формат весов Safetensors. Дополнительные сведения о размере модели, контекстном ограничении, языках, параметрах обучения и точных характеристиках стиля отсутствуют. Модель доступна по лицензии flux-1-dev-non-commercial-license, унаследованной от базовой FLUX.1-dev; перед использованием следует ознакомиться с условиями лицензии по указанной ссылке. Поскольку это адаптер LoRA, для работы требуется совместимая базовая модель и программное окружение, поддерживающее FLUX и формат Safetensors.

Walkyrie 1.3B — диффузионная модель генерации изображений по текстовому описанию, разработанная автором репозитория kpsss34. Она основана на Wan2.1-T2V-1.3B: текстовый энкодер UMT5 сокращён примерно до 1 млрд параметров, а модель переобучена для генерации изображений вместо видео. Модель предназначена для создания изображений по промптам и доступна как pipeline для Diffusers; автор также описывает использование в ComfyUI. Для генерации реалистичных изображений автор рекомендует CFG 2,5–3 и 20 шагов инференса. В README указаны варианты запуска с bfloat16 при объёме видеопамяти от 16 ГБ и с выгрузкой частей модели в память CPU при 6–8 ГБ. Модель распространяется по лицензии Apache-2.0. Метаданные указывают форматы Diffusers и safetensors.

YiffyMix v31 — модель генерации изображений по текстовому описанию в формате Stable Diffusion 1.5. Карточка описывает её как уменьшенную по размеру версию с теми же результатами и встроенным VAE MoistMixV2. Модель предназначена для создания стилизованных изображений в аниме и furry-эстетике по промптам; в примере показан персонаж в мультяшном стиле. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. В карточке нет сведений о точном размере, контексте или поддерживаемых естественных языках; качество зависит от формулировки промпта.

Z-Image-Turbo-DeJPEG-Lora — адаптер LoRA для генерации изображений по текстовому описанию. Модель разработана пользователем или организацией с идентификатором wcde и предназначена для подключения к базовой модели Tongyi-MAI/Z-Image-Turbo в экосистеме Diffusers. В README указано, что это diffusion LoRA с тегами text-to-image, lora и diffusers. Размер, архитектурные детали, поддерживаемые языки, модальности помимо текста и изображений, длина контекста, результаты оценки и точное назначение эффекта DeJPEG не описаны. Лицензия также не указана, поэтому условия использования необходимо уточнять по карточке базовой модели и репозиторию.

Репозиторий содержит набор сжатых версий различных дообученных моделей Z-Image Turbo в формате DF11 для генерации изображений по текстовым запросам. Автор собрал конверсии моделей, исходные репозитории которых ему не удалось найти на Hugging Face; среди примеров есть варианты для стилизованной генерации и модель с маркировкой NSFW. Для использования описана загрузка весов через ComfyUI с узлом DFloat11 Extended; набор предназначен для рабочих процессов text-to-image. Базовая модель — Tongyi-MAI/Z-Image-Turbo, дистиллированная модель Alibaba для быстрой генерации изображений с английскими и китайскими надписями. Репозиторий указывает лицензию Apache-2.0, однако README не уточняет лицензии исходных дообучений и условия их распространения отдельно. Доступны файлы safetensors; набор включает многочисленные варианты, поэтому качество и стиль зависят от выбранного файла.

Z-Image-Turbo-sdcpp-GGUF — это экспериментальная квантизированная версия модели Z-Image Turbo, разработанной Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и распространяется в формате GGUF для использования с stable-diffusion.cpp. Репозиторий содержит варианты квантования, включая Q5_1 и Q4_0. Для работы также требуются VAE и языковая модель Qwen 3 4B в формате GGUF; README приводит пример генерации за 8 шагов, а для более быстрой генерации с потенциально более низким качеством рекомендует 5 шагов с семплером Euler, планировщиком sgm_uniform и TAE. Конкретные сведения об архитектуре, размере, поддерживаемых языках, контекстном окне и дополнительных модальностях в карточке не указаны. Это legacy-версии, описанные как экспериментальные; для стабильных квантов рекомендуется отдельный официальный репозиторий stable-diffusion.cpp. Модель требует версию stable-diffusion.cpp не ниже master-385-34a6fd4. Лицензия — Apache 2.0, как у исходной модели.

3DThinker-Mindcube — чекпойнт первой стадии обучения фреймворка 3DThinker, представленного в работе «Think with 3D: Geometric Imagination Grounded Spatial Reasoning from Limited Views». Модель разработана на базе Qwen2.5-VL-3B-Instruct и предназначена для пространственных рассуждений о трёхмерной геометрии по изображениям с ограниченным числом ракурсов. В рамках подхода VLM использует геометрическую информацию из изображений без явных 3D-входных данных и размеченных 3D-обучающих примеров. Это плотная мультимодальная модель Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов. Чекпойнт соответствует стадии supervised alignment 3D-латентов; для обучения использован набор Mindcube_Train, а для оценки — MindCube-Tiny. Модель принимает изображения и текстовые запросы и выдаёт текстовые ответы. Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия Apache-2.0. Авторы отмечают, что конфигурация обучения отличается от использованной для таблицы 2 в статье.

Andromeda — набор моделей Stable Diffusion от neggles для генерации изображений в аниме-стиле, ориентированных на поклонников японской поп-культуры и персонажей-кошкодевушек и лисодевушек. Репозиторий распространяет варианты AndromedaDX, AndromedaSX, AndromedaSV и AndromedaMV; автор выделяет DX за детализированные фоны и общий уровень детализации, SX и SV — для образов лисодевушек, а MV — за более реалистичную стилизацию. Также упомянут вариант AndromedaUnreal. Модель принимает текстовые запросы и создаёт изображения. Автор отмечает хорошую работу с запросами на естественном языке при повышенном CLIP skip и рекомендует использовать hires fix; приведены ориентировочные настройки генерации и подсказки для положительного и отрицательного промптов. Карточка не уточняет базовую версию Stable Diffusion и рецепт обучения; автор связывает компоненты моделей с серией Sathariel. Лицензия — CreativeML OpenRAIL-M.