I.10Видео, анимация и 3D

Модель Yashg3957/sd-class-butterflies-32 — диффузионная модель, созданная в рамках курса Diffusion Models Class, для безусловной генерации изображений милых бабочек. Она построена для запуска через DDPMPipeline из библиотеки Diffusers и сохраняется в форматах Diffusers и safetensors. Модель принимает запрос без текстового условия и создаёт изображение бабочки. Её можно использовать для генерации декоративных изображений и учебных экспериментов с диффузионными моделями. Репозиторий распространяется по лицензии MIT.

hs0817/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Она представлена как учебная модель из курса по диффузионным моделям и использует DDPMPipeline из библиотеки Diffusers. Модель создаёт изображение без текстового запроса; репозиторий содержит веса в формате Safetensors и Diffusers. Модель подходит для демонстрации безусловной генерации и создания изображений бабочек. Лицензия — MIT. Размер модели, разрешение изображений и поддерживаемые естественные языки не указаны.

Это диффузионная модель, созданная в рамках курса по диффузионным моделям; она предназначена для безусловной генерации изображений милых бабочек. Модель использует конвейер DDPMPipeline из библиотеки Diffusers и распространяется в форматах Diffusers и safetensors. Модель генерирует изображение без текстового запроса. Она подходит для создания декоративных изображений бабочек и учебных экспериментов с диффузионной генерацией. Репозиторий распространяется по лицензии MIT. Информация о размере модели и поддерживаемых языках не приведена.

katuni4ka/tiny-random-stable-diffusion-3 — небольшая тестовая модель от пользователя katuni4ka, опубликованная на Hugging Face. Она предназначена для генерации изображений по текстовому описанию через pipeline StableDiffusion3Pipeline и библиотеку Diffusers. В репозитории присутствуют компоненты Stable Diffusion 3: transformer, VAE, три text encoder и три tokenizer, а также scheduler. Размер опубликованных файлов составляет около 6,25 МБ, что указывает на тестовый или демонстрационный характер модели; точный размер архитектуры, поддерживаемые языки, максимальная длина контекста и качество генерации не указаны. Модель относится к модальности text-to-image, но не заявлена как полноценная высококачественная модель для практического использования. Лицензия и ограничения применения в карточке модели не указаны.

Minoumimi/NIKKE-Illustrious — LoRA-модель для генерации изображений, разработанная для использования с базовой моделью calcuis/illustrious в экосистеме Diffusers. Она специализируется на персонажах и образах из Goddess of Victory: NIKKE, включая Ade, Admi, Alice, Anis, Blanc, Cinderella, Dorothy, Drake, Emma, Guillotine и многих других. Для вызова отдельных персонажей README указывает специальные текстовые идентификаторы и наборы описательных тегов внешности, одежды и аксессуаров. Модель предназначена для text-to-image генерации и может применяться при создании иллюстраций персонажей NIKKE в различных костюмах и сценических образах. Это адаптер LoRA, поэтому для работы требуется совместимая базовая diffusion-модель; конкретный размер, параметры обучения, рекомендуемые веса, разрешение и языки текстовых запросов не указаны. Основное ограничение — узкая специализация на перечисленных персонажах и связанных с ними визуальных признаках, поэтому универсальность за пределами этой тематики не подтверждена. Лицензия — Apache-2.0.

Phartakos MLX — модель-генератор звуков метеоризма, подготовленная pequodresearch для локального запуска на компьютерах Apple Silicon. Это безусловная генеративная модель на основе многомасштабного waveform U-Net с диффузионным процессом: она создаёт монофоническое аудио с частотой 32 кГц, обычно длительностью одну секунду. Для генерации используется полный 200-шаговый ancestral DDPM; модель работает только на этапе инференса. Модель предназначена для создания коротких звуковых эффектов. В тесте сравнения длительности двухсекундные образцы получили больше предпочтений, однако не достигли заранее заданного порога принятия, поэтому длительность по умолчанию — одна секунда. Генерация может звучать неправдоподобно, повторяться или фрагментироваться, а также напоминать обучающие записи. Для работы требуются Apple Silicon и macOS 14 или новее. Модель распространяется по лицензии MIT.

Модель jasminewcy/sd-class-butterflies-32 создана как учебный проект курса Diffusion Models Class. Это диффузионная модель безусловной генерации изображений бабочек; в карточке для запуска указан DDPMPipeline из библиотеки Diffusers. Модель предназначена для создания изображений милых бабочек без текстового запроса. Репозиторий распространяется в формате Diffusers с весами Safetensors. Лицензия — MIT. В карточке не приведены сведения о размере модели, разрешении изображений, обучающих данных или языках; текстовый ввод не заявлен.

obsxrver/wan2.2-i2v-blink-piss — LoRA-адаптер для модели Wan2.2-I2V-A14B, предназначенный для генерации видео из изображения через библиотеку Diffusers. Модель ориентирована на создание взрослого фетиш-контента с мочеиспусканием и резким переходом между сценами; в README также упоминаются другие сексуальные сценарии, доступные в закрытой версии OmniDream. Адаптер реализует методику Identity Invariant Action Mapping (IIAM), которая отделяет идентичность субъекта от временной динамики и действий. Обучение использует короткий статичный исходный кадр длительностью около 0,3 секунды, за которым следует примерно 4,7 секунды действия, чтобы формировать эффект jump cut («мигания») с сохранением лица и основных признаков персонажа. Это image-to-video модель на базе diffusion transformer; конкретные размер, максимальное разрешение, требования к памяти и перечень поддерживаемых языков в README не указаны. Для запуска заявлена совместимость с ComfyUI и необходимость SageAttention в некоторых локальных конфигурациях. Сильная сторона адаптера — специализация на резких сюжетных переходах и переносе заданного действия на персонажа с исходного изображения, потенциально снижая дрейф идентичности. Ограничения включают узкую тематическую направленность, зависимость от базовой Wan2.2-I2V-A14B и программного окружения, а также отсутствие подробных количественных оценок качества. В README указано, что примеры созданы с использованием синтетических изображений, не содержащих реальных людей. Лицензия — Apache-2.0.

Guizmus/DeathNote — дообученная модель Stable Diffusion для генерации изображений по текстовому описанию, обученная на изображениях из аниме «Тетрадь смерти». В README указана базовая модель naclbit/trinart_stable_diffusion_v2 и обучение на 93 изображениях в течение 12 500 шагов. Специальные слова в запросе помогают создавать изображения Тетради смерти, Лайта Ягами, Рюка, L, Мисы Аманэ и других персонажей; токен DNStyle для стиля аниме отмечен как неудачный и оставлен только в первой версии. Модель работает через StableDiffusionPipeline библиотеки Diffusers; репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Она предназначена для создания фан-арта и изображений персонажей по текстовым промптам на английском языке. Лицензия — CreativeML OpenRAIL-M. Небольшой обучающий набор и узкая тематика ограничивают разнообразие и надёжность генерации за пределами персонажей и мира «Тетради смерти».

NSFW MASTER FLUX — модель LoRA для генерации изображений по текстовому описанию, разработанная пользователем или организацией Keltezaa. Она предназначена для создания откровенных изображений взрослых персонажей в рамках сценариев text-to-image и используется совместно с базовой моделью black-forest-labs/FLUX.1-dev через инструменты Diffusers. Для активации модели в запросах рекомендуется использовать триггерные слова NSFW, Pussy, Vagina и Nude. В README не указаны размер адаптера, архитектурные параметры LoRA, поддерживаемые языки, размер контекста или дополнительные модальности. Модель поставляется в формате Safetensors и ориентирована на фотореалистичные или высококачественные изображения, однако количественные данные о качестве и ограничения по содержанию не приведены. Лицензия указана как MIT. При этом README не содержит подробностей о требованиях или ограничениях базовой модели FLUX.1-dev, поэтому условия распространения и коммерческого использования следует проверять также для неё.

Это LoRA-модель для генерации изображений или видео по текстовому описанию, разработанная пользователем profpeng. Модель предназначена для работы с задачами text-to-image и, судя по базовой модели Wan-AI/Wan2.2-I2V-A14B, может применяться в сценариях генерации или преобразования визуального контента с использованием diffusion-пайплайнов Diffusers. Модель обучена как адаптация базовой Wan-AI/Wan2.2-I2V-A14B, однако сведения о размере, архитектуре LoRA, поддерживаемых языках, максимальном контексте и точных модальностях в карточке не приведены. В описании указана узкоспециализированная взрослая сцена с выраженной физиологической реакцией; это ограничивает область применения моделью контента для взрослых и требует проверки правил платформы и безопасности использования. Лицензия, коэффициенты LoRA, требования к оборудованию, параметры запуска и рекомендации по применению в README не указаны. Поэтому технические ограничения, совместимость с версиями Diffusers и фактическое качество генерации по имеющимся данным оценить нельзя.

wd40 — мемная модель генерации изображений в стиле аниме, созданная командой авторов, указанных в карточке. Это Stable Diffusion-модель на базе Kakigori v3: авторы обучили несколько LoRA на сгенерированных Bing изображениях кошкодевушек с баллонами WD-40 и объединили их с базовой моделью. Модель предназначена для создания похожих изображений, особенно персонажа с баллоном WD-40. Модель принимает текстовые запросы и генерирует изображения. Авторы отмечают, что равномерное обучение на тегах WD Tagger приводит к похожим результатам при разных запросах и что качество генерации невысокое. Репозиторий использует Diffusers и формат Safetensors. Лицензия — CreativeML OpenRAIL-M.

NSFW-Helper Multi-Concept Experimental LTX-2.3 — экспериментальная LoRA-модель для генерации видео из текста на базе Lightricks/LTX-Video 2.3. README не указывает отдельного разработчика; модель опубликована под идентификатором chfm/nsfw-helper-multi-concept-experimental-ltx-2.3 и предназначена для использования с библиотекой Diffusers и pipeline text-to-video. Модель обучена на наборе триггерных слов и понятий, связанных с откровенными сексуальными сценами, включая различные позы, виды сексуальной активности, анатомические детали и взаимодействие с интимными предметами. В README указаны параметры примера генерации: разрешение 768×512 и 97 кадров; сведения о размере LoRA, архитектуре, языках, максимальном контексте и поддерживаемых модальностях, помимо текста и видео, отсутствуют. Сильная сторона модели — специализированное управление несколькими NSFW-концепциями в рамках базовой LTX-Video 2.3, а ограничения включают экспериментальный статус и зависимость от базовой модели и совместимого inference-пайплайна. Лицензия указана как OpenRAIL++.

NSFW-Helper Multi-Concept Experimental LTX-2.3 — экспериментальная LoRA-модель для генерации видео по текстовому описанию, разработанная Muapi на базе LTXV 2.3 от Lightricks. Модель предназначена для создания откровенного контента с несколькими сексуальными концепциями и действиями, включая различные позы, оральный секс, мастурбацию, движения и другие связанные сцены. Модель подключается к пайплайну text-to-video через библиотеку Diffusers и использует идентификатор nsfw-helper-multi-concept-experimental-ltx-2.3. В README указана архитектура LoRA и пример генерации видео размером 768×512 с 97 кадрами при силе адаптера 1.0. Список поддерживаемых языков, размер контекстного окна и дополнительные сведения о параметрах базовой модели не указаны. Сильной стороной модели является специализация на детализированных NSFW-сценариях и поддержка множества обученных текстовых понятий. Ограничения связаны с экспериментальным статусом, узкой областью применения и зависимостью от базовой модели LTXV 2.3; качество и стабильность генерации в README не оцениваются. Модель распространяется по лицензии openrail++.

Muapi/epic-cumshots-ltx-2.3 — LoRA-адаптер для генерации текстовых описаний в видео на базе Lightricks/LTX-Video, версии LTXV 2.3. Модель разработана и опубликована Muapi; предназначена для создания откровенного сексуального видеоконтента для взрослых по текстовым запросам через совместимый pipeline Diffusers или API MUAPI. Ключевые характеристики включают архитектуру LoRA, базовую модель LTXV 2.3 и модальность text-to-video. В README приведён пример генерации с разрешением 768×512 и длиной 97 кадров; другие ограничения, поддерживаемые языки и максимальный контекст не указаны. Сильной стороной является специализация на конкретной тематике и возможность управлять интенсивностью адаптера параметром lora_strength. Ограничения включают зависимость от базовой модели и инфраструктуры MUAPI, а также отсутствие подробных данных о качестве, стабильности результатов и поддержке других сценариев. Указана лицензия openrail++. Для использования через API требуется ключ MUAPI.

Estebandidoooi/NSFW — LoRA-адаптер для генерации контента NSFW, разработанный пользователем Estebandidoooi. Модель предназначена для сценариев text-to-image и image-to-video в экосистеме Diffusers; в описании указана специализация на генерации сексуализированных изображений и видео. Адаптер рассчитан на использование вместе с базовой моделью Wan-AI/Wan2.1-I2V-14B-720P, поэтому не является самостоятельной моделью. Для активации рекомендуются триггерные слова porn, video, sex и pussy. Архитектура LoRA, точный размер адаптера, поддерживаемые языки и дополнительные параметры контекста в README не указаны. Сильная сторона модели — узкая специализация на NSFW-сценариях и интеграция с базовой I2V-моделью Wan. Ограничения связаны с необходимостью совместимого базового компонента и отсутствием подробных сведений о качестве, стабильности результатов и поддерживаемых режимах генерации. Лицензия указана как creativeml-openrail-m.

SexGod LTX 2.3 DoggyStyle Sex — специализированная LoRA-модель для генерации эротических текст-видео на базе Lightricks/LTX-Video, версии LTXV 2.3. В README модель представлена под идентификатором Muapi/sexgod-ltx-2.3-doggystyle-sex; сведения об отдельном разработчике или авторе дообучения не указаны. Модель предназначена для создания видеосцен по текстовому описанию через pipeline text-to-video и ориентирована на контент для взрослых. Ключевая характеристика модели — использование LoRA-адаптера поверх базовой модели LTX-Video. В качестве примера запуска указаны разрешение 768×512, 97 кадров и параметр интенсивности LoRA 1.0. Поддерживаемые модальности, языки запросов, максимальный контекст, точный размер адаптера и дополнительные требования к оборудованию в README не описаны. Сильной стороной является специализация на определённом взрослом сценарии и совместимость с экосистемой Diffusers и LTX-Video, однако область применения узкая, а качество и управляемость генерации зависят от базовой модели и параметров запроса. Для использования через указанный API требуется ключ MUAPI. Лицензия обозначена как openrail++.

profpeng/nsfwv2 — LoRA-адаптер для text-to-image и, вероятно, image-to-video сценариев на базе Wan-AI/Wan2.2-I2V-A14B. Модель разработана пользователем profpeng и предназначена для генерации откровенного контента для взрослых по текстовым описаниям с использованием Diffusers и указанных триггерных слов. В README не указаны размер адаптера, точная архитектура LoRA, поддерживаемые языки, размер контекста, требования к ресурсам и качество генерации. Доступны пять триггерных слов: m15510n4ry, bl0wj0b, d0gg1e, c0wg1rl и d0ubl3_bj; при этом README отдельно рекомендует использовать m15510n4ry. Основное ограничение — узкая специализация на NSFW-контенте и зависимость от совместимого базового пайплайна Wan-AI/Wan2.2-I2V-A14B. Лицензия в представленных данных не указана.

2ch/penflux — LoRA-модель для генерации изображений по текстовому описанию, предназначенная для использования с базовой моделью FLUX.1-dev от Black Forest Labs. В README модель представлена под названием xpenis; автор или организация-разработчик отдельно не указаны, поэтому можно достоверно говорить только о публикации в репозитории 2ch/penflux. Модель специализируется на добавлении в изображения анатомических признаков необрезанного пениса, включая нависающую крайнюю плоть, вялое состояние и визуальное изображение прозрачной вязкой жидкости. Для активации рекомендуются английские триггерные фразы uncut penis, flaccid penis, overhanging foreskin, dripping translucent fluid и clear viscous fluid dripping from tip. Основной сценарий использования — text-to-image-генерация в совместимом pipeline Diffusers или другом интерфейсе, поддерживающем LoRA для FLUX.1-dev. В README указаны тип адаптера LoRA, базовая модель FLUX.1-dev, текстовая модальность управления и английский язык промптов. Размер модели, архитектура адаптера, требования к памяти, коэффициенты масштабирования и ограничения по разрешению не приведены. Сильная сторона модели — узкая специализация и наличие явных триггерных слов; ограничение заключается в зависимости от FLUX.1-dev и отсутствии подробных инструкций по настройке и качественной оценке результатов. Лицензия в предоставленных данных не указана.

blinkcreampie — специализированная LoRA-модель для генерации видео с использованием Diffusers, разработанная пользователем profpeng. В качестве базовой модели указана Wan-AI/Wan2.2-I2V-A14B. Модель предназначена для создания реалистичных эротических сцен для взрослых с переходом между кадрами и визуальным изображением семяизвержения, включая позы на корточках и лёжа, крупные планы и сольное позирование. Ключевые особенности включают работу в сценариях text-to-image и, вероятно, image-to-video через указанную базовую модель, статичную камеру, средние крупные планы, быстрые переходы и акцент на видимых анатомических деталях. README не содержит данных о размере LoRA, поддерживаемых языках, максимальном контексте, требованиях к оборудованию, качестве или результатах тестирования. Сильной стороной модели является узкая специализация на определённых композициях и действиях для генерации контента 18+. Ограничения связаны с отсутствием подробной технической документации, параметров обучения и сведений о совместимости, а также с тем, что модель ориентирована на крайне специфический и явно сексуальный контент. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно.

ASID-Captioner-7B — мультимодальная модель для детального описания видео, разработанная AudioVisual-Caption и дообученная на основе Qwen/Qwen2.5-Omni-7B на наборе ASID-1M. Она анализирует видеокадры и, если доступна, звуковую дорожку, формируя связное текстовое описание.

ViBT (Vision Bridge Transformer) — модель семейства Brownian Bridge Models, представленная авторами репозитория Yuanshi. Она предназначена для условной генерации и преобразования визуальных данных: редактирования изображений по инструкциям и перевода изображений и видео между разными представлениями. Модель напрямую описывает траекторию преобразования от входных данных к выходным, используя парадигму data-to-data translation. В карточке указаны задачи генерации и редактирования изображений, генерации видео и преобразования визуальных данных. Модель распространяется в формате safetensors по лицензии Apache-2.0. Сведения о размере, контексте и поддерживаемых языках в доступных материалах отсутствуют.

Audio-Omni — мультимодальная система для понимания, генерации и редактирования аудио, представленная как работа для SIGGRAPH 2026. Она объединяет замороженную мультимодальную языковую модель Qwen2.5-Omni для высокоуровневого анализа с обучаемым Diffusion Transformer для синтеза звука. В репозитории указаны веса PyTorch размером около 21 ГБ и отдельный чекпойнт Synchformer для видеоконтекста. Система предназначена для описания аудио и видео и ответов на вопросы о них, генерации звуков, музыки и речи по тексту или видео, преобразования голоса, а также редактирования аудио: добавления, удаления и извлечения звуков и переноса стиля. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Clips — модель Desert Ant Labs для отбора и ранжирования коротких фрагментов по расшифровке разговорного видео или аудио: подкастов, интервью и встреч. Она оценивает кандидаты в клипы, выбирает моменты с высокой значимостью и не допускает перекрытия фрагментов. Обработка выполняется на устройстве, без загрузки материалов на сервер; заявлена поддержка 100 языков. Модель поставляется в виде int8-пакета Core ML размером 284 МБ для платформ Apple и двух файлов LiteRT примерно по 283 МБ для других платформ. Селектор обрабатывает предложения пакетами по 16, а ограничение длины ролика задаётся временем обработки, а не окном контекста. Выходные данные включают оценки значимости и границ фрагментов; заголовки клипов модель не создаёт. Модель подходит для автоматического создания подборок ярких моментов и чернового монтажа разговорных записей. Оценки не калиброваны между видео, края клипов могут обрезать контекст или объединять темы, а короткие расшифровки могут дать мало фрагментов или не дать их вовсе. Нелатинские письменности протестированы ограниченно. Указана лицензия other; конкретные условия распространения в карточке не раскрыты.

BAAI/Emu3-Chat — мультимодальная модель команды Emu3 из BAAI, построенная на плотном трансформере Emu3ForCausalLM с 7,7 млрд параметров. Она обучена с нуля предсказывать следующий токен в последовательностях, где изображения, текст и видео представлены дискретными токенами. Модель предназначена для генерации текста в ответ на запросы и для мультимодальных сценариев, описанных для семейства Emu3: понимания изображений, создания изображений по тексту, продолжения видео и предсказания его дальнейшего содержания. Архитектура семейства объединяет генерацию и восприятие в одном трансформере; заявлена гибкая поддержка разрешений и стилей изображений. В метаданных указано контекстное окно 131 072 токена. Карточка не уточняет отдельные показатели качества именно версии Chat и перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

HiDream-O1-Image-Dev-FP8 — вариант модели HiDream-O1-Image-Dev от drbaph, предназначенный для локального запуска через Diffusers и ComfyUI. Это смешанная FP8-квантизация дистиллированной модели HiDream-O1-Image-Dev, основанной на HiDream-O1-Image. Веса хранятся в FP8, а чувствительные слои сохраняют более высокую точность; для запуска требуется около 10 ГБ видеопамяти. Модель объединяет генерацию изображений и обработку условий в Pixel-level Unified Transformer без внешнего VAE и отдельных текстовых энкодеров. Она поддерживает создание изображений по тексту, редактирование по инструкциям, персонализацию по нескольким референсам, раскадровки и многоязычную отрисовку текста; заявлено разрешение до 2048 × 2048 пикселей. Dev-вариант использует 28 шагов, Euler scheduler и отключённое CFG, поэтому негативные промпты на него не влияют. Квантизация снижает требования к видеопамяти, а дистиллированный режим рассчитан на более быстрый вывод. README указывает, что на RTX 40xx и H100 вычисления FP8 ускоряются аппаратно; на более старых GPU возможна небольшая потеря скорости при деквантизации на лету. Модель распространяется по лицензии MIT.

TensorArt Stable Diffusion 3.5 Medium ControlNet Depth — дообученная модель на базе stabilityai/stable-diffusion-3.5-medium для генерации изображений с управлением по карте глубины. Она предназначена для сценариев, где нужно задавать текстовое описание и использовать глубину сцены, чтобы влиять на композицию и расположение объектов. Модель относится к семейству Stable Diffusion 3.5 Medium, использует формат safetensors и предназначена для задачи text-to-image. В метаданных указан английский язык карточки; базовая модель описана как MMDiT-X. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

Stable Audio 3 Small SFX — модель Stability AI для генерации звуковых эффектов по текстовому описанию. Она входит в семейство Stable Audio 3 и дообучена на базе stabilityai/stable-audio-3-small-sfx-base, чтобы создавать звуки, а не музыку. Модель использует трансформерную латентную диффузионную архитектуру и принимает текст на английском языке, выдавая аудио. Семантико-акустический автоэнкодер переводит аудио в компактное латентное пространство, а постобучение помогает ускорить генерацию и точнее следовать запросу. Модель предназначена для создания звуковых эффектов переменной длительности; семейство Stable Audio 3 также поддерживает редактирование и продолжение аудиозаписей. В карточке заявлена генерация за несколько секунд на подходящем оборудовании, однако скорость зависит от устройства и настроек. Для текстового кондиционирования используется T5Gemma. Модель обучалась на лицензированных и Creative Commons аудиозаписях. Указана лицензия Stability AI Community License; условия коммерческого использования следует сверять с её текстом и актуальными условиями Stability AI.

Stable Diffusion 2 Depth Img2Img — модель Robin Rombach и Patrick Esser для изменения изображений по текстовому описанию с сохранением пространственной структуры исходного изображения. Это латентная диффузионная модель, дообученная на базе stable-diffusion-2-base в течение 200 тысяч шагов; она использует дополнительный канал с относительной картой глубины, рассчитанной MiDaS dpt_hybrid. Модель работает через Diffusers и распространяется в форматах PyTorch и safetensors. Модель принимает текстовый запрос и изображение, а также использует карту глубины для управления генерацией; результатом служит изображение. Основной язык запросов — английский. Лицензия — CreativeML Open RAIL++-M License (openrail++). Модель подходит для творческого редактирования и преобразования изображений с учётом глубины сцены. Ограничения включают слабую генерацию читаемого текста, несовершенный фотореализм, ошибки в изображении лиц и людей, а также трудности со сложными пространственными композициями. Качество запросов на языках, отличных от английского, ниже; модель также может отражать смещения обучающих данных LAION.

InternVL3-14B — мультимодальная модель OpenGVLab из семейства InternVL3, представленная в репозитории как дообученная версия InternVL3-14B-Instruct. Она построена по схеме ViT-MLP-LLM: визуальный энкодер InternViT соединён через MLP-проектор с языковой моделью. В семействе используются компоненты на основе Qwen 2.5 и InternLM 3; размер этой версии — 14 млрд параметров. Модель распространяется в формате safetensors и использует библиотеку Transformers. Модель предназначена для диалога и анализа изображений, видео и текста: визуальных вопросов и ответов, мультимодального рассуждения, понимания видео и работы с несколькими изображениями. В README также описаны сценарии использования инструментов, GUI-агентов, анализа промышленных изображений и 3D-визуального восприятия. Поддерживаются динамическое разбиение изображений на фрагменты 448×448 пикселей и обработка изображений и видео; каталог помечает модель как многоязычную. Вариант лицензии — Apache 2.0. Среди заявленных особенностей — предобучение на смешанных текстовых и мультимодальных данных и улучшенное понимание длинного контекста благодаря V2PE. README не приводит численную длину контекста именно этой модели. Качество результатов зависит от входных данных и задачи; несколько изображений увеличивают число визуальных токенов и требуемый объём контекста.