I.10Видео, анимация и 3D

digiplay/DreamShaper_8 — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face. Карточка показывает примеры портретов и образов в реалистичном и стилизованном оформлении; метаданные указывают на совместимость с Diffusers и форматами PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым запросам, например портретов персонажей и сцен с заданными визуальными характеристиками. Репозиторий использует лицензию, обозначенную как other; конкретные условия следует проверять в карточке модели.

QuantStack/FLUX.1-Krea-dev-GGUF — это GGUF-конверсия модели FLUX.1-Krea-dev, разработанной Black Forest Labs. Модель предназначена для генерации изображений по текстовым описаниям и относится к pipeline text-to-image. Указан английский язык, однако подробные сведения о языковых возможностях, архитектуре, размере, контекстном окне и точных параметрах модели в карточке отсутствуют. Формат GGUF представляет собой квантованное представление исходной модели, предназначенное для использования в совместимом программном окружении. В README указана интеграция с ComfyUI через пользовательский узел ComfyUI-GGUF; файлы модели следует размещать в каталоге ComfyUI/models/unet. К преимуществам относятся совместимость с экосистемой GGUF и возможность применения в рабочих процессах ComfyUI, но конкретные характеристики квантования, требования к ресурсам и влияние квантования на качество не приведены. Модель распространяется по лицензии flux-1-dev-non-commercial-license. Для конвертированной версии сохраняются все исходные лицензионные условия и ограничения использования базовой модели FLUX.1-Krea-dev, включая некоммерческий характер лицензии.

Clybius/FLUX.1-Krea-dev-scaled-fp8 — вариант FLUX.1 Krea [dev], опубликованный Clybius. Это модель генерации изображений по текстовым описаниям на архитектуре rectified flow transformer с 12 млрд параметров, основанная на FLUX.1 [dev] от Black Forest Labs. Веса представлены в формате safetensors и масштабированы до FP8 методом, основанным на AdaRound и включающим коррекцию смещения. Модель подходит для создания изображений по промптам и может использоваться как замена FLUX.1 [dev] в совместимых системах, в том числе ComfyUI. Точность следования промпту зависит от стиля формулировки; модель может не передать запрос точно и не предназначена для предоставления фактической информации. Лицензия указана как other; README ссылается на FLUX.1 [dev] Non-Commercial License. Она разрешает использование результатов в личных, научных и коммерческих целях при соблюдении условий лицензии, включая ограничения на незаконное и вредоносное применение. Автор предупреждает о возможном усилении общественных предубеждений и рекомендует применять фильтры или ручную проверку.

GIT-base — базовая по размеру модель GenerativeImage2Text, разработанная Microsoft и представленная в статье Wang et al. Это декодер Transformer, который получает визуальные токены изображения от CLIP и предыдущие текстовые токены, а затем генерирует текст. Модель содержит 80,1 млн параметров, использует архитектуру GitForCausalLM и обучена на 10 млн пар изображение—текст. Модель предназначена прежде всего для создания подписей к изображениям. Архитектура также позволяет применять её для визуальных вопросов и ответов по изображениям и видео, описания видео и классификации изображений с выдачей класса текстом. В метаданных указана поддержка английского языка и контекст 1024 токена. GIT-base принимает изображение и выдаёт текст; для задач, требующих специализированного качества, подходят дообученные версии. Карточка не приводит оценки качества, а результат генерации зависит от изображения и формулировки запроса. Модель распространяется по лицензии MIT.

Kwai-Kolors/Kolors-ControlNet-Canny — веса ControlNet от команды Kolors, предназначенные для управления генерацией изображений по карте контуров Canny. Модель работает как условный компонент с базовой моделью Kolors и используется через библиотеку Diffusers; сама карточка также упоминает совместную работу с Kolors-IP-Adapter-Plus. Модель подходит для генерации изображений по текстовому запросу с сохранением пространственной структуры исходного изображения, заданной контурной картой. В оценке авторов на наборе из более чем 200 изображений она получила более высокую среднюю оценку управляемости, чем SDXL-ControlNet-Canny; это результат внутреннего сравнения, а не независимая гарантия качества. Для работы нужны базовая модель Kolors и карта Canny; веса опубликованы в формате Safetensors. Лицензия — Apache-2.0. Карточка не приводит размер весов и длину контекста.

Owen777/Kontext-Style-Loras — набор из более чем 20 стилевых LoRA-адаптеров для модели FLUX.1-Kontext-dev, разработанный Tian YE и Song FEI из HKUST Guangzhou. Адаптеры предназначены для image-to-image генерации: они преобразуют исходные изображения в различные художественные и мультяшные стили, включая Ghibli, American Cartoon, Chinese Ink, Oil Painting, Pixel, LEGO, Van Gogh, Picasso и другие. Модель работает в экосистеме Diffusers через FluxKontextPipeline и поддерживает обработку изображений с текстовым запросом. Обучение выполнено на высококачественных парных данных, сгенерированных GPT-4o, из набора OmniConsistency. В README указана базовая модель FLUX.1-Kontext-dev и английский язык; размер адаптеров, максимальная длина контекста и точные требования к аппаратному обеспечению не приведены. Сильная сторона набора — разнообразие готовых стилевых адаптеров и возможность подключать их к одной базовой модели с настраиваемым весом. Ограничения связаны с зависимостью от FLUX.1-Kontext-dev и необходимостью отдельного выбора LoRA для нужного стиля; качество преобразования может зависеть от исходного изображения и текстового запроса. Лицензия в README не указана.

LEOSAMs-FilmGirl-Ultra — модель генерации изображений по текстовому описанию, опубликованная пользователем sam749. Репозиторий рассчитан на запуск через библиотеку Diffusers и использует StableDiffusionPipeline; веса представлены в формате safetensors. Модель предназначена для создания изображений по промптам. Пример в карточке показывает генерацию детализированного CG-портрета девушки с цветной палитрой и объёмным освещением. Указана лицензия CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

digiplay/MGM — модель генерации изображений по текстовому описанию, представленная в формате Diffusers и использующая Stable Diffusion Pipeline. В карточке модели приведено лишь изображение-пример, созданное через API Hugging Face, поэтому дополнительные сведения об архитектуре и характеристиках модели установить нельзя. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors; лицензия указана как other, без пояснений в доступной карточке. Оценить качество, языковую поддержку и ограничения по примеру из README нельзя.

lambda/miniSD-diffusers — модель генерации изображений по текстовому описанию в формате Diffusers, использующая StableDiffusionPipeline. Карточка приводит пример загрузки через библиотеку Diffusers и запуска на CUDA. Репозиторий создан 24 ноября 2022 года; модель распространяется по лицензии CreativeML OpenRAIL-M. Модель предназначена для создания изображений по текстовым запросам. README не сообщает размер модели, длину контекста, поддерживаемые языки или особенности качества, поэтому эти характеристики здесь не уточняются.

hansyan/perflow-sd15-dreamshaper — ускоренная версия DreamShaper с применением PeRFlow. Она предназначена для генерации изображений по текстовому описанию. Репозиторий использует StableDiffusionPipeline из Diffusers и хранит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Yntec/Playground — конвертированная в формат Diffusers версия модели Playground для генерации изображений по текстовому описанию. Карточка связывает её с PlaygroundAI и приводит примеры запросов для создания цифровой живописи, аниме и фантастических сцен. Модель принимает текстовые запросы и выдаёт изображения. Репозиторий содержит веса в формате Safetensors; для работы указана библиотека Diffusers. Лицензия — CreativeML Open RAIL-M. Размер модели, архитектура в карточке и длина контекста не указаны.

Prodigy — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это смесь Protogen 2.2 и фотореалистичных моделей; в веса встроен VAE 840K. Модель предназначена для создания изображений в разных стилях, включая фотореализм, аниме и иллюстрацию. Модель работает на базе Stable Diffusion 1.5 и распространяется в форматах Diffusers и Safetensors. Примеры в карточке охватывают портреты, кинематографические сцены, персонажей и яркие цифровые иллюстрации. Метаданные указывают английский язык. Лицензия обозначена как other, поэтому условия использования следует проверить на странице репозитория.

Prompt Enhancer Gemma 3 270M — дообученная gokaygokay модель на основе google/gemma-3-270m-it, предназначенная для расширения коротких текстовых запросов в более подробные описания. Она принимает текстовый запрос, например краткое описание сцены, и генерирует уточнённый промпт с деталями об объектах, окружении, композиции и освещении. Модель использует плотную текстовую архитектуру Gemma 3 и содержит 257 млн параметров. Максимальный контекст составляет 32 768 токенов. В карточке приведены примеры расширения запросов для описания изображений; модель генерирует текст, а не изображения. Указаны форматы safetensors и диалоговый режим. Примеры показывают, что результат может содержать повторы и противоречивые детали, поэтому сгенерированный промпт стоит проверять и редактировать перед использованием. Лицензия в предоставленных данных не указана.

Anireal v2.5 — модель генерации изображений на основе Stable Diffusion 1.5, дообученная автором репозитория circulus. Она предназначена для создания изображений по текстовым описаниям; метаданные также относят её к задачам image-to-image и реализуют через библиотеку Diffusers. Модель представлена в форматах Diffusers и PyTorch. В карточке указана лицензия GPL-3.0. README не приводит сведений о размере модели, длине контекста или поддерживаемых языках помимо английского в метаданных.

lllyasviel/sd-controlnet-scribble — модель ControlNet, разработанная Lvmin Zhang и Maneesh Agrawala. Она предназначена для управления генерацией изображений в Stable Diffusion v1.5 с помощью дополнительных условных входных данных в виде изображений-скетчей или набросков. Модель используется совместно с базовой моделью Stable Diffusion и подходит для сценариев text-to-image и image-to-image, когда требуется сохранить структуру, заданную скетчем, одновременно управляя содержанием текстовым описанием. Это диффузионная модель для генерации изображений с архитектурой ControlNet; она обучена на Stable Diffusion v1-5 и принимает английские текстовые описания. Специализация данного контрольного модуля — изображения Scribble, то есть условные изображения с набросками, по которым задаются композиция и основные формы результата. Размер модели, максимальная длина контекста и точный набор поддерживаемых модальностей в README не указаны. Сильная сторона модели — дополнительный контроль над генерацией по сравнению с обычной Stable Diffusion, что позволяет точнее воспроизводить структуру исходного наброска. Ограничение состоит в зависимости от совместимой базовой модели и качества входного скетча; модель предназначена для визуального управления, а не для самостоятельной генерации без Stable Diffusion. Лицензия — CreativeML OpenRAIL M, адаптированная на основе Open RAIL M; условия лицензии и ограничения ответственного использования следует учитывать при применении.

SPO-SD-v1-5_4k-p_10ep — модель генерации изображений по текстовому описанию, разработанная авторами метода Step-by-Step Preference Optimization (SPO). Она дообучена на базе runwayml/stable-diffusion-v1-5 и представляет собой объединённый чекпойнт базовой модели и LoRA-адаптера. Обучение проводилось на 4 000 промптах в течение 10 эпох с использованием данных предпочтений изображений. Модель предназначена для создания изображений по англоязычным текстовым запросам с улучшенным визуальным качеством и эстетикой при сохранении соответствия изображения запросу. Подход SPO оптимизирует детали на каждом шаге денойзинга; для запуска авторы показывают StableDiffusionPipeline из библиотеки diffusers с вычислениями в float16. Модель распространяется по лицензии Apache-2.0.

Stable Diffusion x4 Upscaler — текстово-управляемая модель латентной диффузии для увеличения изображений в четыре раза. Её разработали Robin Rombach и Patrick Esser. Модель принимает изображение низкого разрешения, текстовую подсказку и параметр noise_level, после чего создаёт изображение более высокого разрешения; для работы доступны Diffusers и формат PyTorch/Safetensors. Модель обучали 1,25 млн шагов на подмножестве LAION с изображениями размером более 2048×2048, используя кропы 512×512. Она предназначена для художественного и творческого увеличения изображений, а также для исследований генеративных моделей. Основной язык подсказок — английский; результаты на других языках могут быть хуже. Модель не гарантирует фотореализм, плохо передаёт читаемый текст, сложные пространственные отношения, лица и людей. Автоэнкодер вносит потери, а обучающие данные могут отражать социальные предубеждения и содержать взрослые или жестокие материалы. Лицензия — CreativeML Open RAIL++-M; в карточке указаны ограничения на отдельные виды использования.

ToonYou — модель Stable Diffusion для генерации изображений по текстовому описанию. Репозиторий stablediffusionapi/toonyou содержит веса в форматах Diffusers и PyTorch и предоставляет пример вызова через API ModelsLab. В примере можно задавать текстовый запрос, негативный запрос, размер изображения, число шагов генерации и другие параметры. Модель предназначена для создания изображений по промптам; пример демонстрирует портретную сцену с кинематографическим освещением, но карточка не подтверждает специализацию только на портретах или конкретном художественном стиле. Лицензия — CreativeML Open RAIL-M.

toooajk-yagurumagiku-v3-dreambooth — модель генерации изображений по текстовому описанию, размещённая пользователем swl-models на Hugging Face. По названию и карточке каталога это версия Stable Diffusion, обученная методом DreamBooth; точная базовая модель и конкретная специализация обучения в доступных источниках не подтверждены. Модель работает с библиотекой Diffusers и распространяется в форматах Diffusers, PyTorch и safetensors. Она принимает текст на английском языке и генерирует изображения. Для репозитория указана лицензия CreativeML OpenRAIL-M. Данных о размере, контекстном окне и иных характеристиках обучения в просмотренных источниках нет.

Copax TrueSight v1 — модель генерации изображений по текстовому описанию, опубликованная Yntec. Карточка содержит примеры запросов для создания фотореалистичных сцен и портретов: фестиваль, рыцарь в доспехах, Лондон времён промышленной революции и стилизованный кадр из фильма 1986 года. Модель распространяется в форматах Diffusers и safetensors; метаданные относят её к семейству Stable Diffusion. Лицензия указана как other, поэтому перед использованием следует проверить условия на исходной странице модели. README не сообщает размер модели, длину контекста или конкретные ограничения качества.

VARGPT-v1.1 — мультимодальная модель семейства VARGPT, разработанная командой VARGPT-family. Она объединяет визуальное понимание и генерацию изображений в одной системе: для понимания использует предсказание следующего токена, а для генерации — предсказание следующего масштаба. В README указана конфигурация 7B+2B; метаданные указывают 7,1 млрд параметров, архитектуру VARGPTQwen2VLForConditionalGeneration и контекст 32 768 токенов. Модель предназначена для мультимодального диалога и генерации изображений по текстовому запросу. В карточке приведены отдельные демонстрации понимания мультимодальных входов и преобразования текста в изображение. Репозиторий содержит веса Safetensors и использует Transformers; лицензия — Apache-2.0. README описывает улучшение модели посредством итеративного instruction tuning и обучения с подкреплением, но базовая модель в метаданных не указана.

waiIllustriousSDXL_v150 — модель генерации изображений по текстовому описанию, опубликованная пользователем Joshua Frank на Hugging Face. Репозиторий содержит pipeline Stable Diffusion XL для Diffusers: текстовые энкодеры CLIP, условную UNet и VAE; веса доступны в формате safetensors. Метаданные указывают размер около 3 млрд параметров и тип данных F16. Модель предназначена для создания изображений по текстовым запросам. Карточка не содержит подробного описания специализации, данных обучения или результатов оценки качества; также в доступных источниках не удалось подтвердить лицензию и поддержку определённых естественных языков.

misri/zavychromaxl_v80 — модель генерации изображений из текста, опубликованная пользователем misri на Hugging Face. Она использует архитектуру Stable Diffusion XL и доступна в формате Diffusers/Safetensors. Модель предназначена для создания изображений по текстовым запросам и может запускаться через Diffusers. Карточка не описывает специализацию по стилям или предметным областям, языковую поддержку, размер контекста и дополнительные характеристики качества. В метаданных лицензия указана как unknown, поэтому условия использования по карточке определить нельзя.

Z-Image-De-Turbo — модель генерации изображений по текстовому описанию, созданная ostris. Это версия Tongyi-MAI/Z-Image-Turbo, дообученная на изображениях, сгенерированных базовой моделью, чтобы ослабить эффект турбодистилляции. Модель подходит для прямой генерации, обучения LoRA и дальнейшего дообучения; автор отмечает совместимость с базовой моделью при обучении LoRA. Для инференса автор рекомендует низкий CFG 2,0–3,0 и 20–30 шагов; также модель, по его наблюдениям, хорошо работает с нормализацией CFG. Репозиторий содержит версии для ComfyUI и Diffusers, веса представлены в формате safetensors. Модель основана на Tongyi-MAI/Z-Image-Turbo и распространяется по лицензии Apache-2.0.

perion/ai-avatar — модель генерации изображений по текстовому описанию, представленная в формате Diffusers и сохранённая в safetensors. Карточка содержит пример запроса для создания детализированного цифрового портрета персонажа в стиле концепт-арта. Модель предназначена для генерации изображений по текстовым промптам. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не описывает размер модели, базовую модель, поддерживаемые языки или специальные ограничения; поэтому их характеристики нельзя уточнить по доступным данным.

Anything v3.0 — модель генерации изображений из текстовых описаний, размещённая пользователем ckpt на Hugging Face. Репозиторий поддерживает запуск через Diffusers StableDiffusionPipeline; размер модели на карточке Hugging Face указан как 0,9 млрд параметров. Модель предназначена для создания изображений по текстовому запросу. Семейство Anything ассоциируется с генерацией иллюстраций в стиле японской анимации; эта характеристика подтверждается упоминанием Anything V3.0 как дообученной Stable Diffusion в исследовательской публикации. Данных о языках обучения, контексте и лицензии в доступных источниках нет.

AWPainting-v1-2 — модель генерации изображений по текстовому описанию, опубликованная sam749. Она совместима с StableDiffusionPipeline из библиотеки Diffusers и сохраняет результат как изображение. В примере показана генерация иллюстрации с персонажем и детализированной CG-эстетикой. Для запуска требуется Diffusers; в примере используются PyTorch и GPU с CUDA. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CreativeML OpenRAIL-M. Карточка не сообщает базовую модель, размер, контекст, поддерживаемые языки или проверенные ограничения качества.

Stax124/CetusMixCoda — модель генерации изображений по текстовому описанию, опубликованная пользователем Stax124 (Tomáš Novák) на Hugging Face. Она предназначена для создания 2D-аниме и стилизованных иллюстраций по текстовым промптам, включая персонажей, фоны и сцены. По метаданным модель использует библиотеку Diffusers и StableDiffusionPipeline, а задача модели обозначена как text-to-image. Модель относится к семейству Cetus-Mix и ориентирована на художественную генерацию в аниме-стилистике. Доступная информация не подтверждает точный размер модели, длину контекста, поддерживаемые языки или конкретную архитектурную версию Stable Diffusion. Лицензия в метаданных указана как unknown, поэтому условия коммерческого и иного использования следует проверять отдельно перед применением.

cetusmix_v4 — модель генерации изображений по текстовому описанию, опубликованная пользователем redstonehero на Hugging Face. Репозиторий использует Diffusers и StableDiffusionPipeline; карточка показывает пример создания изображения из текстового промпта. Модель предназначена для генерации изображений по текстовым запросам в приложениях и средах, совместимых с Diffusers. Репозиторий распространяется по лицензии creativeml-openrail-m. Карточка модели не содержит описания архитектурных деталей, размера, контекста, языков или специальных ограничений.

Disty0/FLUX.1-dev-qint8 — версия модели генерации изображений black-forest-labs/FLUX.1-dev, квантованная до INT8 с помощью Optimum Quanto. Она принимает текстовые запросы и создаёт изображения; запуск предусмотрен через Diffusers и FluxPipeline. Модель предназначена для генерации изображений по описаниям на английском языке. Квантование снижает точность весов до 8 бит; README не сообщает о влиянии этого изменения на качество. Лицензия указана как other, поэтому условия использования следует сверить с лицензией исходной модели.