I.10Видео, анимация и 3D

Yuro1991/FLUX.2-klein-9B-GGUF — GGUF-квантизированная версия FLUX.2-klein-9B, разработанного Black Forest Labs; репозиторий также использует методологию Unsloth Dynamic 2.0 и инструменты ComfyUI-GGUF. Это диффузионная модель на основе rectified flow transformer с 9 млрд параметров и текстовым энкодером Qwen3 на 8 млрд параметров. Модель дистиллирована до 4 шагов вывода и рассчитана на генерацию изображений по тексту, а также редактирование изображений с одной или несколькими референсными картинками в единой архитектуре. Модель предназначена для интерактивной генерации изображений, творческого прототипирования, приложений реального времени и image-to-image-сценариев. Заявлены высокая скорость, хорошее следование промптам и разнообразие результатов; при этом модель может обеспечивать вывод менее чем за секунду, а заявленный объём видеопамяти составляет около 29 ГБ, поэтому для запуска требуется производительное оборудование уровня NVIDIA RTX 4090 и выше. Поддерживаемый язык — английский. Контекстное окно и точный формат разрешений в карточке не указаны. Модель не предназначена для предоставления фактической информации; отображаемый текст может быть искажён, результаты не всегда соответствуют запросу, а поведение зависит от стиля промпта и может отражать или усиливать предвзятость обучающих данных. Использование ограничено FLUX Non-Commercial License и Acceptable Use Policy; коммерческое применение не разрешено.

gguf-org/flux-dev-gguf — это GGUF-квантизированная версия модели FLUX.1-dev для генерации изображений по текстовому описанию. Базовая модель разработана Black Forest Labs, а данный вариант включает GGUF-версии самой diffusion-модели, текстовых энкодеров и VAE-декодера для использования в ComfyUI с поддержкой gguf-node. Модель предназначена для сценариев text-to-image: создания художественных изображений, персонажей, предметных сцен и сложных композиций по подробным промптам. В README приведены примеры генерации аниме-персонажа в детализированном викторианском интерьере. Указан английский язык; другие языки не заявлены. Архитектура, количество параметров, размер контекста и точные характеристики модальностей в описании не приведены. К ключевым особенностям относятся обновлённый комплект GGUF, заявленная более быстрая загрузка, а также версии модели, энкодера и декодера в FP32, которые, согласно README, сохраняют сопоставимый размер файлов и могут улучшать качество. Ограничения и системные требования подробно не указаны; для работы требуется раздельно разместить diffusion-модель, CLIP-L и T5XXL в качестве text encoders и VAE в каталогах ComfyUI. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть её использование ограничено некоммерческими условиями.

Cierpliwy/krea2_lineart_edit — набор LoRA-адаптеров, разработанный пользователем Cierpliwy для базовой модели Krea-2-Raw. Адаптеры предназначены для преобразования эскиза в формате lineart в полностью визуализированное изображение под управлением текстового запроса: модель сохраняет структуру линий и одновременно формирует заданные стиль, цвета и окружение. В комплект входят две версии: krea2_lineart_edit_v1.safetensors, которая наиболее точно следует исходному эскизу, и krea2_lineart_coarse_edit_v1.safetensors, рассчитанная на более свободную и стилизованную интерпретацию. Модель работает как text-to-image/lineart-to-image решение на базе Krea-2-Raw; сведения о размере, архитектуре, поддерживаемых языках, модальностях помимо изображения и максимальном контексте не указаны. Рекомендуется использовать lineart, подготовленный препроцессором Realistic Lineart, поскольку именно такой формат применялся при обучении адаптеров. Для работы заявлены ComfyUI, расширение ComfyUI-Krea2-Ostris-Edit, пакет comfyui_controlnet_aux и веса Krea-2-Raw. Сильной стороной является возможность получать детализированный рендер, сохраняя композицию и основные линии исходного рисунка; вариант lineart_coarse предоставляет более творческую интерпретацию. Ограничения включают зависимость от базовой модели, специализированного рабочего процесса ComfyUI и рекомендуемого формата линий, а также отсутствие подробных данных о качестве на различных типах изображений. Распространение осуществляется по лицензии krea-2-community-license; указано, что лицензия является особой, а не стандартной свободной лицензией.

Krea2-realism-V2 — LoRA-модель для генерации изображений, разработанная пользователем cusiman и предназначенная для работы поверх базовой модели Krea-2-Turbo от Krea. Она ориентирована на повышение реалистичности результатов в сценариях text-to-image, включая улучшение текстур, освещения, композиции, лиц, кожи и естественности выражений. Модель совместима с Diffusers и может использоваться в рабочих процессах, поддерживающих LoRA, включая ранее созданные workflow для первой версии. Модель не требует специального триггерного слова: в качестве instance prompt указано none. Она поддерживает разные художественные стили, но особенно хорошо работает с естественными описаниями сцен длиной примерно 4–5 предложений. Для более сильного эффекта автор рекомендует значение strength 1.5–2.0, хотя при удачном промпте возможно использование 1.0. LoRA также совместима с другими character LoRA и может применяться для генерации контента NSFW, однако в этой области эффект описывается как более сдержанный. В README не указаны размер модели, точная архитектура базовой модели, поддерживаемые языки, максимальный контекст или конкретные аппаратные требования. Модель распространяется по лицензии MIT.

voldemir/Kroma-GGUF — квантованная версия модели Kroma, связанная с базовыми моделями Krea/Krea-2 и lodestones/Kroma. Модель разработана сообществом или автором репозитория voldemir; исходные разработчики базовых моделей указаны как Krea и lodestones. Согласно метаданным, модель предназначена для генерации изображений по текстовому описанию и может использоваться в ComfyUI. Формат GGUF указывает на квантованное представление, однако конкретный метод и уровень квантования не указаны. Сведения об архитектуре, размере, поддерживаемых языках, контекстном окне и точных требованиях к оборудованию отсутствуют. Ключевое преимущество модели — возможность применения в сценариях text-to-image через совместимый стек, потенциально с меньшими требованиями к ресурсам благодаря квантованию. Ограничения, качество генерации, поддерживаемые варианты ComfyUI и иные особенности по представленным данным оценить нельзя. Лицензия указана как krea-2-community-license; перед использованием необходимо ознакомиться с её условиями.

LLaVA-OneVision Qwen2 72B — мультимодальная языковая модель от разработчиков LLaVA, представленная в репозитории llava-hf. Она дообучена на базе Qwen2 на синтетических мультимодальных инструкциях и предназначена для диалогов, в которых нужно анализировать изображения, несколько изображений или видео и отвечать на вопросы по ним. Архитектура сочетает визуальный энкодер SO400M с Qwen2; модель имеет 72 млрд параметров и сохранена в формате Safetensors с точностью bfloat16. Модель поддерживает сценарии с одним или несколькими изображениями, а также понимание видео; единая архитектура помогает переносить навыки между этими сценариями. В карточке приведены языковые метки английского и китайского. Для запуска через Transformers требуется версия 4.45.0 или новее; работа с видео и URL/локальными путями через шаблон чата описана для Transformers 4.48 и новее. Для инференса нужна значительная вычислительная память, а 4-битная загрузка через bitsandbytes предполагает совместимый CUDA GPU. Лицензия — Apache-2.0.

John6666/one-obsession-17-red-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Это объединение моделей Laxhar/noobai-XL-1.0 и OnomaAIResearch/Illustrious-XL-v2.0 на базе Stable Diffusion XL, распространяемое в форматах Diffusers и Safetensors. Модель ориентирована на создание стилизованных изображений, включая аниме и иллюстрации с персонажами; в карточке отмечены детализированные текстуры, освещение и композиция. Для работы принимает текстовый запрос и возвращает изображение. Карточка показывает английский язык; архитектура использует StableDiffusionXLPipeline. Лицензия — faipl-1.0-sd.

Playground v1 — модель генерации изображений от Playground на основе латентной диффузии. Она принимает текстовые запросы и создаёт изображения; автор отмечает улучшенное качество HDR для более выразительных результатов. Модель доступна в формате Diffusers на PyTorch и запускается через библиотеку diffusers. Модель предназначена для генерации изображений по описанию. Проект больше не активен на playground.com, обновления не ожидаются. Размер модели, длина контекста и лицензия в предоставленных источниках не указаны.

Qwen-Image-2.1 W4A4 (int4) — 4-битная версия трансформера Qwen-Image-2.1, подготовленная ModelsLab на основе модели Qwen. Она предназначена для генерации изображений по текстовым запросам; основная часть модели упакована для fused kernel Nunchaku. Калибровка выполнена методом SVDQuant, а ошибка квантования компенсирована GPTQ. Файл весов занимает 4,34 ГБ; текстовый энкодер Qwen3-VL оставлен в bf16 и требует значительную часть видеопамяти. В README приведены замеры генерации 1024×1024 за 40 шагов на нескольких GPU и сравнение качества с bf16. Скорость и сходство с эталоном зависят от оборудования; опубликованный int4-чекпойнт не проходил отдельную проверку точности текста, описанную для варианта nvfp4. Сборка рассчитана на Nunchaku и требует совместимой версии ядра: несовпадение формата может привести к некорректному изображению. Лицензия Qwen Research License допускает только некоммерческое использование; для коммерческого использования требуется отдельное разрешение правообладателя.

Карточка модели radames/stable-diffusion-x4-upscaler-img2img на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-x4-upscaler, поэтому описание составлено по ней. 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.

TT-VidT — разработанный KohakuBlueleaf самоконтролируемый видеоэнкодер для выделения движения. Модель сочетает визуальный путь DINOv3 ViT-B/16, обрабатывающий кадры независимо, и компактный временной путь Temporal Transfer, который передаёт информацию между кадрами с помощью motion-токенов. Эту версию предварительно обучили на OpenVid-1M; она содержит 195,5 млн параметров и принимает последовательность из 8 RGB-кадров размером 256 × 256, рассчитанную на частоту 6 кадров в секунду. Основной выход — вектор движения размерности 768 для каждого кадра. Эмбеддинги подходят для классификации видео и могут использоваться как признаки движения в задачах поиска, описания и генерации видео; перечисленные сценарии за пределами классификации представлены авторами как возможные направления применения. В опубликованной оценке замороженный энкодер показал результаты на нескольких наборах данных распознавания действий. Для загрузки используются PyTorch и Transformers. Веса доступны по лицензии Apache-2.0.

Yntec/Veritas — модель преобразования текста в изображения, созданная как дообучение coder119/Vectorartz_Diffusion. Она предназначена для генерации детализированных изображений по простым запросам и поддерживает разнообразную визуальную подачу: иллюстрации, фотореалистичные сцены и плоский стиль, напоминающий векторную графику. Примеры в карточке охватывают портреты, персонажей мультсериалов, пейзажи и предметы. Модель распространяется в формате Diffusers с весами Safetensors и лицензией CreativeML OpenRAIL-M. Качество и стиль результата зависят от формулировки запроса; карточка демонстрирует примеры, но не приводит систематических оценок качества.

Yntec/Vintage — созданная Yntec модель генерации изображений по текстовому описанию. Она объединяет модели Yntec/Film и Yntec/Vintedois; автор отмечает, что в Film также включена FilmGirlUltra. Модель рассчитана на создание изображений с винтажной фотографической и кинематографической эстетикой: аналоговая цветная плёнка, ретро-сцены, кадры в духе старого кино и художественные изображения. Для использования стиля Vintedois автор предлагает добавлять в промпт «estilovintedois». Модель работает в библиотеке Diffusers и распространяется в форматах Diffusers и Safetensors. Поддерживаемая задача — text-to-image. Лицензия — CreativeML Open RAIL-M, условия которой следует учитывать при использовании и распространении результатов.

XenoGASM Mark II — дообученная модель Yntec для генерации изображений по текстовому описанию. Она основана на Yntec/XenoGASM и распространяется в формате Diffusers с весами SafeTensors. В карточке упомянут вариант со встроенным VAE 840K, предназначенный для улучшения детализации, а также исправление ошибки совместимости с Diffusers и графическими интерфейсами, включая EasyDiffusion. Модель подходит для создания стилизованных иллюстраций и изображений по составным запросам: примеры включают персонажей, предметы, фантастические сцены и ретро-фотографии. Указанная лицензия — CreativeML Open RAIL-M. README не приводит размер модели, длину контекста или конкретный набор поддерживаемых языков; примеры промптов даны на английском.

3D Animation Diffusion — модель генерации изображений по текстовому описанию, опубликованная под именем Yntec. Карточка демонстрирует создание стилизованных мультяшных и аниме-персонажей, в частности милых девушек с детализированными глазами и волосами; в примере также заданы журнальная рекламная композиция и выразительная прорисовка. Модель распространяется в формате Diffusers на базе PyTorch с весами Safetensors. В метаданных указаны английский язык и лицензия CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или базовую модель, поэтому эти характеристики не включены.

anythingelse-v4 — модель генерации изображений по текстовому описанию, размещённая stablediffusionapi и доступная через ModelsLab API. Карточка показывает вызов модели по идентификатору anythingelse-v4 с параметрами текстового запроса и негативного запроса, размера изображения и числа шагов генерации. Пример запроса ориентирован на создание стилизованного портрета с чертами аниме и цифровой иллюстрации. В метаданных указаны pipeline text-to-image и форматы Diffusers и PyTorch. README описывает доступ к модели через API ModelsLab с ключом API; лицензия в метаданных — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или конкретные гарантии качества, поэтому их нельзя оценить по предоставленным сведениям.

Alissonerdx/BFS-Best-Face-Swap — это серия LoRA-адаптеров для редактирования изображений, созданная для моделей Qwen Image Edit 2509/2511, FLUX.2 Klein 4B/9B и Krea 2. Серия предназначена для высокоточной замены лица, головы и всего человека с естественным смешиванием оттенков кожи, согласованным освещением и сохранением или переносом нужных визуальных характеристик. Для работы требуются соответствующая базовая модель и совместимый workflow; заявлена интеграция с библиотекой Diffusers и ComfyUI. Основной язык — английский. В серию входят варианты для замены только лица, полной замены головы, а также экспериментальной замены тела или всего человека. Версии BFS Head V2–V5 улучшают сопоставление оттенка кожи, выравнивание позы, анатомическую согласованность и перенос выражения лица; для V3–V5 и версий FLUX.2 Klein порядок входных изображений инвертирован: сначала изображение тела или основы, затем изображение лица. Версия BFS Body Swap для Krea 2 является экспериментальной, поэтому поза может переноситься неточно. Для некоторых вариантов указаны рекомендованные веса LoRA и специальные триггерные промпты, но универсальные параметры не приведены. Модель распространяется по лицензии MIT. README не содержит сведений о точном количестве параметров, размере обучающих данных, длине контекста или подробных ограничениях безопасности и качества; результаты зависят от выбранной базовой модели, workflow и версии LoRA.

digiplay/BreakDro_i1464 — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка содержит только ссылку на демонстрационное изображение, поэтому конкретное назначение, разработчик и особенности модели не описаны. По метаданным модель относится к семейству Stable Diffusion и распространяется в форматах PyTorch и safetensors под лицензией other. Модель можно использовать для создания изображений по текстовым запросам в совместимом конвейере Stable Diffusion. Сведения о размере, архитектурных деталях, поддерживаемых языках и ограничениях качества в доступных материалах отсутствуют.

digiplay/chilloutmix_NiPrunedFp16Fix — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face как пайплайн Stable Diffusion для Diffusers. В карточке она названа моделью для создания портретов; репозиторий содержит компоненты StableDiffusionPipeline, включая текстовый энкодер CLIP, U-Net и VAE. Модель принимает текстовый запрос и генерирует изображение. В карточке приведён пример запуска через Diffusers; репозиторий включает веса в форматах PyTorch и safetensors. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и исходной лицензией весов.

Dreamshaper-8-lcm — модель Stable Diffusion для генерации изображений по текстовому описанию. Её разработал Lykon, дообучив runwayml/stable-diffusion-v1-5; версия LCM предназначена для ускоренной генерации с использованием подхода Latent Consistency Models. Модель распространяется в форматах Diffusers и safetensors и рассчитана на работу с библиотекой Diffusers. Модель подходит для создания художественных изображений, в том числе иллюстраций в аниме-стиле и изображений с реалистичными чертами. Карточка отмечает, что для достижения хороших результатов в фотореализме и аниме может потребоваться точная настройка описаний. Лицензия — CreativeML OpenRAIL-M.

F5-TTS — модель синтеза речи из текста, представленная в репозитории SWivid/F5-TTS. Карточка связывает её с работой «F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching»; метаданные указывают библиотеку f5-tts и веса в форматах PyTorch и Safetensors. Модель предназначена для преобразования текста в речь. В README перечислены варианты чекпойнтов F5TTS_v1_Base, F5TTS_Base и E2TTS_Base. В качестве датасета в метаданных указан Emilia. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка содержит мало сведений о поддерживаемых языках, параметрах модели и качестве синтеза, поэтому эти характеристики здесь не уточняются.

fantasticmix_v30_test — модель генерации изображений по текстовым запросам, опубликованная пользователем digiplay. В карточке указана третья версия модели, а метаданные Hugging Face относят её к Stable Diffusion Pipeline и формату Diffusers с весами Safetensors. Модель предназначена для создания изображений по текстовым описаниям. README не содержит подробностей о настройке, рекомендуемых сценариях, поддерживаемых языках или характеристиках генерации. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

Fluently V4.0 — модель для генерации изображений по текстовому описанию, созданная автором карточки путём слияния чекпойнтов и LoRA. Метаданные указывают на дообучение Stable Diffusion 1.5 от runwayml и формат Diffusers с весами Safetensors; в README среди компонентов слияния названы Juggernaut Final, Deliberate V2, RPG, Realistic Vision V1.3 и DreamDrop V1. Модель рассчитана на генерацию изображений в разных стилях, включая реалистичные портреты, аниме и комиксы. Автор отмечает проработку лиц и глаз, анатомии, художественной стилизации, а также пригодность для inpainting и outpainting. Для запуска предлагается AUTOMATIC1111; рекомендуются 20–30 шагов, сэмплер DPM++ 2M Karras или Euler a и CFG Scale 5–7. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования по имеющимся данным определить нельзя. Результаты зависят от запроса и параметров генерации; заявления о качестве приведены автором и не сопровождаются оценкой или бенчмарками.

QuantStack/FLUX.1-Kontext-dev-GGUF — это квантизированная модель в формате GGUF, напрямую преобразованная из FLUX.1-Kontext-dev, разработанной Black Forest Labs. По имеющимся данным, модель предназначена для сценариев image-to-image, то есть для преобразования и редактирования изображений на основе исходного изображения, однако подробные сведения о поддерживаемых языках, архитектуре, размере, модальностях и длине контекста не указаны. Модель можно использовать в ComfyUI через пользовательский узел ComfyUI-GGUF; файлы размещаются в каталоге ComfyUI/models/unet. Квантизация может снизить требования к ресурсам, но конкретный уровень квантизации и его влияние на качество в карточке не указаны. Применяются исходные условия и ограничения лицензии FLUX.1-Kontext-dev: flux-1-dev-non-commercial-license; лицензия некоммерческая, полный текст доступен в файле LICENSE.md.

DFloat11/FLUX.1-Krea-dev-DF11 — это без потерь сжатая версия модели FLUX.1-Krea-dev, разработанной Black Forest Labs. Модель предназначена для генерации изображений по текстовым описаниям и совместима с pipeline text-to-image. Сжатие выполнено с помощью Huffman-кодирования экспонентных битов весов BFloat16 и CUDA-ядра для распаковки весов непосредственно на GPU. Размер модели сокращён примерно на 32%: с 23,80 до 16,33 ГБ по сравнению с исходной версией BFloat16. Выходы заявлены как побитово идентичные исходной модели, поэтому качество не должно изменяться. При генерации изображения 1024×1024 пиковое потребление GPU-памяти составляет около 17,54 ГБ без выгрузки на CPU и 9,76 ГБ с CPU offloading; время генерации на A100 — примерно 58 и 78 секунд соответственно. Это позволяет запускать модель на одной видеокарте с 24 ГБ памяти или на GPU с 12 ГБ при использовании CPU offloading. Для работы требуются CUDA-совместимая видеокарта, PyTorch, пакет DFloat11 и библиотека diffusers. README не указывает точное число параметров, архитектуру базовой модели, поддерживаемые языки, дополнительные модальности или лицензию. Ограничения включают зависимость от CUDA-окружения и некоторое увеличение времени генерации при выгрузке на CPU.

GAR-1B — мультимодальная модель на архитектуре GAR, разработанная авторами работы «Grasp Any Region: Towards Precise, Contextual Pixel Understanding for Multimodal LLMs». Она дообучена на базе facebook/Perception-LM-1B и предназначена для детального понимания выделенных областей изображения и видео. Модель описывает заданную область, обозначенную точками, рамками, штрихами или масками, а также анализирует несколько областей одновременно, моделирует взаимодействия между ними и выполняет сложные рассуждения. Это подходит для вопросов о частях сцены и связях между объектами. Карточка указывает английский язык; модель принимает изображения или видео с текстовыми инструкциями и выдаёт текстовые описания и ответы. Модель распространяется по лицензии fair-noncommercial-research-license, ограничивающей коммерческое использование.

Gwen-TTS 0.6B — дообученная модель синтеза речи от g-group-ai-lab на базе Qwen/Qwen3-TTS-12Hz-0.6B-Base. Она преобразует текст в речь и поддерживает клонирование голоса по нескольким секундам аудиопримера. Модель построена на архитектуре Qwen3-TTS и распространяется в формате safetensors; для работы указана библиотека Transformers. Модель в первую очередь предназначена для естественного и выразительного синтеза вьетнамской речи. В README указано, что она дообучена на примерно 1 000 часах вьетнамских аудиоданных, собранных с TikTok. Также заявлена поддержка китайского, английского, японского, корейского, французского, немецкого, итальянского, португальского, русского и испанского языков. Для других языков качество может отличаться от базовой Qwen3-TTS; перед синтезом рекомендуется нормализовать числа, символы и сокращения, а длинный текст разбивать на фрагменты. Лицензия модели — MIT.

redstonehero/henmixreal_v40 — модель генерации изображений по текстовому описанию, доступная через StableDiffusionPipeline и библиотеку Diffusers. Модель HenmixReal была создана разработчиком heni29833 как реалистичная версия на базе Stable Diffusion; найденные материалы описывают её как результат личного слияния моделей, ориентированный на фотореалистичные изображения людей и сцен. Репозиторий redstonehero содержит копию или распространение этой версии модели. Модель предназначена для text-to-image генерации реалистичных изображений по промптам, включая портреты, персонажей, фотоподобные сцены, освещение и детализацию внешности. В карточке Hugging Face указаны pipeline text-to-image, StableDiffusionPipeline и библиотека Diffusers. Модель опубликована под лицензией CreativeML OpenRAIL-M. Поддержка конкретных естественных языков, размер контекста и число параметров в доступных данных не подтверждены. Сильная сторона модели — ориентация на реалистичную визуальную стилистику и работу с описаниями внешности, освещения и деталей. Результаты зависят от промпта, параметров генерации и используемого окружения; авторские материалы отмечают ограниченное число проведённых тестов и возможные различия результатов при одинаковом промпте.

LLaVA-NeXT-Video-34B-hf — видеомультимодальная чат-модель семейства LLaVA-NeXT-Video, опубликованная в формате Transformers командой Hugging Face. Исходную модель разработчики обучили дообучением языковой модели Vicuna на инструкциях с изображениями и видео для улучшения понимания видео. Видеоклипы при обучении равномерно представлялись 32 кадрами; карточка сообщает о результатах на бенчмарке VideoMME. Указанное в README базовое основание — lmsys/vicuna-7b-v1.5, однако оно относится к описанной там версии 7B, поэтому связь с вариантом 34B из идентификатора репозитория не подтверждена. Модель принимает видео, изображения и текстовые запросы, а генерирует текстовые ответы в диалоговом формате. Подходит для вопросов о содержании роликов, описания сцен и совместного анализа видео и изображений. Карточка рекомендует Transformers версии 4.42.0 или новее; для ускорения упоминаются Flash-Attention 2 и 4-битная загрузка через bitsandbytes на совместимом с CUDA GPU. Метаданные указывают лицензию llama2 и английский язык.

Lumina GGUF — это квантизированная в формате GGUF версия модели Lumina-Image-2.0, опубликованная пользователем или организацией calcuis/lumina-gguf. Модель предназначена для генерации изображений по текстовым описаниям и может использоваться как самостоятельно через gguf-connector, так и в ComfyUI с узлами gguf-node. В репозитории доступны варианты квантования lumina2-q2_k.gguf, lumina2-q4_0.gguf и lumina2-q8_0.gguf. В качестве текстового энкодера используется Gemma 2 2B, а для декодирования изображений — VAE на основе FLUX.1-dev; также упоминается архитектура pig. README демонстрирует генерацию детализированных сцен и подчёркивает возможность запуска на видеокартах начального уровня, однако точные требования к памяти, разрешение, размер контекста, поддерживаемые языки и характеристики качества не указаны. Модель подходит для создания изображений по промптам в локальных приложениях и рабочих процессах ComfyUI. Выбор степени квантования позволяет балансировать между размером файлов, требованиями к ресурсам и, предположительно, качеством, но количественные различия не приведены. Ограничения включают отсутствие подробных технических характеристик и результатов оценки. Для модели указана лицензия Apache-2.0.