I.10Видео, анимация и 3D

GeorgeQi/realisticVisionV13_v13 — преобразованная версия чекпойнта Realistic Vision V13 в формате Diffusers, предназначенная для генерации изображений по текстовым описаниям. В README указано, что веса safetensors конвертированы для Paint3D; метаданные подтверждают задачу text-to-image и форматы Diffusers и PyTorch. Модель можно использовать для создания реалистичных изображений по текстовым запросам в совместимых приложениях на базе StableDiffusionPipeline. Репозиторий распространяется по лицензии Apache-2.0. Размер модели, поддерживаемые языки и ограничения качества в доступных данных не описаны.

SDXS-512-0.9 — модель генерации изображений по текстовому описанию, выпущенная авторами исследования SDXS. Она предназначена для быстрого создания изображений в один шаг диффузии. Модель обучалась с применением дистилляции по оценкам и сопоставления признаков; в качестве учителя использовалась SD Turbo, а также указаны SD v2.1 base и TAESD для декодирования изображений. Это версия 0.9 семейства SDXS-512, распространяемая через библиотеку Diffusers в форматах PyTorch и safetensors. Авторы называют её устаревшей и рекомендуют более новую SDXS-512-DreamShaper, отмечая у неё более высокое качество и скорость. Для этой версии указана лицензия OpenRAIL++. Качество деталей может уступать версии 1.0: модель не проходила упомянутую авторами донастройку LoRA-GAN. TAESD может давать изображения низкого качества при использовании весов float16. Декодер изображений авторов несовместим с текущей версией Diffusers и не предоставляется.

Это неизменённая копия Stable Audio Open 1.0 от Stability AI, размещённая пользователем cudabenchmarktest. Модель генерирует стереозвук по текстовому описанию: звуковые эффекты, полевые записи и музыкальные фрагменты длительностью до 47 секунд с частотой 44,1 кГц. В основе — латентная диффузионная архитектура с автоэнкодером, текстовым кодировщиком T5 и диффузионным трансформером DiT, работающим в латентном пространстве автоэнкодера. Репозиторий содержит веса в форматах safetensors и ckpt, конфигурации конвейера и файлы атрибуции обучающих данных. Использование регулируется лицензией Stability AI Community License; следует соблюдать её условия и требования к атрибуции данных.

TokForge-SD15-IPAdapter — пакет для генерации изображений по текстовому запросу с переносом внешности человека с эталонной фотографии. Он предназначен для работы на устройстве в приложении TokForge и объединяет DreamShaper-7 на базе Stable Diffusion 1.5, IP-Adapter plus-face и визуальный энкодер OpenCLIP ViT-H-14. Модель использует текстовый энкодер CLIP, UNet и VAE в файле GGUF F16, а адаптер и энкодер изображения поставляются отдельными файлами. Пользователь задаёт сцену текстом и прикладывает фотографию лица: адаптер переносит идентичность, а запрос определяет окружение и действие. В README приведён пример генерации изображения супергероя над Нью-Йорком; рекомендуются 30 шагов, размер 512×512 и sampler euler_a. Пакет основан на слиянии DreamShaper-7 от Lykon и IP-Adapter plus-face от h94; базовая модель конвертирована в GGUF F16. Лицензия базовой модели указана как CreativeML-OpenRAIL-M; файлы адаптера и энкодера изображения имеют лицензии Apache-2.0 и MIT соответственно.

VectorArtz Diffusion — модель генерации изображений по текстовому описанию в формате Diffusers с весами safetensors. Карточка описывает вариант с разрешением 768×768 и встроенным GhibliVAE, который, по README, усиливает детализацию ценой повышенной насыщенности цветов. Для усиления характерного эффекта в запрос можно добавить слово «vectorartz». Модель подходит для создания стилизованных иллюстраций по текстовым запросам: например, пейзажей, изометрических деревень, стимпанк-механизмов и подводных рифов. Она основана на Stable Diffusion и распространяется по лицензии CreativeML OpenRAIL-M.

Карточка модели ACbkgyu/yolov10m на Hugging Face совпадает с карточкой onnx-community/yolov10m, поэтому описание составлено по ней. onnx-community/yolov10m — версия весов YOLOv10 в формате ONNX, опубликованная сообществом onnx-community. Модель предназначена для обнаружения объектов на изображениях и может использоваться в приложениях на Transformers.js. YOLOv10 — плотная архитектура детекции объектов, ориентированная на работу в реальном времени. Репозиторий содержит ONNX-веса; лицензия — AGPL-3.0. Данные о размере модели, поддерживаемых классах объектов и языках в карточке не приведены.

onnx-community/yolov10m — версия весов YOLOv10 в формате ONNX, опубликованная сообществом onnx-community. Модель предназначена для обнаружения объектов на изображениях и может использоваться в приложениях на Transformers.js. YOLOv10 — плотная архитектура детекции объектов, ориентированная на работу в реальном времени. Репозиторий содержит ONNX-веса; лицензия — AGPL-3.0. Данные о размере модели, поддерживаемых классах объектов и языках в карточке не приведены.

sam749/0001SoftRealistic-v187xxx — модель генерации изображений по текстовому описанию, опубликованная пользователем sam749. Она предназначена для создания изображений из промптов и запускается через StableDiffusionPipeline из библиотеки Diffusers; карточка приводит пример генерации стилизованного портрета персонажа с детализированным освещением и рендерингом. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, базовый чекпойнт или список поддерживаемых языков.

Yntec/Analog — модель генерации изображений по текстовому описанию, созданная путём слияния Analog Diffusion и моделей семейства Paramount. Она предназначена для получения изображений с эстетикой аналоговой и винтажной фотографии: характерными цветами, зернистостью плёнки и атмосферой кадров прошлых десятилетий. Примеры в карточке охватывают портреты, интерьеры, пейзажи и фантастические сцены. Модель использует Stable Diffusion Pipeline и распространяется в форматах Diffusers и Safetensors. В качестве основы слияния указаны wavymulder/Analog-Diffusion и Yntec/Paramount; рецепт также описывает использование Stable Diffusion 1.5 в процессе смешивания. Для текстовых запросов карточка указывает английский язык. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Anything V5 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi. Карточка показывает её использование через ModelsLab API и указывает идентификатор модели anything-v5. Пример запроса задаёт текстовый prompt и negative prompt, разрешение изображения, число шагов генерации и guidance scale. Модель предназначена для создания изображений по текстовым запросам; пример ориентирован на аниме и цифровую иллюстрацию, включая портреты и концепт-арт. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M.

calcuis подготовил GGUF-версии мультимодальной модели BAGEL-7B-MoT от ByteDance Seed. Репозиторий содержит варианты F16, F32 и нескольких уровней квантования GGUF. Модель предназначена для генерации изображений по тексту, редактирования изображений по инструкциям и распознавания изображений; в карточке она обозначена как any-to-any. Базовая модель BAGEL поддерживает понимание изображений и видео, генерацию изображений и редактирование по текстовым инструкциям. README называет эту сборку экспериментальной мультимодальной моделью. Репозиторий распространяется по лицензии Apache-2.0.

Bonsai Image Ternary 4B Unpacked — версия модели Bonsai Image 4B в формате FP16 safetensors для библиотеки diffusers. Модель создана Prism ML как дообучение FLUX.2-klein-4B от Black Forest Labs и предназначена для генерации изображений по текстовым запросам. Репозиторий позволяет запускать её в стандартном diffusers и других фреймворках, не поддерживающих низкоразрядные веса Bonsai. Эта версия хранит веса в полном формате FP16 и не включает преимущества оптимизированных ternary-паков: README указывает, что низкоразрядный вариант уменьшает размер трансформера и ускоряет вывод на Apple Silicon. Для этой сборки также не заявлены отдельные параметры контекста или список поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

ColorfulXL-Lightning — диффузионная модель генерации изображений по тексту от AiArtLab, дообученная на основе ColorfulXL. В версии 1.6 объединены модифицированные UNet-версии Lightning от ByteDance, а также используется обученный текстовый энкодер и собственный VAE. Модель рассчитана на быстрый художественный рендеринг: поддерживает разрешения примерно от 576 до 1280 пикселей и работу с нулевым или низким CFG. Модель подходит для создания иллюстраций, художественных изображений и материалов для дизайна. Карточка отмечает хорошее следование промпту и способность передавать чистые белые и чёрные цвета. Лицензия запрещает использование модели за API-сервисами; по вопросам коммерческого лицензирования предлагается обращаться к разработчику. Качество фотореализма ограничено, модель может ошибаться при генерации лиц и людей, а также при выполнении сложных композиционных запросов. Она плохо создаёт читаемый текст и не предназначена для точного воспроизведения реальных людей или событий; VAE вносит потери.

stablediffusionapi/disney-pixal-cartoon — модель генерации изображений по текстовому описанию от StableDiffusionAPI, распространяемая через сервис ModelsLab. Карточка предлагает вызывать её через API ModelsLab и указывает идентификатор disney-pixal-cartoon; пример запроса задаёт изображение размером 512 × 512 пикселей, 30 шагов инференса и guidance scale 7,5. Модель предназначена для создания изображений по промптам. В примере показан подробный портрет в киберпанк-стиле; README также поддерживает negative prompt и настройки генерации, но не описывает архитектуру, число параметров, контекст или заявленные языки. Метаданные указывают форматы Diffusers, PyTorch и Safetensors, а также лицензию CreativeML OpenRAIL-M. Условия доступа через ModelsLab API могут зависеть от сервиса.

Dreamshaper 8 — модель генерации изображений по текстовому описанию, опубликованная Yntec и связанная с Lykon. Карточка содержит примеры промптов с персонажами и художественными сценами; метаданные указывают на применение для общего, аниме- и фотореалистичного изображения, а также пейзажей и иллюстраций. Модель распространяется в форматах Diffusers, PyTorch и safetensors и использует библиотеку Diffusers. Лицензия — CreativeML Open RAIL-M. Подробности об архитектуре, размере и контексте в предоставленных данных отсутствуют.

Yntec/DreamShaperRemix — слитая модель для генерации изображений по текстовым описаниям, созданная автором как ремикс семейства DreamShaper. По README, модель собрана из нескольких версий DreamShaper, включая DreamShaper 6.2 и DreamShaper 8; в метаданных также указаны связи с Yntec/DreamShaper и Yntec/Dreamshaper8. Примеры демонстрируют иллюстрации, аниме, мультфильм и фотореалистичные портреты. Модель предназначена для создания художественных и фотореалистичных изображений по промптам. Она распространяется в форматах Diffusers, PyTorch и SafeTensors, а для запуска указан Diffusers. Лицензия — CreativeML OpenRAIL-M; перед использованием следует учитывать её условия. README сообщает, что модель переименована в DreamShaperRemixAlpha, поэтому название репозитория и актуальное имя могут различаться.

Dreamshaper SDXL-1-0 — модель генерации изображений по текстовому описанию, разработанная Lykon. Это дообученная версия Stable Diffusion XL Base 1.0 от Stability AI; модель рассчитана на создание художественных изображений и поддерживает запуск через Diffusers. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель подходит для генерации иллюстраций и других изображений по текстовым запросам. В карточке отмечены художественный стиль и anime. Указана лицензия OpenRAIL++; применяйте модель с учётом её условий использования.

Dreamshaper XL Lightning — модель генерации изображений от Lykon, созданная дообучением Stable Diffusion XL Base 1.0. Она предназначена для создания изображений по текстовым описаниям и доступна в формате Diffusers с весами Safetensors. Модель использует архитектуру Stable Diffusion XL и рассчитана на художественные сценарии генерации изображений. В тегах карточки указаны стили art и anime, а также связь с Lightning, Turbo и LCM. Карточка не сообщает размер модели или длину контекста. Модель распространяется по лицензии OpenRAIL++.

Yntec/DucHaitenLofi — модель генерации изображений по текстовому описанию из семейства Stable Diffusion, представленная в формате Diffusers и сохранённая в safetensors. В README указано, что в модель встроен VAE Blessed2; карточка приводит пример фотореалистичного промпта со сценой на закате. Модель предназначена для создания изображений по текстовым запросам. В тегах карточки отмечены аниме, 3D и стилизация, однако README не описывает эти возможности подробнее. Модель опубликована по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Elldreth's Daydream Mix — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная Yntec. Это вариант без EMA весов с уже встроенным VAE 840K. Примеры в карточке охватывают портреты, фэнтези и киберпанк-сцены, а также изображения животных; модель ориентирована на детализированную художественную генерацию. Модель принимает текстовые запросы и создаёт изображения. В метаданных указан английский язык. Репозиторий содержит веса safetensors и использует библиотеку Diffusers. Лицензия — CreativeML Open RAIL-M, условия которой допускают использование с ограничениями, указанными в лицензии.

Experience — модель генерации изображений по текстовому описанию, опубликованная пользователем nDimensional. Она предназначена для создания реалистичных изображений по промптам и может использоваться в интерфейсе Automatic1111-webui. В карточке модели указаны библиотека Diffusers и связь с семейством Stable Diffusion 1.5; файлы представлены в форматах PyTorch и Safetensors. Модель ориентирована на художественную генерацию изображений. README предлагает смотреть изображения из папки Images как примеры промптов, но подробности архитектуры, размер и параметры генерации не описывает. Лицензия — CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения на распространение и применение.

FLUX.1 [dev] — модель генерации изображений по текстовому описанию, представленная в карточке frankjoshua/FLUX.1-dev. Это трансформер rectified flow с 12 млрд параметров, распространяемый в форматах Diffusers и safetensors. Модель обучалась с дистилляцией guidance; её веса доступны для локального использования, в том числе через Diffusers и ComfyUI. Модель предназначена для создания изображений по текстовым промптам в творческих, личных и исследовательских сценариях, а также для коммерческого использования на условиях лицензии FLUX.1 [dev] Non-Commercial License, условия которой следует учитывать перед применением. В README заявлены высокое качество генерации и конкурентное следование промптам; результат зависит от формулировки запроса. Модель не предназначена для предоставления фактической информации. Она может воспроизводить общественные предубеждения и создавать изображения, не соответствующие промпту. README также перечисляет запрещённые сценарии, включая незаконное использование, причинение вреда и создание недобровольной обнажённости.

WarmBloodAban/Flux2_Klein_Anything_to_Real_Characters — LoRA-адаптер для модели black-forest-labs/FLUX.2-klein-9B, предназначенный прежде всего для преобразования аниме- и cel-shaded-изображений в реалистичный, близкий к live-action стиль. Адаптер работает с задачами генерации и редактирования изображений через библиотеку Diffusers и использует текстовые триггеры, включая «realistic style of a young Asian girl», а также варианты для разных возрастов и полов. По данным README, обучение выполнено на 145 парах изображений, всего 290 изображений. Заявленные улучшения включают более стабильную работу, восстановление и выразительность эмоций, поддержку разных возрастных и гендерных групп, а также более реалистичные текстуры кожи и освещение. Для базовой модели указано 9B параметров, однако сведения о поддерживаемых языках и размере контекста отсутствуют. Рекомендуемые параметры: CFG Scale 1, 8 шагов сэмплирования и вес LoRA от 0,6 до 1,0. Модель подходит для стилизации персонажей, конвертации аниме-образов в фотореалистичные изображения и редактирования изображений с помощью подробных текстовых описаний. К ограничениям относятся зависимость качества от базовой модели, исходного изображения, промпта и выбранного веса LoRA; количественные результаты оценки и подробные сведения о стабильности для различных сюжетов не приведены. Указана лицензия Apache-2.0, при этом пользователю рекомендуется учитывать лицензионные условия базовой модели; адаптер заявлен для творческого и исследовательского использования.

eramth/flux-4bit — версия FLUX.1-dev для генерации изображений по текстовым описаниям. Репозиторий содержит NF4-квантованный трансформер и T5-энкодер и использует библиотеку Diffusers; базовая модель разработана Black Forest Labs. Модель предназначена для создания изображений по текстовым запросам. Для загрузки README указывает установить bitsandbytes. В метаданных указаны лицензия other и форматы Diffusers и safetensors. Сведений о размере модели, поддерживаемых языках и длине контекста в доступных данных нет.

Jommarn/Illustrious-XL-v2.0 — модель генерации изображений по текстовому описанию на базе Stable Diffusion XL. Репозиторий содержит компоненты Diffusers: два текстовых энкодера CLIP, токенизаторы, U-Net, VAE и планировщик, а также файл весов safetensors в одном файле. Модель предназначена для создания изображений по текстовым запросам; в метаданных она помечена как ориентированная на аниме. Модель можно использовать через Diffusers или загрузить веса из файла safetensors. Сведения о лицензии обозначены как «other», поэтому конкретные условия использования следует проверять на странице модели. README не сообщает о специализированных ограничениях или языковой поддержке.

LegoStyle1.5 — дообученная методом DreamBooth модель Stable Diffusion, созданная на изображениях наборов LEGO. Для генерации эффекта LEGO в промпт добавляют токен «LegoStyle style». Модель распространяется в форматах Diffusers и PyTorch и рассчитана на создание изображений и преобразование изображений в стилизованные сцены с помощью текстовых запросов. Модель подходит для стилизации изображений под LEGO и для генерации гладких объектов в этом стиле. В README приведён пример промпта с запросом на высокое разрешение; фактическое качество и детализация зависят от запроса и исходного изображения. Лицензия — CreativeML OpenRAIL-M.

LLaVA-OneVision — мультимодальная модель семейства LLaVA, разработанная LMMS-Lab и основанная на языковой модели Qwen2. Версия с 71,5 млрд параметров сочетает визуальный энкодер SO400M с языковой моделью и принимает текстовые запросы вместе с изображениями, несколькими изображениями или видео для диалогового взаимодействия и генерации текста. Модель предназначена для описания и анализа визуального содержимого в сценариях с одним или несколькими изображениями, а также с видео. Модель обучалась на наборах данных LLaVA-OneVision в несколько этапов, включая обучение на данных изображений, нескольких изображений и видео. Она поддерживает английский и китайский языки, использует контекстное окно в 32 768 токенов и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Для запуска модели такого размера требуются значительные вычислительные ресурсы; README не приводит оценки качества или подробностей ограничений распознавания отдельных типов визуального содержимого.

mann-e/mann-e_flux — модель генерации изображений по текстовому описанию, опубликованная пользователем mann-e и предназначенная для запуска через Diffusers FluxPipeline. Карточка рекомендует для инференса guidance_scale от 3,5 до 5 и от 8 до 16 шагов; добавление строки «mj-v6.1-style» в запрос может улучшить кинематографические и фотореалистичные результаты. Модель принимает текстовые запросы и создаёт изображения. В карточке нет сведений о размере модели, длине контекста или поддерживаемых языках. Репозиторий содержит веса в формате safetensors для библиотеки Diffusers; лицензия в доступных данных не указана.

MOSS-SoundEffect — модель генерации звуковых эффектов и звуковых ландшафтов по текстовому описанию, разработанная MOSI.AI и командой OpenMOSS как часть семейства MOSS-TTS. Она предназначена для создания фоновой атмосферы и отдельных звуков природы, городской среды, животных и действий человека — например, для фильмов, игр, подкастов, интерактивных систем и синтетических аудиоданных. Модель использует архитектуру MossTTSDelay: авторегрессионно предсказывает дискретные RVQ-аудиотокены по текстовой подсказке и затем декодирует их в звук. Можно задавать длительность генерации; в README приведена оценка около 12,5 токена на секунду. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. В описании нет сведений о числе параметров или поддерживаемых естественных языках.

OmniVoice BR-PT v1.5 — модель синтеза речи на бразильском португальском, созданная edwixx как дообучение k2-fsa/OmniVoice. Она предназначена для генерации речи по тексту, экспериментов с дизайном голоса и клонирования голоса с помощью OmniVoice. Модель использует архитектуру OmniVoice и формат весов safetensors; внутри базовой модели применяется языковой код `pt`, а бразильский вариант португальского поддержан тонкой настройкой на соответствующих данных. В README приведена оценка распознаваемости на наборе из 20 запросов; выбранный чекпойнт показал один из лучших результатов среди вариантов настройки. Модель выпущена по лицензии Apache-2.0.