I.10Видео, анимация и 3D

ProteusV0.3 — модель генерации изображений по текстовому описанию, разработанная dataautogpt3 на базе OpenDalleV1.1. Это обновлённая версия с дополнительным обучением на изображениях аниме и отборе визуально выразительных примеров; модель сохраняет фотореалистичные и стилизованные возможности предыдущей версии. Модель дообучена примерно на 220 тысячах изображений с подписями GPTV, а также на 10 тысячах пар изображений, отобранных для оптимизации предпочтений. Она предназначена для создания фотореалистичных и художественных изображений, включая аниме, сюрреализм и мультяшную стилизацию, и уделяет внимание деталям лица, текстуре кожи, освещению и соответствию промпту. Карточка рекомендует использовать разрешение 1024×1024 или 1280×1280, 20–60 шагов и sampler DPM++ 2M SDE с scheduler Karras. Модель распространяется в формате Diffusers/PyTorch и лицензирована по GPL-3.0. Результат зависит от формулировки промпта и настроек генерации; README не приводит независимых оценок качества или подробностей об ограничениях использования.

Z-Engineer V4 — дообученная модель на архитектуре Qwen3, разработанная для создания и улучшения текстовых запросов к генераторам изображений. По карточке, это полное дообучение текстового энкодера Tongyi-MAI/Z-Image-Turbo с 3,7 млрд параметров; автор сообщает о тренировке на 55 000 примерах, включая описания реальных фотографий и синтетические пары для расширения запросов. Модель превращает короткую идею в подробное визуальное описание, подбирая композицию, освещение, оптику, атмосферу и цветовую палитру. Её используют для подготовки промптов в рабочих процессах генерации изображений, в том числе как текстовый энкодер в Z-Image Turbo. Модель принимает текст и генерирует текст; заявленное контекстное окно — 40 960 токенов. В метаданных указан английский язык. Репозиторий содержит веса Safetensors, а идентификатор версии указывает на F16. Лицензия — Apache-2.0. Карточка также описывает варианты GGUF, но они не входят в указанные метаданные форматов этого репозитория.

Janchan123/Qwen-Image-2.1-Uncensored-GGUF — это набор GGUF-квантизаций модели Qwen-Image-2.1, опубликованный для локальной генерации изображений. В основе используются оригинальные веса Qwen/Qwen-Image-2.1; сопутствующие текстовый энкодер и VAE взяты из Comfy-Org/Qwen-Image-2.1. Модель предназначена для сценариев text-to-image и image editing в ComfyUI с использованием расширения ComfyUI-GGUF. Доступны варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 ГБ. Разработчики рекомендуют Q4_K_M размером около 4,60 ГБ как оптимальный баланс размера и качества. Для работы требуются отдельные файлы текстового энкодера Qwen3-VL 8B в форматах BF16 или Int8 и VAE в BF16; Int8-вариант энкодера позволяет снизить потребление памяти. Архитектура, точное число параметров, поддерживаемые языки и размер контекста в README не указаны. Сильными сторонами являются локальный запуск, несколько уровней квантизации и отсутствие встроенного safety checker или фильтра контента, поэтому модель напрямую генерирует взрослые, NSFW и чувствительные изображения. Это одновременно является ограничением и требует осторожного применения. Вариант Q8_0 в текущей реализации ComfyUI вызывает ошибку несовпадения размеров тензоров и не рекомендуется до появления исправленной версии; проверены варианты Q4_K_M, Q5_K_M и Q6_K. Лицензия указана как other с названием qwen-research.

Qwen-Image-Edit-semi-realistic-detailer — LoRA-адаптер от rzgar для модели Qwen/Qwen-Image-Edit-2509. Он предназначен для редактирования изображений с переводом аниме- и мультяшных исходников в полу реалистичный стиль: сохраняет выразительные черты, добавляет более естественные текстуры, фотореалистичные детали и ощущение трёхмерной глубины. Для реалистичных изображений адаптер усиливает детализацию кожи, добавляя поры, текстуру и лёгкие естественные несовершенства. Для активации рекомендуется использовать фразу «transform the image to semi-realistic image». Это модель для работы с изображениями; сведения о поддерживаемых языках и размере контекста не указаны. Адаптер поддерживает различные аниме-стили, однако результат зависит от исходного изображения. Для плоских и малодетализированных изображений рекомендуется сила воздействия 0,2–0,5, для более проработанных или сглаженных 3D-стилей — 0,5–1,0, а для реалистичных изображений при улучшении детализации кожи — 0,6–0,8. Рекомендуемые параметры генерации: sampler dpmpp_2m_sde с scheduler karras; также заявлена совместимость с Lightning LoRA на 8–10 шагах. Ограничения включают зависимость качества от стиля и детализации исходника, а также риск чрезмерной обработки при высокой силе воздействия. Модель обучалась на наборах данных, содержащих NSFW-контент, поэтому может генерировать откровенные или suggestive-результаты, особенно для изображений с открытой или облегающей одеждой; её следует применять ответственно. Лицензия — MIT.

Raelestia XL — модель генерации изображений на основе SDXL. Она создаёт изображения по текстовым запросам с выразительным драматическим освещением, полуреалистичной тональностью и волшебной атмосферой. В карточке также приведены рекомендации по сэмплеру и настройкам увеличения разрешения. Модель распространяется в форматах Diffusers и Safetensors по лицензии OpenRAIL++. В метаданных указан английский язык. README не сообщает размер модели, длину контекста или конкретное базовое семейство SDXL, поэтому эти характеристики не приводятся.

Карточка модели acheong08/SD-V1-5-cloned на Hugging Face совпадает с карточкой jcplus/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; она создаёт и редактирует изображения по запросам. Чекпойнт основан на весах Stable Diffusion v1.2 и дополнительно обучен на 595 тысячах шагов с разрешением 512×512 на данных LAION Aesthetics v2 5+. Модель подходит для создания иллюстраций и концептов, художественных и дизайнерских процессов, а также для экспериментов с генеративными моделями и творческих инструментов. Она принимает текстовые запросы и выдаёт изображения. Основной язык обучения и наиболее эффективных запросов — английский. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Результаты по неанглоязычным запросам слабее; обучающие данные могут приводить к смещениям и запоминанию изображений. В карточке также отмечено, что обучающий набор содержит материалы для взрослых, поэтому для практического развёртывания рекомендуется использовать механизм проверки безопасности.

Карточка модели Faketrevor/sophie_rain на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-dev, поэтому описание составлено по ней. FLUX.1 [dev] — модель генерации изображений по тексту от Black Forest Labs. Это 12-миллиардный rectified flow transformer, обученный с помощью дистилляции guidance; веса доступны в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым описаниям и локального использования в творческих и исследовательских рабочих процессах. Модель обеспечивает высокое качество изображений и хорошо следует запросам, хотя результат зависит от формулировки промпта и может ему не соответствовать. Она не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется условиями лицензии.

bdsqlsz/stable-diffusion-xl-anime-V5 — модель генерации изображений в библиотеке Diffusers, основанная на Animagine XL 3.1 и дообученная для создания аниме-иллюстраций. Она предназначена для генерации изображений по текстовым описаниям и ориентирована на более характерную аниме-раскраску, улучшенную анатомию, в том числе изображение рук, меньшее количество 3D-эффектов и бликов. Модель подходит для создания персонажей, сцен и стилизованных иллюстраций по промпту. Весовые файлы опубликованы в формате safetensors. В README рекомендуется ориентироваться на инструкции Animagine XL 3.1. Лицензия в метаданных обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Tea — восстановленная модель генерации изображений, связанная с andite. Это версия без EMA, в которую встроен VAE MoistMixV2 для повышения детализации и насыщенности цветов. Примеры показывают генерацию иллюстраций в стиле аниме, детской книжной графики и видеоигр, а также изображений с фотографической эстетикой. Модель принимает текстовые запросы и создаёт изображения. Репозиторий опубликован в формате Diffusers с весами safetensors и предназначен для использования с библиотекой Diffusers. Лицензия CreativeML OpenRAIL-M задаёт условия использования модели.

The Ally's Mix II Churned — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная Yntec. В карточке указано, что в модель встроен Color101VAE; репозиторий содержит веса в форматах Diffusers и safetensors. Модель предназначена для создания изображений по промптам, включая портреты, стилизованные фотографии, мультяшные сцены и иллюстрации. Примеры в карточке показывают разнообразные визуальные стили и сюжеты. Лицензия обозначена как other, поэтому условия использования следует уточнить в лицензии репозитория. Карточка помечает модель тегом Sexy; изображение людей в примерах не всегда однозначно указывает на возраст, поэтому следует учитывать риск нежелательных результатов.

Toonify2 — модель генерации изображений из текста в формате Diffusers на базе Stable Diffusion. Карточка демонстрирует генерацию иллюстрации по запросу с персонажем в комиксно-аниме стилистике; в метаданных также отмечены теги anime, comic и art. Модель предназначена для создания художественных изображений по текстовым описаниям. Указана лицензия CreativeML Open RAIL-M.

UNCENSORED QWEN — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией theuniquebob. Модель предназначена для использования в экосистеме Diffusers и подключается к базовой модели Qwen/Qwen-Image-2512. В карточке указаны модальность text-to-image и формат diffusion LoRA, однако сведения о размере адаптера, архитектуре, поддерживаемых языках, длине контекста, особенностях обучения и конкретных сценариях применения отсутствуют. Название указывает на заявленную направленность модели, но README не содержит подтверждённых подробностей о её сильных сторонах, ограничениях или отличиях от базовой модели. Лицензия и условия использования в предоставленных данных не указаны. Для работы требуется базовая модель Qwen/Qwen-Image-2512 и совместимый инструментарий Diffusers.

UniPic2-Metaquery-GRPO-Flash — квантизированный вариант мультимодальной модели UniPic2-MetaQuery-GRPO от Skywork. Модель предназначена для сквозного понимания изображений, генерации изображений по текстовому запросу и редактирования изображений. Модель использует авторегрессионный унифицированный подход и распространяется в формате safetensors. В README заявлена работа на видеокартах NVIDIA RTX 40-й серии с объёмом видеопамяти менее 16 ГБ без потери качества; подробности метода квантизации и параметры модели не приведены. Лицензия — MIT.

VARGPT_LLaVA-v1 — мультимодальная модель семейства VARGPT, разработанная авторами проекта VARGPT. Она объединяет понимание визуальных данных и генерацию изображений в одной системе: для понимания модель предсказывает следующий текстовый токен, а для генерации — следующий визуальный масштаб. В README указана конфигурация 7B+2B; архитектура представлена классом VARGPTLlavaForConditionalGeneration и рассчитана на работу через Transformers. Модель предназначена для мультимодального диалога и генерации изображений по текстовому запросу. Карточка демонстрирует сценарии визуального понимания и text-to-image generation. Указана поддержка английского языка; модель распространяется в формате safetensors по лицензии Apache-2.0. Длина контекста в доступных сведениях не приведена.

XenoGASM — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Это версия v1 с уже встроенным VAE kl-f8-anime2, который, по карточке, предназначен для улучшения детализации. Примеры показывают генерацию иллюстраций и стилизованных изображений по разнообразным текстовым запросам: от натюрмортов и мультяшных сцен до фантастических окружений и винтажной фотографии. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, контекст или поддерживаемые языки; назначение и примеры указывают на ввод текстовых запросов и вывод изображений. Примеры включают стилизованный и потенциально взрослый контент, но README не заявляет, что модель специально предназначена для NSFW-генерации.

tsqn/Z-Image-Turbo_fp32-fp16-bf16_comfyui — репозиторий с вариантами весов Z-Image-Turbo, подготовленными для использования в ComfyUI. Модель предназначена для генерации изображений по текстовым описаниям; её базовая модель — Tongyi-MAI/Z-Image-Turbo. Файлы представлены в формате safetensors, лицензия — Apache-2.0. Карточка перечисляет рабочие процессы ComfyUI, а метаданные подтверждают задачу text-to-image и поддержку английского языка. Подробности о размере, контексте и конкретных вариантах точности в доступных данных не приведены. Как и у других моделей генерации изображений, результат зависит от текстового запроса и может не соответствовать ему точно.

Disty0/Z-Image-Turbo-SDNQ-int8 — это 8-битная квантованная версия модели генерации изображений Tongyi-MAI/Z-Image-Turbo, подготовленная разработчиком Disty0 с использованием SDNQ. Модель предназначена для создания изображений по текстовым описаниям через библиотеку Diffusers и ZImagePipeline. Модель использует INT8-квантование без групп квантования, что рассчитано на более быстрое выполнение INT8 MatMul. Размер модели составляет около 6,2 ГБ против 12,3 ГБ у исходной версии в формате BF16. В README приведён пример генерации изображения размером 1024×1024 за 9 шагов диффузии; поддержка языков и точные архитектурные характеристики базовой модели отдельно не указаны. К сильным сторонам относятся уменьшенный объём хранения и потенциально более высокая скорость вычислений на совместимых GPU AMD, Intel ARC и Nvidia при включении квантованных матричных умножений. INT8 MatMul отключён по умолчанию и требует установки SDNQ; для ускорения также может применяться torch.compile. Модель распространяется по лицензии Apache-2.0.

Это официальный чекпойнт ACE-Step v1.5 XL Turbo в формате Diffusers, подготовленный разработчиками ACE-Step. Модель предназначена для генерации музыки по текстовому описанию и загружается как единый конвейер через AceStepPipeline из Diffusers. В основе — 5-миллиардная flow-matching DiT с 32 слоями, 32 головами и размером скрытого состояния 2560; размер представлений энкодера условий — 2048. Чекпойнт ACE-Step v1.5 XL Turbo прошёл дистилляцию с guidance и генерирует музыку за 8 шагов. Репозиторий содержит веса в формате Diffusers и SafeTensors; лицензия — MIT.

Yntec/animeFIVEHUNDREDTWENTY-SIX — объединённая модель Stable Diffusion для создания аниме- и мультяшных изображений по текстовым запросам. Автор объединил 526Mix-AnimeMactest2 с animeSEXTILLION, в которую входят animeTWO и animeTEN, чтобы улучшить глаза первой модели и композицию второй. Модель распространяется в формате Diffusers и Safetensors и использует библиотеку Diffusers. Модель предназначена для генерации иллюстраций с персонажами, в том числе в аниме, мультяшной и 2.5D стилистике. Примеры в карточке показывают запросы на создание персонажей, детализированных глаз и волос, а также сцен и иллюстраций с заданной композицией. Лицензия — CreativeML OpenRAIL-M, которая устанавливает условия использования и ограничения.

Anything Midjourney — модель генерации изображений по текстовому описанию, представленная через Stable Diffusion API. Карточка демонстрирует вызов модели с идентификатором anything-midjourney и настройками генерации изображений размером 512×512 пикселей, числом шагов 30 и guidance scale 7,5. Модель предназначена для создания изображений по промптам, включая портреты, аниме-образы, цифровую живопись и концепт-арт. В API предусмотрены negative prompt, seed, усиление промпта, а также параметры panorama и upscale. Карточка не раскрывает архитектуру и количество параметров самой модели; формат репозитория — Diffusers/PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M. Результаты зависят от промпта и настроек генерации; README не содержит систематической оценки качества или подробностей об обучении.

Anything_to_Real_Characters — модель редактирования изображений, опубликованная автором AIGC-Singularity и основанная на Qwen/Qwen-Image-Edit-2509. Это специализированная версия с объединёнными LoRA, обученными автором на базовой модели. Она преобразует иллюстрации и другие нереалистичные изображения в фотореалистичный вид, стараясь сохранить исходную композицию и содержание. По карточке, преобразование выполняется без текстового запроса. Модель предназначена для обработки изображений в Diffusers и совместимых рабочих процессах редактирования, включая иллюстрации, картины, аниме, мангу и наброски. Автор отмечает альфа-статус и активную разработку; качество сохранения деталей может зависеть от входного изображения и конкретного сценария. Лицензия — Artistic-2.0.

Apollo-LMMs-Apollo-1_5B-t32 — видеоязыковая мультимодальная модель семейства Apollo, опубликованная GoodiesHere. Это плотная модель с 1,5 млрд параметров, контекстом 32 768 токенов и весами в формате safetensors; она рассчитана на диалоговое понимание видео и формирование текстовых ответов по его содержанию. Модель предназначена для вопросов и ответов по видео, понимания длинных роликов, временных рассуждений и многоходовых диалогов с опорой на видеоматериал. В описании семейства Apollo заявлена работа с видео длительностью до часа, эффективная выборка кадров и сочетание визуальных и видеопредставлений; в этой карточке конкретные характеристики часового контекста для версии 1,5B отдельно не приведены. Модель принимает видео и текстовые инструкции и выдаёт текст. Языки обучения или поддержки в предоставленных данных не перечислены. Лицензия Apache-2.0 разрешает использование на её условиях. В README утверждения о превосходстве Apollo относятся к семейству моделей и не подтверждают отдельные сравнительные результаты именно для версии 1,5B.

A-Zovya RPG Artist Tools V4 — модель генерации изображений по текстовому описанию, опубликованная Yntec на Hugging Face. Она предназначена для создания цифровых иллюстраций и фотореалистичных изображений; примеры в карточке показывают портреты персонажей, фэнтезийные сцены и праздничные композиции. Модель использует Stable Diffusion и распространяется в формате Diffusers с весами safetensors. Для работы задают текстовый промпт с описанием персонажей, внешности, одежды, окружения и художественного стиля. В карточке приведены примеры промптов, но сведения о размере модели, длине контекста и поддерживаемых языках отсутствуют. Лицензия — CreativeML OpenRAIL-M; её условия определяют допустимое использование и распространение модели.

BeautifulArt_v1 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. По карточке, она предназначена для создания изображений с эффектом 2.5D и выразительной передачей оттенков кожи. Репозиторий содержит веса в формате safetensors для использования с Diffusers. Карточка рекомендует модель, но не приводит сведений об архитектурных деталях, размере, контексте или поддерживаемых языках. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория.

Dark Sushi 2.5D — модель генерации изображений по текстовому описанию, представленная через Stable Diffusion API. Пример в карточке показывает создание портретной иллюстрации с сочетанием аниме-черточек и цифровой живописи; запросы задаются текстовым промптом, а параметры API позволяют выбрать размер изображения, число шагов генерации и другие настройки. Модель подходит для создания стилизованных портретов и концепт-арта по текстовому запросу. Карточка описывает использование через API, включая настройку позитивного и негативного промптов; также перечислены параметры для LoRA и эмбеддингов. Репозиторий содержит формат Diffusers/PyTorch. Лицензия — CreativeML Open RAIL-M.

DFloat11/FLUX.1-dev-DF11 — это сжатая без потерь версия модели FLUX.1-dev, разработанной Black Forest Labs, в формате DFloat11. Модель предназначена для генерации изображений по текстовому описанию с использованием библиотеки Diffusers и pipeline text-to-image. Она ориентирована на запуск FLUX.1-dev в условиях ограниченной GPU-памяти. DFloat11 сжимает веса BFloat16 с помощью кодирования Хаффмана экспонент и аппаратно-ориентированной декомпрессии непосредственно на GPU. Сжатые веса хранятся в памяти GPU и временно распаковываются перед матричными умножениями. По данным README, это снижает потребление GPU-памяти примерно на 30%, не изменяя результаты: выходы побитово идентичны исходной модели BFloat16. Для работы требуются совместимые с CUDA GPU и PyTorch; заявлена поддержка CUDA 11 и CUDA 12. В приведённом примере используются изображения размером 1024×1024, контекст текстовой последовательности до 512 токенов и 50 шагов инференса. Сильные стороны модели — без потерь в качестве и результатах, отсутствие необходимости в декомпрессии на CPU и передачи данных между CPU и GPU, а также более низкие требования к видеопамяти по сравнению с исходной моделью. Ограничения включают зависимость от CUDA-совместимого GPU, PyTorch и специального пакета DFloat11 с CUDA-ядром. Лицензия в README не указана.

HiDream-I1-Fast-gguf — это конвертированная в формат GGUF версия модели HiDream-ai/HiDream-I1-Fast. Конвертацию выполнил city96. Модель предназначена для генерации изображений по текстовому описанию и относится к pipeline text-to-image. В качестве основного сценария использования указана работа через ComfyUI с пользовательским узлом ComfyUI-GGUF. В README не указаны архитектура, количество параметров, размер контекста, поддерживаемые модальности и точный набор языков. В метаданных заявлен английский язык, однако это не является подробным описанием языковых возможностей модели. Формат GGUF и доступность различных вариантов квантования могут упростить запуск и снизить требования к ресурсам, но потенциально влияют на качество генерации в зависимости от выбранного варианта. Для работы требуются файлы модели, ComfyUI и соответствующий пользовательский узел; дополнительные компоненты, включая VAE, необходимо загрузить отдельно из репозитория Comfy-Org/HiDream-I1_ComfyUI. Модель распространяется по лицензии MIT. README не содержит подробных сведений о сильных сторонах, ограничениях качества и аппаратных требованиях.

Это сторонний пакет весов IndexTTS 2.5, собранный T8star-Aix для инференса в настольном приложении T8star-Aix и узле ComfyUI. Пакет включает основную модель, модель адаптации скорости речи, текстовую модель эмоций Qwen, многоязычные файлы токенизации и необходимые компоненты Wav2Vec2-BERT, CAMPPlus и BigVGAN. Файлы основаны на закреплённых версиях репозиториев IndexTeam и других авторов и, согласно README, сохранены без изменения содержимого. Модель предназначена для синтеза речи по тексту с поддержкой клонирования голоса и управления эмоциями; пакет объединяет нужные для инференса файлы и рассчитан также на работу офлайн после загрузки. Метаданные указывают поддержку китайского, английского, японского, испанского и арабского языков. Пакет распространяется под лицензией bilibili Model Use License Agreement и включает компоненты с отдельными лицензиями; перед использованием следует проверить LICENSE и THIRD_PARTY_NOTICES.md. Это не официальный канал распространения IndexTTS, и правообладатели не подтверждают и не гарантируют стороннюю упаковку.

LemonTea2.5D — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. Карточка указывает, что она соответствует модели digiplay/LemonteaMixPainterly2_v1, но в этой версии по умолчанию настроен планировщик EulerDiscreteScheduler. Модель предназначена для создания изображений по текстовым запросам с использованием Stable Diffusion и библиотеки Diffusers. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и файлами репозитория перед применением.

misri/leosamsHelloworldXL_helloworldXL70 — модель генерации изображений по текстовому описанию от пользователя Hugging Face misri. Репозиторий содержит веса в формате Diffusers и Safetensors и использует конвейер StableDiffusionXLPipeline; карточка предлагает загрузку через Diffusers. Внешний источник также относит её к моделям SDXL. Модель предназначена для создания изображений по текстовым запросам. Карточка Hugging Face не описывает отдельные сценарии, языковую специализацию, размер контекста или особенности качества. Лицензия указана как unknown, поэтому условия использования по карточке определить нельзя.