I.10Видео, анимация и 3D

Карточка модели Tuananh20015/acestep-v15-xl-turbo-diffusers на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo-diffusers, поэтому описание составлено по ней. 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.

Anima 1.0 Base — базовая модель для генерации изображений по тексту, представленная CalamitousFelicitousness как конверсия формата Diffusers для SD.Next. Исходную модель разработали CircleStone Labs и Comfy Org. Это предварительно обученная версия без дополнительной стилистической доработки, рассчитанная на гибкую генерацию аниме-персонажей, концептов и других нереалистичных иллюстраций; реалистичные изображения не являются её целью. Модель насчитывает 2 млрд параметров и использует 28-слойный CosmosTransformer3DModel, текстовый энкодер Qwen3-0.6B с пользовательским адаптером cross-attention и VAE AutoencoderKLWan. Рекомендуемые параметры генерации — 30–50 шагов, CFG 4–5 и разрешение от 512×512 до 1536×1536. Модель обучалась на тегах в стиле Danbooru и текстовых описаниях; в README приведены рекомендации по составлению запросов и применению LoRA. Репозиторий содержит формат Diffusers и веса safetensors. Указана лицензия other, поэтому конкретные условия использования следует сверять с лицензией исходной модели. Базовая версия ориентирована на гибкость и следование стилю, но её нейтральный стиль может требовать тегов качества, стиля или автора для желаемого результата.

Yntec/AnythingV3 — версия модели Anything V3 для генерации изображений по текстовому запросу. Репозиторий содержит веса в формате Diffusers и safetensors; вариант рассчитан на разрешение 768×768 и включает встроенный VAE MoistMix V2. В примере карточки показана генерация стилизованного изображения в духе чиби и живописи. Модель предназначена для создания изображений по текстовым промптам, в том числе в аниме-стилистике. Метаданные указывают английский язык. Модель относится к семейству Stable Diffusion и распространяется по лицензии CreativeML OpenRAIL-M.

Anything V3 — модель генерации изображений в стиле аниме на основе латентной диффузии Stable Diffusion. Она предназначена для создания детализированных иллюстраций по коротким текстовым запросам и поддерживает теги Danbooru, что помогает задавать персонажей, внешний вид и элементы сцены. Модель распространяется в формате Diffusers с весами PyTorch Safetensors; для использования подходит StableDiffusionPipeline из библиотеки Diffusers. Модель ориентирована на иллюстрации в аниме-стилистике и рассчитана на запросы на английском языке. В README приведён пример генерации изображения по запросу «pikachu», а также упомянут запуск через Gradio. Репозиторий предоставляет лицензию CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении результатов.

chilled_remix — модель генерации изображений по текстовому описанию, созданная sazyou_roukaku на основе слияния нескольких моделей Stable Diffusion. Версия 2 распространяется в формате fp16 с встроенным VAE; в метаданных указан формат safetensors. Автор ориентировал модель на пользователей chilled_re-generic и работу с LoRA: применение LoRA помогает получать более фотореалистичные лица. Модель также хорошо реагирует на промпты, составленные естественным языком, а для подробного задания черт лица автор рекомендует добавлять отдельные ключевые слова. Модель предназначена для создания изображений по текстовым промптам. Автор рекомендует CLIP skip 2 и отмечает, что промпт high resolution может улучшать детализацию фона и текстур. README перечисляет исходные модели слияния: real-max-v3.4, fantasticmix_v10, dreamshaper_5Bakedvae, epicrealism_newAge и diamondCoalMix_diamondCoalv2. Указан язык ja в метаданных, однако README не уточняет, ограничена ли им работа промптов. Лицензия — CreativeML Open RAIL-M с указанием дополнительного авторского права sazyou_roukaku. В README сказано, что лицензия запрещает использование для преступных целей и медицинских изображений; применимы также остальные ограничения лицензии. Автор не рекомендует коммерческое использование модели или сервисов генерации изображений как собственную рекомендацию и отказывается от ответственности за результаты. Качество зависит от промптов и выбранных LoRA; автор отмечает, что некоторые выходы модели могут не соответствовать предпочтениям пользователей.

Midu/chinese-style-stable-diffusion-2-v0.1 — модель генерации изображений в китайском стиле, созданная дообучением Stable Diffusion 2.1. По карточке, её автор обучил UNet на 5 млн отфильтрованных примеров с китайскими описаниями в течение 150 тыс. шагов, применяя EMA для сохранения части исходных возможностей Stable Diffusion. Замороженный текстовый энкодер основан на lyua1225/clip-huge-zh-75k-steps-bs4096; используется специализированный токенизатор. Модель предназначена для создания изображений по текстовым запросам, прежде всего на китайском языке, с сочетанием китайской стилистики и возможностей исходной модели. В обучающих данных использовались открытые наборы LAION-5B, Noah-Wukong и Zero, а также данные из интернета. Репозиторий содержит модель в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; условия её применения следует учитывать при использовании и распространении результатов.

COCOtiFaMix_v2 — модель генерации изображений по текстовому описанию, размещённая пользователем digiplay на Hugging Face и основанная на Stable Diffusion. В карточке показан пример генерации персонажа в жёлтом дождевике с зонтом среди цветов; модель доступна в формате Diffusers с весами Safetensors. Модель предназначена для создания иллюстраций по текстовым запросам, в том числе изображений персонажей и сцен в стилизованной манере. Карточка не сообщает размер модели, длину контекста или конкретные языки запросов. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория.

CSBW_Style — модель-адаптер LoRA для генерации изображений по текстовому описанию. Она предназначена для использования с базовой моделью stabilityai/stable-diffusion-xl-base-1.0 и, судя по названию и метаданным, ориентирована на воспроизведение определённого визуального стиля. Модель опубликована в репозитории ClownsharkBatwing и распространяется в формате Safetensors. Адаптер предназначен для сценариев text-to-image и может применяться через совместимые инструменты и библиотеки, включая Diffusers и интерфейсы для Stable Diffusion. Точные сведения о размере адаптера, особенностях обучения, поддерживаемых языках, максимальном контексте и количественных показателях качества не указаны. Лицензия — GNU Affero General Public License версии 3.0 (AGPL-3.0).

Yntec/DeliberateRemix — модель генерации изображений по текстовому описанию, созданная автором Yntec как ремикс на базе Yntec/Deliberate. В карточке указаны варианты DeliberateRemix и Deliberate Hot; основной вариант получен смешиванием моделей, а Deliberate Hot — случайно выбранным методом Weighted Sum. Модель предназначена для создания иллюстраций и изображений по текстовым промптам. Примеры и теги указывают на аниме, художественные изображения и фотореалистичные сюжеты; автор описывает результат основного ремикса как более тёплый по характеру. Используется через Diffusers и StableDiffusionPipeline. Модель распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий. Размер, контекстное окно и перечень поддерживаемых языков в предоставленных данных не указаны.

DreamLikeRemix — смешанная модель для генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она создана на основе Dreamlike Diffusion, Elldreths Retro Mix и v1-5-pruned-fp16-no-ema с применением операций смешивания Add Difference и Weighted Sum. Модель ориентирована на художественные иллюстрации в ретро- и аниме-стилистике; в карточке приведён пример промпта для изображения милой мультяшной девушки с детализированными глазами и волосами. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors и использует Stable Diffusion Pipeline. Для работы задают текстовый промпт, а на выходе получают изображение. В метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить на странице модели и у исходных моделей.

Emi 2 (Ethereal master of illustration 2) — модель генерации изображений по текстовому описанию, разработанная AI Picasso. Она ориентирована на иллюстрации в японском стиле, включая аниме и мангу, и построена на Latent Diffusion Model с OpenCLIP-ViT/G и CLIP-L; в метаданных указаны Stable Diffusion XL Pipeline и библиотека Diffusers. Модель принимает текстовые промпты и создаёт изображения. Карточка предлагает использовать её со Stable Diffusion XL 1.0 и поддерживает работу через ComfyUI, Fooocus и Diffusers. Модель подходит для создания иллюстраций, эскизов и изображений для творческих проектов, а также для интеграции в генеративные сервисы. Разработчик сообщает, что обучал её на отобранных вручную и автоматически изображениях, удалив несанкционированные копии из Danbooru; это утверждение принадлежит карточке модели. Для модели указана лицензия CreativeML Open RAIL++-M, а в метаданных — openrail++. Карточка отмечает, что модель лучше справляется с японской иллюстративной эстетикой, чем с фотореализмом, и может нестабильно генерировать руки. Для улучшения результата рекомендуются отрицательные промпты и дополнительные инструменты коррекции. Выходные изображения следует использовать с учётом лицензии и применимого законодательства.

Карточка модели Manidhar8008/FLUX.2-small-decoder на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-small-decoder, поэтому описание составлено по ней. FLUX.2 Small Decoder — декодер VAE от Black Forest Labs, дистиллированная компактная замена стандартному декодеру FLUX.2. Он предназначен для декодирования латентных представлений в изображения в совместимых моделях FLUX.2: Klein 4B, Klein 9B, Klein 9B-KV и Dev; кодировщик при этом остаётся без изменений. Декодер содержит около 28 млн параметров против примерно 50 млн у полной версии и использует более узкие каналы. По данным карточки, он декодирует примерно в 1,4 раза быстрее и требует примерно в 1,4 раза меньше видеопамяти, сохраняя почти такое же качество изображений. Указана лицензия Apache 2.0. Модель предназначена для использования как компонент совместимого пайплайна генерации или редактирования изображений, а не для самостоятельного диалога или выдачи фактических ответов. Карточка отмечает возможные искажения текста на изображениях, несоответствие результата запросу и влияние стиля промпта.

HELLmix — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она основана на Stable Diffusion 1.5 и распространяется в формате Diffusers с весами Safetensors; в неё встроен VAE MoistMixV2VAE. Карточка демонстрирует генерацию аниме-изображения по англоязычному промпту. Модель предназначена для создания 2D-изображений в аниме-стиле по текстовым запросам. Указана лицензия CreativeML OpenRAIL-M. В карточке нет сведений о контекстном ограничении, оценках качества или дополнительных ограничениях использования.

Kiel-2.1-Omni — мультимодальная модель Kiel2, дообученная на базе DeepSeek Janus-Pro-1B по пользовательскому учебному курсу. Она поддерживает диалоговое понимание изображений и генерацию изображений по текстовому запросу в авторегрессионной архитектуре MultiModalityCausalLM. В репозитории опубликованы веса safetensors; карточка описывает загрузку в 16-битном режиме и использование 4-битной загрузки для экономии памяти. Модель предназначена для ответов на вопросы об изображениях, описания визуальных сцен и создания изображений по текстовым промптам. Карточка не сообщает результаты оценивания или подробно описанные ограничения качества, поэтому их нельзя определить по доступным сведениям. Лицензия не указана в предоставленных данных.

kasukanra/linebrush-style — дообученная модель Stable Diffusion v1.5 для генерации изображений с эффектом чернильной кисти и выразительной линейной графики. Для вызова стиля в запросе автор рекомендует использовать токен DBlinebrush style; модель обучена на изображениях в стиле фантастических концепт-иллюстраторов и дизайнеров. Модель предназначена для генерации иллюстраций по текстовому описанию, в том числе фэнтезийных персонажей и портретов. В README приведён пример генерации монохромного аниме-портрета; указаны настройки примера: 50 шагов, Euler, CFG 7 и размер 512×512. Репозиторий содержит формат Diffusers и PyTorch, а карточка указывает лицензию CreativeML OpenRAIL-M.

Lunar Luma — модель генерации изображений по текстовому описанию, созданная путём смешивания моделей Luma и Lunar Diffusion. Автор — Yntec. Модель предназначена для создания изображений по текстовым запросам; карточка не описывает её стиль или конкретные сценарии применения. Модель распространяется в формате Diffusers с весами PyTorch Safetensors и предназначена для использования через StableDiffusionPipeline. Лицензия — CreativeML OpenRAIL-M. Размер, длина контекста и поддерживаемые языки в предоставленных данных не указаны.

Yntec/makeitdoubleplz — модель на базе Stable Diffusion для генерации изображений по текстовым описаниям. В карточке приведён пример макросъёмки мраморной фигурки в стиле чиби; это указывает на применение для создания стилизованных, фотореалистичных изображений персонажей и предметов. Модель распространяется в формате Diffusers с весами Safetensors и использует лицензию CreativeML OpenRAIL-M. Карточка не содержит сведений о размере модели, длине контекста, поддерживаемых языках или специальных ограничениях генерации. Пример промпта упоминает персонажа Rinoa Heartilly; результат зависит от формулировки запроса.

MeinaMix-v9 — неофициальные веса для Diffusers на основе Stable Diffusion 1.5, предназначенные для генерации изображений по текстовому описанию. Карточка не сообщает имя разработчика, размер модели, контекст или языки. Репозиторий содержит веса в формате safetensors для StableDiffusionPipeline. Модель подходит для создания изображений по текстовым запросам. Лицензия в предоставленных данных не указана.

MeinaPastel_V6 — модель генерации изображений от Meina, предназначенная для создания цветных иллюстраций с ощущением 2D. Она формирует изображения с выразительным светом, тенями и деталями; автор рекомендует размеры от 512×768 до 1536×512 пикселей и сэмплер DPM++ 2M Karras на 20 шагах. VAE встроен, для работы рекомендуется Clip skip 2. Модель создана слиянием блоков UNet из MeinaMix, Colormixed, ultracolorv4 и нескольких других моделей; тип архитектуры в метаданных обозначен как StableDiffusionPipeline. Репозиторий содержит файлы в формате Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Naturitize Image Pack — пользовательский чекпойнт на базе Stable Diffusion 1.5, созданный Jak для генерации изображений с природными и земными текстурами по текстовому описанию. Для вызова характерного стиля автор рекомендует начинать промпт с «naturitize», затем добавляя нужный объект или сцену; по заявлению карточки, сложное составление промпта не требуется. Модель обучена на 112 изображениях размером 768 пикселей в течение 8000 шагов, включая 500 шагов обучения текстового энкодера. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

NebulRedmond — модель генерации изображений по текстовому описанию от artificialguybr, представленная как чекпойнт для Diffusers. Она предназначена для стилизованной генерации изображений и рассчитана на стабильные результаты с распространёнными творческими запросами. Для моделей семейства SDXL в карточке рекомендовано начинать с разрешения 1024×1024, умеренных значений CFG и числа шагов, постепенно уточнять стиль и пробовать несколько seed для выбора результата. Модель принимает текстовые промпты и выдаёт изображения; файлы доступны в форматах Diffusers и safetensors. В метаданных указана лицензия OpenRAIL. Карточка не приводит точную архитектуру или размер модели, контекст здесь неприменим. Результат зависит от формулировки промпта и выбранных параметров генерации.

Nostalgic — модель Yntec для генерации изображений по текстовым описаниям. Она создана слиянием моделей EstheticRetroAnime и KIDSILLUSTRATIONS и предназначена для иллюстраций в ретро-аниме стилистике, включая изображения, похожие на иллюстрации детских книг. Модель работает через StableDiffusionPipeline в библиотеке diffusers; файлы доступны в форматах Diffusers и safetensors. Модель подходит для создания персонажей, чиби-иллюстраций и сцен с винтажным или мультяшным оформлением. Карточка показывает примеры промптов, но не приводит параметров размера модели или длины контекста. Лицензия — CreativeML OpenRAIL-M; при использовании необходимо соблюдать её условия и ограничения.

ManishThota/Ollama_Video_llama_7B — модель семейства Video-LLaVA для генерации текста по визуальному вводу. Карточка связывает её с Video-LLaVA, а архитектура указана как LlavaLlamaForCausalLM; размер модели — 6,6 млрд параметров, контекст — 4096 токенов. Модель предназначена для сценариев, где нужно задавать вопросы о визуальных данных и получать текстовые ответы. В репозитории представлены варианты GGUF в форматах F16 и F32, а также веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Orpheus Bangla Emotional TTS — модель синтеза речи на бенгальском языке, созданная разработчиком ehzawad на основе архитектуры Orpheus и декодера SNAC. Она преобразует текст на бенгальском языке в естественно звучащую речь с частотой дискретизации 24 кГц и позволяет задавать эмоциональную манеру произнесения: например, радостную, грустную, сердитую, удивлённую или шёпот. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 3,3 млрд параметров; для неё указан контекст размером до 131 072 токенов. Репозиторий создан 13 апреля 2025 года, веса размещены в формате safetensors. Лицензия — Apache-2.0.

Модель alibaba-pai/pai-bloom-1b1-text2prompt-sd разработана командой Alibaba PAI и предназначена для автоматического улучшения коротких текстовых запросов для генерации изображений. Она принимает простой промпт и формирует более подробный англоязычный запрос с описанием композиции, стиля, освещения и визуальных деталей, который можно использовать в генераторах изображений, например Stable Diffusion. Модель построена на архитектуре BLOOM, содержит 1,3 млрд параметров и работает с текстом на входе и выходе. Модель опубликована в форматах PyTorch и Safetensors. В карточке указана лицензия Apache-2.0, однако README также требует соблюдать отдельные специальные условия для открытых AIGC-моделей; перед использованием следует ознакомиться с ними. Примеры показывают ориентацию на создание выразительных художественных промптов, но не содержат количественной оценки качества или сведений о поддерживаемых языках.

Pastel Mix — модель генерации изображений из текста на основе Stable Diffusion, созданная автором репозитория mirroring. Она предназначена для создания детализированных изображений в аниме-стилистике с пастельной палитрой и характерной живописной фактурой по коротким текстовым запросам. Модель понимает Danbooru-теги и может сочетаться с LoRA; README приводит рецепт смешивания базовых моделей и LoRA, поэтому это объединённая модель, а не исходная архитектура. Модель рассчитана на генерацию изображений в стиле аниме и позволяет влиять на результат тегами и указанием стиля. Репозиторий поддерживает запуск через Diffusers; отдельная версия включает VAE Waifu Diffusion. Карточка указывает английский язык и форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. README отмечает, что выбор апскейлера влияет на сохранение пастельной фактуры: автор предпочитает latent upscaler, тогда как Lanczos и Anime6B могут сглаживать её. Размер модели и длина контекста в предоставленных данных не указаны.

Prefect Pony XL v50 — модель генерации изображений по текстовому описанию, разработанная Goofy_Ai. Она распространяется через библиотеку Diffusers и предназначена для задач text-to-image, в частности для создания аниме-иллюстраций и изображений персонажей, включая тематику girls. Модель относится к семейству Stable Diffusion XL и использует экосистему Pony/Animagine, однако подробные сведения о точной архитектуре, размере, поддерживаемых языках и длине контекста в README не указаны. К сильным сторонам модели относятся специализация на аниме-стилистике и совместимость с инструментами Stable Diffusion и Diffusers. Ограничения, требования к аппаратному обеспечению, рекомендации по параметрам генерации и сведения о качестве в README не описаны, поэтому их нельзя достоверно оценить по имеющимся данным. Модель доступна по лицензии faipl-1.0-sd; условия лицензии приведены по адресу https://freedevproject.org/faipl-1.0-sd/. Исходная модель размещена на Civitai.

pseudo-flex-base — диффузионная модель генерации изображений по тексту, разработанная pseudoterminal на основе Stable Diffusion 2.1. Она дообучена для работы с разными соотношениями сторон, включая квадратные, портретные и широкие изображения; в карточке приведены примеры генерации при разрешении 1024×1024 и других пропорциях. Модель предназначена для создания фотореалистичных изображений и сцен с приключенческой тематикой, сохраняя связь с текстовым запросом. Обучение включало данные LAION HD и изображения Midjourney 5.1; в процессе использовались веса text encoder из ptx0/pseudo-real-beta. Для модели указаны английский язык и лицензия CreativeML OpenRAIL-M. Автор обозначает выпуск как тестовый для оценки пользователями. Среди заявленных ограничений — небольшой обучающий набор, возможный шум и проблемы с контрастом; архитектура SD 2.1 старше SDXL и, по словам автора, не обеспечивает сопоставимого качества.

SenseNova-SI-1.1-Qwen2.5-VL-7B — мультимодальная модель SenseNova, разработанная для развития пространственного мышления на основе Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, чтобы формировать текстовые ответы. Максимальная длина контекста по метаданным — 128 000 токенов. Модель предназначена для пространственного анализа изображений и визуальных вопросов, сохраняя возможности общего мультимодального понимания. Разработчики обучали семейство SenseNova-SI на специально собранном наборе из восьми миллионов примеров с таксономией пространственных способностей и сообщают о результатах на нескольких бенчмарках пространственного мышления. Проект продолжает развиваться; в README не приведены отдельные оценки именно этой версии 7B. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке не перечислены поддерживаемые языки и не описаны ограничения безопасности или точности; результаты бенчмарков не гарантируют качество на прикладных данных.

SenseNova-SI-1.4-InternVL3-8B — мультимодальная чат-модель SenseNova, дообученная на базе OpenGVLab/InternVL3-8B для пространственного понимания изображений. Она предназначена для задач локализации объектов по текстовому описанию, подсчёта объектов и оценки глубины, сохраняя возможности общего визуально-языкового диалога. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; в метаданных указаны архитектура InternVLChatModel, 8B в названии модели и формат safetensors. README сообщает о результатах на RefCOCO, CountBench и тестовом наборе оценки глубины. Модель ориентирована на исследования и прикладные эксперименты в области пространственного интеллекта и визуального понимания. Разработчики отмечают, что проект продолжает развиваться. Базовая модель — InternVL3-8B от OpenGVLab; лицензия — Apache-2.0. В доступных сведениях не приведены языки запросов и длина контекста, поэтому они не указаны.