I.10Видео, анимация и 3D

Stable Audio 3 Medium — модель семейства Stable Audio 3, разработанная Stability AI для генерации и редактирования аудио по текстовым описаниям. Это модель латентной диффузии на основе трансформера, использующая семантико-акустический автоэнкодер и текстовое кондиционирование с помощью предварительно обученной T5Gemma. Модель поддерживает генерацию аудио переменной длительности, продолжение коротких записей и локальное редактирование аудио методом inpainting. Модель предназначена для создания музыки и звуковых эффектов; веса Medium рассчитаны в том числе на запуск на потребительском оборудовании. Разработчик сообщает о генерации за секунды на H200 и MacBook Pro M4. В обучении использованы лицензированные записи AudioSparx и материалы Freesound с лицензиями CC-0, CC-BY и CC-Sampling+. Модель ориентирована на английские текстовые запросы. Для использования действуют Stability AI Community License и условия Gemma Terms of Use для T5Gemma; коммерческое применение требует обращения к Stability AI за коммерческой лицензией.

Карточка модели ford442/stable-audio-open-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-audio-open-1.0, поэтому описание составлено по ней. Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

Карточка модели ModelsLab/stable-audio-open-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-audio-open-1.0, поэтому описание составлено по ней. Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

Style-Transfer — экспериментальная LoRA-модель, разработанная пользователем zooeyy на основе Qwen/Qwen-Image-Edit-2511. Она предназначена для переноса визуального стиля с референсного изображения на исходное с сохранением его структуры и композиции: например, для преобразования фотографий в стиль скетча, мультфильма, поп-арта или иллюстрации. Модель ориентирована на сценарии image-to-image и inpainting и может использоваться в ComfyUI и SD WebUI. Модель работает с двумя изображениями: исходным и референсным. Для активации указан триггер «图1变为图2风格». Это LoRA-файнтюнинг с rank 32 и Alpha 16, обученный более чем на 400 парах изображений в течение 22 000 шагов при разрешении 1024, batch size 1, learning rate 1e-4 и с оптимизатором AdamW. В README не указаны точный размер адаптера, поддерживаемые языки или максимальная длина контекста. Модель может давать хорошие результаты для отдельных стилей, однако имеет экспериментальный статус и не гарантирует стабильность. Возможны размытие черт лица, различия в согласованности цветов и неполный перенос сложных текстур. Рекомендуется использовать референсные изображения с близкими соотношениями сторон и композициями; заявленный диапазон веса LoRA составляет примерно 0,6–1,0 в ComfyUI и 0,7–1,0 в SD WebUI. В метаданных указана лицензия Apache-2.0, тогда как в тексте README заявлена MIT-лицензия, поэтому условия лицензирования требуют дополнительной проверки.

Timeless — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это объединение Timeless Diffusion и FabulousAlpha; в README указано, что FabulousAlpha объединяет fennPhoto и Incredible World 2. Модель создана для генерации изображений в эстетике Timeless и стремится сохранять этот стиль даже без соответствующей фразы в запросе, а также меньше зависеть от негативных промптов. Примеры демонстрируют портреты известных людей и вымышленных персонажей, исторические и фантастические сцены, а также образы в ретро-стилистике. Репозиторий содержит веса в форматах Diffusers и safetensors; метаданные указывают английский язык. Лицензия — CreativeML Open RAIL-M.

UniAR-RL — мультимодальная авторегрессионная модель ShareLab-SII для понимания и генерации изображений. Этот чекпойнт дообучен методом обучения с подкреплением GRPO поверх UniAR-SFT и улучшает качество генерации и следование инструкциям, включая рендеринг текста на изображениях. Модель объединяет обработку визуальных токенов и текста в одном Transformer. В её составе — Qwen3-8B, визуальный токенизатор на основе BSQ-квантированного SigLIP2-So400M ViT и визуальный декодер SD3.5-Medium DiT. Чекпойнт включает компоненты для понимания и генерации изображений; заявленная задача карточки Hugging Face — image-to-text. Лицензия — Apache-2.0.

VideoRFT — мультимодальная модель для рассуждений о видео, представленная авторами одноимённой работы. Она основана на архитектуре Qwen2.5-VL и обучена с применением двух этапов: дообучения на примерах с пошаговыми объяснениями и последующего обучения с подкреплением. Модель предназначена для ответов на вопросы о видеосодержимом с учётом временных и причинно-следственных связей; авторы сообщают о результатах уровня state of the art на шести тестах рассуждений о видео. Модель принимает видео и текстовые инструкции и формирует текстовые ответы. В метаданных указаны 7,1 млрд параметров, контекст до 128 000 токенов и поддержка английского языка. Репозиторий содержит веса Safetensors; для работы указана библиотека Transformers. Модель создана путём слияния VideoRFT-SFT и Qwen2.5-VL-7B-Instruct. Лицензия — Apache-2.0.

Video-XL-2 — мультимодальная модель семейства Qwen2 от BAAI, предназначенная для диалога и генерации текстовых ответов на основе видео. Она принимает видео и текстовые запросы; для обработки длинных видеороликов README описывает потоковое кодирование с разбиением на чанки, снижающее потребление памяти и задержку ответа. Также заявлена стратегия двухуровневого декодирования KV-кэша, но её пример использования пока обозначен как готовящийся. Модель содержит 7,1 млрд параметров, использует архитектуру LlavaQwenForCausalLM, работает через Transformers и имеет контекст длиной 32 768 токенов. В карточке указаны английский язык и лицензия Apache-2.0. Материалы описывают интерфейс чата и вызова инструментов, но не приводят оценок качества или подробных ограничений по поддержке видео.

Vividic Anime — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она построена на Stable Diffusion и распространяется в формате Diffusers с весами Safetensors; в модель встроен VAE MoistMixV2. В карточке приведён пример промпта для создания детализированного изображения персонажа в аниме-стилистике. Модель предназначена для создания аниме-иллюстраций по текстовым промптам. Метаданные указывают лицензию CreativeML OpenRAIL-M. Сведений о размере модели, контекстном окне и поддерживаемых языках в доступных источниках нет.

ZHMix-Dramatic-v3.0 — модель для генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. В метаданных указана задача text-to-image и совместимость с Diffusers StableDiffusionPipeline; файлы представлены в формате safetensors. Карточка содержит примеры изображений, созданных через API Hugging Face, но не описывает архитектуру, размер, контекст, поддерживаемые языки, сильные стороны или ограничения модели. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Это подготовленные пользователем варианты Z-Image-Turbo в форматах FP32, FP16 и BF16, включая полные веса и версии только с EMA-параметрами. Модель основана на Tongyi-MAI/Z-Image-Turbo и предназначена для генерации изображений по текстовым описаниям через библиотеку diffusers и ZImagePipeline. Вариант EMA-only рекомендуется для инференса; полный вариант содержит также параметры обучения и подходит для продолжения обучения. Веса объединены в файлы safetensors, а варианты FP16 и BF16 получены преобразованием точности из FP32. Репозиторий подготовлен для diffusers и несовместим с ComfyUI. Указанная лицензия — Apache-2.0. Английский указан среди языков карточки; базовая модель также поддерживает английский и китайский текст на изображениях.

Alive And Kicking — модель генерации изображений по текстовому описанию на базе Stable Diffusion, объединённая автором Yntec из DucHaiten-GoldenLife и PixelKicks с помощью SuperMerger и настройки Weight Sum. Примеры в карточке показывают портреты и сцены в стилизованной эстетике, включая аниме, 3D и традиционную иллюстрацию; для работы используется библиотека Diffusers, веса доступны в формате safetensors. Модель предназначена для создания художественных изображений по промптам, например портретов и иллюстративных сцен. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов. README не сообщает размер модели и длину контекста.

Anima 1.0 Turbo Diffusers Conversion — конверсия модели Anima 1.0 Turbo в формат Diffusers для использования с SD.Next. Исходную модель создали CircleStone Labs и Comfy Org. Это модель генерации изображений по текстовому описанию с архитектурой CosmosTransformer3DModel на 2 млрд параметров, текстовым энкодером Qwen3-0.6B, адаптером с перекрёстным вниманием и VAE AutoencoderKLWan. Модель предназначена для создания аниме-иллюстраций, персонажей и других нереалистичных изображений. Версия Turbo дистиллирована для быстрой генерации; авторы рекомендуют её для подбора и доработки промптов. Она обучена на тегах в стиле Danbooru, подписях на естественном языке и их сочетаниях. Рекомендуемые настройки — 8–12 шагов, CFG 1 и разрешение от 512×512 до 1536×1536. Дистилляция придаёт генерациям устойчивый характерный стиль и ускоряет создание изображений, но снижает разнообразие. Модель не предназначена для фотореализма. В карточке указана лицензия other; конкретные условия использования в предоставленных данных не раскрыты.

Anima-Light-Lavender — модель генерации изображений, выпущенная автором репозитория Johnny-Z и дообученная на Anima-Base v1.0 из серии circlestone-labs/Anima. Она предназначена для создания аниме-иллюстраций, персонажей и стилизованного арта по текстовому описанию. Модель сохраняет архитектуру базовой версии: DiT с 28 слоями и примерно 2 млрд параметров; для работы используются текстовый энкодер Qwen3-0.6B и VAE Qwen-Image. README рекомендует подробные описания примерно в пределах 512 токенов, а также ComfyUI. Доступны веса BF16 и MXFP8; MXFP8 ускоряет инференс. Модель обучалась на примерно 1,7 млн размеченных изображений Danbooru с использованием структурированных подписей и ориентирована на естественно-языковое управление генерацией. Она подходит для персонажного арта и иллюстраций с заданными стилем, композицией, освещением и атмосферой, но не рассчитана на фотореализм. Короткие надписи обычно удаются лучше длинного текста, который модель воспроизводит ненадёжно. Репозиторий указывает лицензию «other», без конкретизации её условий в доступных данных.

Anima-MLX — порт модели Anima для генерации аниме-иллюстраций по текстовому описанию на компьютерах Apple Silicon с использованием MLX. Порт разработал xocialize на основе дообученной circlestone-labs/Anima. В архитектуре используются денойзер NVIDIA Cosmos-Predict2-2B, текстовый путь Qwen3-0.6B с адаптером llm_adapter из шести блоков и 16-канальный 3D-каузальный VAE Qwen-Image/Wan. Модель предназначена для создания изображений в аниме- и иллюстративной стилистике по текстовым промптам. В README описана проверка соответствия вычислений PyTorch-реализации; для сэмплирования приведены настройки CFG 4–5. Пиковое потребление объединённой памяти при разрешении 512×512 составляет около 14 ГБ для bf16 и около 6 ГБ при int4-квантизации трансформера. Порт распространяется на тех же некоммерческих условиях, что и веса Anima: разрешено личное и исследовательское использование, коммерческое использование запрещено. Код порта лицензирован MIT; базовый денойзер распространяется по NVIDIA Cosmos Open Model License. Модель рассчитана на Apple Silicon и требует соответствующей среды MLX.

AdamOswald1/Anime — модель генерации изображений по текстовому описанию, опубликованная под названием 2D-Mix и предназначенная для создания аниме- и иллюстративных изображений. Она создана с помощью Automatic1111 Checkpoint Merger на основе Anything-V3.0-pruned, Waifu-v1-3-float16, NAI, sd-v1-5-pruned-emaonly и trinart_stable_diffusion_epoch3. Репозиторий использует StableDiffusionPipeline из библиотеки diffusers и содержит веса в форматах Diffusers и PyTorch. Модель объединяет стили и возможности базовых чекпойнтов Stable Diffusion; примеры показывают генерацию персонажей, кимоно, цифровых картин и стилизованных сцен по промптам. В README также описан набор из 90 изображений с ручными подписями и суффиксом «AnimeChan Style», использованный для обучения стиля методом DreamBooth. Лицензия — CreativeML OpenRAIL-M. Результат зависит от формулировки промпта и параметров генерации. Примеры в карточке используют изображения 512×512; сведения о контекстном окне и подтверждённых языках, помимо английского тега, не приводятся.

Animistatics — латентная диффузионная модель от Maseshi для генерации изображений в аниме-стиле по текстовому описанию. Она построена для использования через Stable Diffusion и библиотеку Diffusers; поддерживает короткие промпты и теги Danbooru. В карточке приведён пример генерации изображения с помощью Diffusers и планировщика DPMSolverMultistepScheduler. Модель предназначена для создания детализированных аниме-иллюстраций, например персонажей и сцен с заданными предметами, внешностью и освещением. Указана лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

Azher/Anything-v4.5-vae-fp16-diffuser — версия модели Anything v4.5 для генерации изображений по текстовому описанию. Репозиторий содержит веса в формате Diffusers и PyTorch с точностью fp16 и включает VAE; карточка указывает, что модель предназначена для инференса. Модель подходит для создания иллюстраций по промптам, в том числе изображений в аниме-стилистике. Пример в карточке задаёт персонажа с чёрным платьем и волосами, красными глазами и украшениями. Лицензия, поддерживаемые языки, размер и длина контекста в предоставленных данных не описаны.

AstrAnime_v6 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. Карточка содержит примеры изображений, созданных через AUTOMATIC1111 и API Hugging Face, в том числе пример с девушкой и бабочками; метаданные указывают на Stable Diffusion и использование Diffusers с весами Safetensors. Модель подходит для создания иллюстраций по текстовым запросам, включая аниме-образы. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнять в репозитории.

Az2671/AZ — модель типа LoRA для генерации изображений по текстовому описанию, разработанная пользователем или организацией Az2671. Она предназначена для использования в экосистеме Diffusers как адаптер базовой модели ideogram-ai/ideogram-4-fp8. README не содержит подробностей о специализации адаптера, стиле генерации или целевых сценариях применения. Известно, что модель относится к text-to-image и использует архитектуру LoRA, однако её размер, точные параметры, поддерживаемые языки, контекст и сведения о модальностях не указаны. В качестве сильной стороны можно отметить совместимость с указанной базовой моделью и компактный формат адаптера; при этом возможности и качество генерации зависят от базовой модели и неизвестных параметров обучения. Лицензия — Apache-2.0.

basil_mix — объединённая модель генерации изображений по текстовому описанию, опубликованная пользователем nuigurumi на Hugging Face. Она построена для работы с Diffusers и ориентирована на реалистичные текстуры, азиатские лица и отклик на промпты в стиле Danbooru. Модель принимает текстовые промпты и создаёт изображения. Автор рекомендует простые промпты и VAE vae-ft-mse-840000 от StabilityAI; большое количество тегов качества и негативных промптов может ухудшать результат. Репозиторий распространяется с лицензией other, конкретные условия которой в предоставленных данных не раскрыты.

Beeple Diffusion — модель генерации изображений в художественном стиле Beeple, опубликованная riccardogiorato. Это дообученная методом DreamBooth Stable Diffusion v1.5, обученная на более чем 600 произведениях Beeple и распространяемая в формате Diffusers на PyTorch. Модель принимает текстовый запрос и создаёт изображение; для вызова характерного стиля автор рекомендует включать в запрос слово «beeple». README также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX. Модель подходит для создания цифровых иллюстраций и концепт-арта по текстовому описанию с эстетикой Beeple. В метаданных указана лицензия CreativeML Open RAIL-M. Доступный README не описывает ограничения качества или безопасности, поэтому такие свойства нельзя оценить по карточке.

Cool Japan Diffusion 2.1.1 — модель генерации изображений по текстовому описанию, созданная Alfred Increment на основе дообучения Stable Diffusion. Она ориентирована на стилистику аниме, манги и игр и использует Latent Diffusion Model и OpenCLIP-ViT/H. В карточке заявлена поддержка японских промптов; пример применения — создание иллюстраций и AI-арта, а также образовательные и исследовательские проекты. Модель предназначена для генерации изображений по текстовым запросам через Diffusers или веб-интерфейс. Автор указывает, что коммерческое использование запрещено, кроме описанных в лицензии исключений; применяется CreativeML Open RAIL++-M-NC License. Модель унаследовала смещения Stable Diffusion, а качество генерации и другие ограничения автор подробно не характеризует.

John6666/cyberrealistic-pony-v65-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Репозиторий содержит конвейер Stable Diffusion XL в формате Diffusers с весами Safetensors; метаданные указывают на дообучение CyberRealisticPony от cyberdelia. Модель предназначена для создания реалистичных и фотореалистичных изображений, в том числе персонажей в стиле Pony, по текстовым запросам на английском языке. Для запуска предлагается библиотека Diffusers. Лицензия — fair-1.0-sd.

Deliberate — модель генерации изображений по текстовому описанию в формате Diffusers на основе Stable Diffusion. Автор описывает её как универсальную версию для создания изображений, рассчитанную на пользователей, которые готовы составлять подробные промпты; среди примеров применения названы создание иллюстраций, проработка анатомии и художественный дизайн. Карточка указывает лицензию BigScience OpenRAIL-M. Автор отмечает, что для хорошего результата нужны подробные промпты; модель ориентирована в том числе на создание откровенного контента. Сведения о базовой модели и её размере в предоставленных данных отсутствуют.

Yntec/elldrethsImagination — модель для генерации изображений по текстовому описанию, опубликованная на Hugging Face в формате Diffusers и Safetensors. Карточка приводит пример запроса в стилистике детализированной живописи и аниме, с персонажем в военной форме. Модель предназначена для создания иллюстраций по промптам, в частности аниме-персонажей и пейзажей, о чём также говорят теги карточки. Основана на Stable Diffusion и использует библиотеку Diffusers. Карточка не сообщает размер модели, контекст или языки запросов. Лицензия — CreativeML OpenRAIL-M.

Карточка модели Jinstudio/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.

Genuine — модель генерации изображений по тексту, созданная автором Yntec как смесь Generate Me! и nuipenimix v1. Она предназначена для создания стилизованных изображений и дизайна персонажей; примеры демонстрируют милых персонажей в эстетике аниме, чиби, манги и иллюстрации, а также изображения с фотореалистичными деталями. Модель использует Stable Diffusion и распространяется в формате Diffusers с файлами Safetensors; доступна версия со встроенным VAE MoistmixV2. Модель принимает текстовые промпты и выдаёт изображения. В репозитории указана лицензия CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Hell's Kitchen — модель генерации изображений по текстовому описанию, созданная Yntec слиянием Kitsch-In-Sync v2 и HELLmix. Она предназначена для генерации изображений общего назначения, включая аниме и иллюстрации в стилизованной манере. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку diffusers. В карточке приведён пример праздничной иллюстрации с отцом, дочерью и Санта-Клаусом, а также рецепт слияния: веса Kitsch-In-Sync v2 объединены с композициями HELLmix. Для работы модели требуется VAE, поскольку в README отмечено, что его в составе нет. Лицензия — CreativeML OpenRAIL-M.

Isabelia — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это версия без EMA с встроенным VAE 840K; репозиторий использует библиотеку Diffusers и хранит веса в формате Safetensors. Примеры показывают генерацию аниме, портретов и сцен в стилях фэнтези и пиратской тематики по подробным промптам. Модель предназначена для создания изображений по текстовым запросам, включая персонажей, портреты и иллюстративные сцены. Указанная лицензия — CreativeML OpenRAIL-M. В README не приведены сведения о размере модели, длине контекста или поддерживаемых языках; примеры промптов составлены на английском.