I.10Видео, анимация и 3D

DucHaitenAIart-beta — модель генерации изображений по текстовому описанию, созданная DucHaiten. Это шестая версия бета-модели, распространяемая в формате Diffusers и Safetensors для Stable Diffusion. В обновлённой версии используется VAE MoistMixV2, который, по словам автора, улучшает детализацию и насыщенность изображений. Модель предназначена для создания художественных иллюстраций по промптам: примеры охватывают фэнтези, ретропанк, персонажей в стиле чиби, портреты и реалистичные сцены. Автор предупреждает, что при использовании версии без корректно обработанных EMA-весов на inference API возможны плохие результаты или изображения с чёрным шумом; в этой публикации модель исправлена. Лицензия — CreativeML OpenRAIL-M, предусматривающая ограничения на использование.

GenEvolve — дообученная модель-политика MeiGen-AI на базе Qwen3-VL-8B-Instruct, предназначенная для работы как агент подготовки запросов к генераторам изображений. Она принимает текстовый запрос, использует инструменты поиска в интернете и по изображениям, а также обращения к базе знаний, после чего формирует программу из промпта генерации и ссылочных изображений для передачи генератору с поддержкой референсов. Модель сама изображения не генерирует. GenEvolve рассчитана на сценарии, где для создания изображения требуется найти визуальные примеры, учесть внешние сведения или активировать знания о генерации. Одна и та же политика может работать с разными генераторами, включая Qwen-Image-Edit и Nano Banana Pro. Основа — мультимодальная плотная архитектура Qwen3-VL; контрольная точка распространяется в формате safetensors и использует библиотеку Transformers. Модель поддерживает английский язык и обработку изображений. В README заявлены дообучение и самодистилляция по траекториям работы агента; в режиме вывода постоянная память не требуется. Результат зависит от подключённых поисковых инструментов, их доступности и качества, а также от downstream-генератора. В README модель позиционируется для исследований агентов генерации изображений. Лицензия — Apache-2.0.

GuoFeng3 — модель генерации изображений в китайском историческом стиле, представленная автором репозитория xiaolxl. Она предназначена для создания персонажей и сцен с эстетикой древнего Китая, в том числе игровых персонажей, мужских образов и изображений в полный рост; стиль сочетает живописную выразительность с 2.5D-эффектом. В карточке описаны варианты GuoFeng3.1–3.4: некоторые версии дорабатывают портреты, улучшают освещение или адаптацию к изображениям в полный рост и LoRA. Максимальная сторона исходного изображения указана как 1024 пикселя. Модель принимает текстовые запросы и генерирует изображения; метаданные указывают библиотеку Diffusers и форматы PyTorch и Safetensors. README рекомендует для GuoFeng3.3 вертикальные изображения и отмечает, что лица могут получаться похожими друг на друга; также возможны красные глаза и чрезмерно яркие цвета, для которых предлагаются отрицательный запрос и снижение CFG. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях атрибуции, распространения производных работ на тех же условиях и некоммерческого применения.

Hassaku XL Illustrious v3.1 — модель генерации изображений по текстовому описанию, опубликованная John6666 в формате Diffusers и Safetensors. Метаданные Hugging Face указывают, что это слияние моделей OnomaAIResearch/Illustrious-XL-v1.0 и OnomaAIResearch/Illustrious-XL-v2.0 на основе SDXL. Модель предназначена для создания изображений в ярком, выразительном аниме-стиле, в том числе персонажей и женских образов. Поддерживает текстовые запросы на английском языке; каталог отмечает семейство Illustrious XL и совместимость с LoRA. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой модели и её лицензией. Hugging Face помечает модель как не для всех аудиторий; теги включают hentai.

crumb/icon-diffusion-v1-1 — модель генерации изображений по текстовым запросам на базе Stable Diffusion. Она создана дообучением hakurei/waifu-diffusion-v1-3 на 800 примерах; обучение проводилось с разрешением 384×384, чтобы снизить риск артефактов на исходных изображениях низкого разрешения. В карточке приведены примеры запросов с тегами для создания скетчей и изображений профиля в стилистике аниме. Модель предназначена для генерации изображений по текстовым описаниям на английском языке. В README не указаны сведения о лицензии, размере модели или ограничениях её использования.

Jackpot — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. В карточке приведены примеры генерации персонажей, животных и сцен в разных художественных стилях; автор также предлагает попробовать SQUEE для улучшения глаз персонажей. Модель распространяется в формате Diffusers и SafeTensors, лицензия — CreativeML OpenRAIL-M. Карточка не сообщает архитектуру точнее семейства Stable Diffusion, размер модели, контекст или поддерживаемые языки. Примеры показывают генерацию иллюстраций по текстовым промптам, но автор предупреждает, что качество изображений может быть невысоким.

KO-Anything-V4.5 — модель генерации изображений в стиле аниме на основе latent diffusion и Stable Diffusion, опубликованная kyujinpy. Она предназначена для создания детализированных иллюстраций по текстовым запросам, в том числе с тегами Danbooru. Карточка приводит примеры запросов на корейском и английском языках; в метаданных также указан корейский язык. Модель распространяется в формате Diffusers с весами Safetensors и использует CLIP от bingsu. Для запуска подходит StableDiffusionPipeline из библиотеки Diffusers. Указана лицензия CreativeML Open RAIL-M; README сообщает, что коммерческую лицензию на Anything V4.0 предоставляет платформа Fantasy.ai, поэтому коммерческое использование этой версии требует проверки условий правообладателя.

Krea-2-LoRA-rainywindow — адаптер LoRA для генерации изображений из текста, разработанный для моделей семейства Krea 2. Он предназначен для использования с базовой моделью krea/Krea-2-Turbo и добавляет визуальный стиль «rainy window», имитирующий сцену или изображение через дождливое окно. Для активации стиля используется триггерная фраза «rainy window style». Адаптер обучен на krea/Krea-2-Raw, а его веса доступны в файле rainywindow.safetensors. Модель подходит для создания художественных изображений по текстовым описаниям: пейзажей, персонажей, сцен с животными, архитектуры и сюжетных композиций. В README указано, что демонстрационные изображения были сгенерированы на Krea-2-Turbo за 8 шагов с guidance scale 0.0 и весом LoRA 1.0. Поддерживается библиотека Diffusers и pipeline Krea2Pipeline. Язык указан как английский; сведения о размере модели, максимальном контексте, дополнительных модальностях и точных ограничениях использования не приведены. Для работы требуется совместимая базовая модель Krea-2-Turbo. Лицензия обозначена как krea-2-community-license.

lametta Nightly — модель генерации изображений из текста на базе Stable Diffusion, опубликованная Yntec и предназначенная для работы через inference API. Версия Nightly следует за обновлениями lametta; в карточке указана версия v1930. Модель ориентирована на создание стилизованных иллюстраций, в том числе аниме и чиби, по текстовым промптам. В README приведён пример промпта для фантазийного постерного изображения с выразительной цветовой палитрой и динамичным освещением. Модель распространяется в формате Diffusers с весами safetensors по лицензии CreativeML OpenRAIL-M.

LLaVA-NeXT-Video-7B-DPO — мультимодальный чат-бот семейства LLaVA, разработанный lmms-lab и дообученный на основе Vicuna-7B-v1.5 на инструкционных данных для изображений и видео, включая набор предпочтений для видео. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и принимает видео вместе с текстовыми запросами; длина контекста — 4096 токенов. Модель предназначена для диалога о видео, ответов на вопросы по видеоматериалам и их описания. Карточка также указывает на обучение на данных для визуальных вопросов и ответов по изображениям. Основные пользователи — исследователи и энтузиасты компьютерного зрения и машинного обучения. Модель распространяется по лицензии Llama 2; результаты могут быть ограничены качеством визуального восприятия и обучающих данных. Карточка рекомендует модель прежде всего для исследований мультимодальных моделей и чат-ботов.

Looking-Glass — смешанная модель генерации изображений по текстовому описанию, опубликованная Yntec. Она объединяет художественные возможности A-Zovya RPG Artist Tools V2 Art и Wonderland; в карточке указано слияние этих моделей с помощью SuperMerger и схемы весов MBW. Модель предназначена для создания иллюстраций по промптам: примеры охватывают персонажей в стиле чиби, фэнтезийные сцены, рождественские сюжеты и изображения животных. Модель работает через StableDiffusionPipeline библиотеки Diffusers; файлы представлены в форматах Diffusers и safetensors. В карточке указана лицензия CreativeML OpenRAIL-M. Данных о размере модели и длине контекста в предоставленных источниках нет.

Mangaka — модель генерации изображений в стиле аниме и манги, разработанная Parsee Mizuhashi. Она предназначена для создания иллюстраций и панелей манги по текстовым запросам; автор советует следовать рекомендациям по промптам для hnnng-dx и добавлять к запросу «greyscale monochrome» для монохромного результата. Модель дообучена на основе hnnng-dx и распространяется в форматах Diffusers и Safetensors. Карточка указывает лицензию «other», поэтому конкретные условия использования следует уточнять у автора. Данных о размере модели и поддерживаемых языках карточка не приводит.

Это модель генерации изображений в стиле исламского искусства Средневековья, созданная abidlabs с помощью DreamBooth и обученная на базе Stable Diffusion v1.5. Она принимает текстовые запросы; для вызова изученного стиля в промпте следует использовать фразу «middle-ages-islamic-art». Модель распространяется в формате Diffusers/PyTorch и рассчитана на запуск через библиотеку diffusers. Лицензия — CreativeML OpenRAIL-M.

Midjourney-Shatter — модель генерации изображений по текстовому описанию, созданная ShadoWxShinigamI и дообученная на базе Stable Diffusion v1.5. Для её вызова автор рекомендует начинать запрос с токена mdjrny-shttr; дополнительная настройка запросов обычно не требуется, хотя для некоторых объектов может помочь увеличение веса, например для зданий. Модель обучалась 2500 шагов на 26 изображениях и их отражённых копиях, с размером изображений 512×512 и размером пакета 2. Примеры в карточке включают льва, Бэтмена, голову Медузы, оленя, Эмму Уотсон и Сон Гоку. Модель распространяется в формате Diffusers и Safetensors по лицензии MIT. Описание не содержит сравнительных оценок качества или подробных сведений о поведении на других темах и стилях.

Mikan Illustrious v10 SDXL — модель преобразования текста в изображение, созданная пользователем _taki_ и опубликованная в репозитории John6666 на Hugging Face. Это дообученная версия Illustrious-xl-early-release-v0, работающая через StableDiffusionXLPipeline библиотеки Diffusers и распространяемая в формате, совместимом с экосистемой Stable Diffusion XL. Модель предназначена для генерации аниме-иллюстраций и персонажей по текстовому описанию. Она ориентирована на чистую линейную графику, выразительные лица и привлекательное затенение, а также на сюжеты в жанрах повседневности, фэнтези и экшена, включая изображения девушек и идолов. Для использования применяется лицензия FAIR-1.0-SD; точные условия следует проверять в тексте лицензии.

MoonTea-v1 — модель для генерации изображений по текстовому описанию, опубликованная пользователем swl-models. Автор сообщает, что это слияние нескольких моделей в стилизованном аниме-стиле; модель предназначена для использования с LoRA. Репозиторий содержит веса PyTorch в формате safetensors и использует библиотеку Diffusers. Модель подходит для создания иллюстраций в аниме-стиле по текстовым запросам. Она распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов. В карточке указана поддержка английского языка; сведения о размере модели и длине контекста не приведены.

NetaYume-Lumina-Image-2.0-Diffusers-v40 — дообученная модель генерации изображений по тексту на базе neta-art/Neta-Lumina, опубликованная пользователем duongve. Она предназначена для создания изображений по текстовым запросам; подсказки в карточке отдельно рекомендуют аниме-стиль и теги Danbooru, а также описывают сценарии общего назначения с акцентом на соответствие изображения запросу. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку diffusers. Лицензия — Apache-2.0. В README рекомендованы CFG 4–7, 40–50 шагов сэмплирования и сэмплеры Euler a либо res_multistep с указанными планировщиками. Эти параметры являются рекомендациями автора карточки. Данных о точном размере модели, контексте и поддерживаемых языках нет; качество генерации и ограничения по отдельным типам запросов в карточке не оценены.

NoobAI XL V-Pred 0.9r — диффузионная модель генерации изображений по тексту от Laxhar Lab, дообученная на базе Laxhar/noobai-XL_v1.0. Она обучена на изображениях Danbooru и e621 с тегами и текстовыми описаниями и ориентирована на создание иллюстраций в соответствующих стилях. Модель использует предсказание v-prediction и рассчитана на запуск через reForge, ComfyUI, WebUI или Diffusers. В README рекомендованы сэмплер Euler, CFG 4–5, 28–35 шагов и разрешения около миллиона пикселей, включая 832×1216 и 1024×1024; другие сэмплеры могут работать некорректно. Репозиторий содержит форматы Diffusers и safetensors. Лицензия указана как other; README запрещает коммерческое использование и требует открывать производные модели и материалы по fair-ai-public-license. Модель может создавать нежелательные или вредные изображения, а ветка dev для WebUI описана как нестабильная.

Nostalgic Life — модель генерации изображений из текста на базе Stable Diffusion, созданная объединением Cool Kids v1 и v2 от Clumsy_Trainer, композиций GoldenLife от DucHaiten и стиля Esthetic Retro Anime от OneRing. Модель предназначена для создания ностальгических иллюстраций с ретро-аниме и детской книжной эстетикой: персонажей чиби, детей и сказочных сцен. В карточке представлены примеры запросов для иллюстраций с персонажами, животными, фантастическими декорациями и винтажной рекламной стилистикой. Репозиторий использует Diffusers и формат safetensors. Лицензия — CreativeML OpenRAIL-M. Судя по описанному рецепту SuperMerger, это слияние моделей; отдельно упоминается VAE-вариант NostalgicLifeVAE. Карточка не сообщает точные размер модели или длину контекста. Примеры показывают разнородные стили и запросы, поэтому результат может зависеть от формулировки промпта и не гарантирует единообразную детскую книжную эстетику.

NyankoMotsiX — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Это модель семейства Stable Diffusion для запуска через библиотеку Diffusers; файлы представлены в формате safetensors. В карточке приведены примеры аниме-иллюстраций с милыми персонажами, чиби-глазами и сценами в стиле детской книги или комикса. Модель предназначена для создания изображений по промптам, в частности аниме и милых иллюстраций. Примеры показывают персонажей, портреты и сцены с заданными деталями внешности, одежды, окружения и художественного стиля. Лицензия — CreativeML OpenRAIL-M; условия её использования следует учитывать при распространении и применении сгенерированных изображений.

Protogen v2.2 (Anime) — модель генерации изображений по текстовому описанию, выпущенная darkstorm2150. Она создана на основе Stable Diffusion v1.5 и дообучена на данных из крупных наборов, включая новые и популярные материалы с Civitai. Модель работает с текстовыми промптами и генерирует изображения; для вызова характерной фотосъёмочной стилистики в README предлагается добавить фразу «modelshoot style».

realidefmix_3.5VAE — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка рекомендует добавлять в запрос ключевое слово pureInnocentGirl для улучшения генерации лиц и приводит пример запроса с белыми кудрявыми волосами на фоне стены. Модель предназначена для создания изображений по текстовым промптам. Метаданные указывают на семейство Stable Diffusion и форматы PyTorch и safetensors. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

Stable Audio 3 Small Music — модель Stability AI для генерации музыки и редактирования аудио по текстовым описаниям. Это небольшая версия семейства Stable Audio 3, рассчитанная на запуск на потребительском оборудовании. Модель использует трансформерную архитектуру латентной диффузии и семантико-акустический автоэнкодер; для текстового обусловливания применяется предварительно обученная T5Gemma. Модель создаёт аудио переменной длительности, поддерживает продолжение коротких записей и целевое редактирование с помощью inpainting. Семейство обучалось на лицензированных записях и материалах Creative Commons. Для использования весов действует Stability AI Community License; T5Gemma распространяется на условиях Gemma Terms of Use. Подробности коммерческого использования зависят от условий этих лицензий.

Starry XL 5.2 — модель генерации изображений по текстовому описанию, разработанная kitarz на основе SDXL 1.0 и дообученная от Kohaku-XL Epsilon. Она предназначена прежде всего для создания изображений в стиле аниме с управлением стилем через теги художников и персонажей. Для точного результата имена художников и персонажей нужно указывать без ошибок; автор рекомендует сочетать несколько художественных стилей. Модель доступна в форматах Diffusers и safetensors. Указанная лицензия — Fair AI Public License 1.0-SD.

Elldreth's Stolen Dreams — модель для генерации изображений по текстовому описанию, опубликованная Yntec. Репозиторий содержит модель в формате Diffusers и веса Safetensors; в неё встроен VAE MoistMixV2VAE. Для усиления характерного эффекта автор рекомендует включать слово «Elldreth» в запрос. Карточка демонстрирует генерацию изображений с аниме-персонажами, включая милые лица и стиль чиби, а также детализированные художественные и реалистичные изображения. Модель подходит для создания иллюстраций по текстовым промптам. Лицензия — CreativeML Open RAIL-M.

Это адаптация textual inversion для модели CompVis/stable-diffusion-v1-4, опубликованная abhipsabasu. Она добавляет в Stable Diffusion понятие человека, обозначаемого токеном nbf, и предназначена для создания изображений по текстовым запросам с этим понятием. Веса представлены в форматах Diffusers и safetensors; для работы требуется базовая модель Stable Diffusion v1.4 и библиотека Diffusers. Модель принимает текстовый запрос и генерирует изображение. Базовая модель ориентирована преимущественно на английский язык. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M. Карточка не содержит примеров использования или описания известных проблем и смещений.

CedricPerauer/tiny-krea2-modular-pipe — модульный конвейер генерации изображений по текстовому описанию на основе Krea 2, опубликованный в формате Diffusers. Он разбит на три настраиваемых блока: кодирование промпта текстовым энкодером Qwen3-VL, итеративное устранение шума в латентном представлении с symmetric CFG и декодирование результата через VAE Qwen-Image. Для одного промпта можно задать отрицательный промпт, размер и количество изображений, число шагов генерации, параметры guidance и формат выдачи PIL, NumPy или PyTorch. Конвейер предназначен для текстовых запросов на генерацию изображений и для экспериментирования с отдельными этапами диффузионного процесса. Максимальная длина последовательности промпта по умолчанию — 512 токенов, guidance scale — 4,5, число шагов — 28. В карточке приведён пример использования как TODO, поэтому практический пример запуска отсутствует. Данные о лицензии и размере модели не представлены в доступных источниках.

John6666/unholy-desire-mix-sinister-aesthetic-illustrious-v60-sdxl — модель генерации изображений по текстовому описанию от автора John6666 на Hugging Face. Это вариант семейства Illustrious на базе OnomaAIResearch/Illustrious-xl-early-release-v0, дообученный для создания преимущественно аниме-иллюстраций с мрачной эстетикой и персонажами. Работает как Stable Diffusion XL через Diffusers; принимает текстовые промпты и выдаёт изображения. В карточке Hugging Face указана лицензия faipl-1.0-sd, а репозиторий отмечен как содержащий чувствительный контент.

SomethingV2.2 — модель генерации изображений в стиле аниме на основе латентной диффузии, созданная Inzamam567 как улучшенная версия SomethingV2. В карточке описаны настройки для генерации изображений по текстовым запросам; автор рекомендует Clip Skip 2, sampler DPM++ 2M Karras, CFG Scale около 7 и включение Hires fix. VAE Blessed2 встроен в модель. Модель получена слиянием SomethingV2_1 и промежуточной модели dpepsili с помощью MBW, после чего в результат встроен VAE Blessed2. Репозиторий доступен в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M.

Video-HopChain-8B-Standard-RL — промежуточный чекпойнт проекта Video-HopChain, созданный автором ngqtrung на базе Qwen3-VL-8B-Instruct. Это плотная мультимодальная модель Qwen3-VL с 8 млрд параметров, дообученная методом GRPO на смеси из 105 993 примеров вопросов и ответов по видео; при обучении использовалось 24 кадра на видео. Чекпойнт не обучался на данных Video-HopChain и не использовал Confidence-Gated Exploration. Модель предназначена для ответов на вопросы по видео и многошагового видеорассуждения. Её можно использовать как базовый этап для дальнейших запусков обучения, как baseline в сравнительных экспериментах и для воспроизведения результатов таблицы 1 статьи. В оценке авторов она получила средний результат 55,4% по указанным бенчмаркам; финальная модель проекта показала 59,3%. Для оценки применялись до 100 кадров на видео и контекст до 33 792 токенов. Модель принимает видео и текстовые вопросы и генерирует текстовые ответы. Карточка указывает английский язык. Распространяется по лицензии Apache-2.0. Это чекпойнт первого этапа обучения, поэтому он не включает обучение на целевом наборе Video-HopChain и уступает финальной модели проекта по приведённым результатам.