I.10Видео, анимация и 3D

UniDiffuser-v0 — мультимодальная диффузионная модель, разработанная командой THU-ML. Она объединяет генерацию изображений и текста в одной архитектуре и поддерживает создание изображений по тексту, описание изображения текстом, генерацию текста или изображения, а также генерацию пар изображение–текст. Основной компонент — U-ViT, который предсказывает совместный шум для разных модальностей. В состав также входят автоэнкодер изображений из Stable Diffusion, энкодеры CLIP ViT-B/32 и ViT-L и дообученный декодер текста GPT-2. Версия v0 обучена на текстово-изображительных данных LAION-5B, содержащих шумные данные из интернета; для текста указана поддержка английского языка. Модель распространяется в формате Diffusers/PyTorch по лицензии AGPL-3.0. Модель подходит для творческой генерации изображений и текста, образовательных инструментов и исследований мультимодальной генерации. Она не предназначена для фактически достоверного изображения людей или событий; обучающие данные могут содержать шум и смещения, а сама карточка предупреждает о рисках вредного или стереотипного контента.

Waifu Diffusion 1.3 — модель генерации изображений по текстовому описанию, представленная Yntec. Это версия в формате Diffusers и safetensors, рассчитанная на изображения 768×768; в неё встроен VAE kl-f8-anime2. Модель преобразована из wd-v1-3-full.ckpt и использует вариант без EMA. Модель предназначена прежде всего для создания иллюстраций в аниме-стиле, персонажей и фантастических сцен. Также примеры показывают, что она может создавать изображения в других художественных стилях. Для качественного результата часто требуются тщательно составленные промпты и негативные промпты, особенно при разрешении 768×768. Лицензия — CreativeML OpenRAIL-M.

dhead/wai-nsfw-illustrious-sdxl-v140-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем dhead на Hugging Face. Она основана на Stable Diffusion XL и предназначена для работы через diffusers StableDiffusionXLPipeline, включая создание реалистичных и фотореалистичных изображений по промптам. Модель ориентирована на сценарии, связанные с генерацией изображений для взрослых и другой аудитории, поскольку в метаданных отмечена как not-for-all-audiences. Доступна по лицензии CreativeML OpenRAIL-M. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны.

calcuis/ace-gguf — GGUF-квантизированная версия модели ACE-Step v1-3.5B, разработанной ACE-Step, предназначенная для генерации аудио по текстовому описанию. Модель интегрируется с ComfyUI и рассчитана на сценарии text-to-audio, включая создание музыки, вокала, инструментальных партий и звуковых сцен по промптам. В репозитории представлен полный комплект GGUF-файлов: основная модель, текстовый энкодер и VAE. Известно, что модель основана на ACE-Step v1-3.5B и использует энкодер umt5-base; конкретная архитектура, поддерживаемые языки, размер контекста и точные параметры квантования в README не указаны. Для работы требуются компоненты ace-step, umt5-base и pig, размещённые в соответствующих каталогах ComfyUI. GGUF-формат обычно обеспечивает более быструю загрузку по сравнению с safetensors, однако часть ключевых тензоров сохранена в формате F32, поэтому размер файлов уменьшен незначительно. Модель удобна для запуска в ComfyUI без отдельного safetensors-чекпойнта и поставляется с примерами аудио. Ограничения включают зависимость от ComfyUI, gguf-node и совместимых узлов, а также необходимость отдельно подготовить компоненты и использовать актуальную версию ComfyUI для поддержки umt5-base. Лицензия — Apache-2.0.

Amano-Diffusion — модель генерации изображений по текстовому описанию на основе Stable Diffusion, опубликованная RazzzHF. Она предназначена для создания иллюстраций с художественной манерой Ёситаки Амано: README рекомендует добавлять в запрос фразу «yoshitakaamano artstyle». Также доступна более широкая, тёмная и часто монохромная версия стиля; модификаторы «white background» и «colorful» помогают получить другие варианты оформления. Модель работает через Diffusers и PyTorch. В README приведены примеры на тему Final Fantasy и драконов, а также подсказки по настройке промптов: для слишком высветленных лиц предлагается использовать «overexposed» в негативном запросе. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

baruga/ancient-maps — модель Stable Diffusion, дообученная автором на 100 старинных и древних картах для DreamBooth Hackathon. Она предназначена для создания изображений карт по текстовому запросу: например, можно описать карту вулканического острова, города, сада, пещерной системы, планеты или зодиакальной схемы. Для вызова темы в запросе README рекомендует формулировку «a photo of ancma map of …»; результат можно настраивать дополнительными и отрицательными запросами. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает другие сведения об ограничениях применения или качестве результатов.

AnimeBoysXL v3.0 — модель Koolchh для генерации изображений в стиле аниме, ориентированная на мужских персонажей и изображения только с мужчинами. Она основана на Pony Diffusion V6 XL и предназначена для генерации по текстовым запросам, в том числе с тегами персонажей и серий. Автор рекомендует структурировать запросы, задавать негативный запрос и использовать SDXL VAE; модель также подходит для дальнейшего обучения собственных моделей и LoRA. Модель распространяется в форматах Diffusers и Safetensors и лицензирована по OpenRAIL++. В README указаны настройки для разных пропорций изображения и примеры тегов качества, эстетики и рейтинга. Результаты зависят от формулировки и порядка тегов; автор не приводит сведений о размере модели или длине контекста.

Banano Chan — Anything v3.0 — это модель генерации изображений в стиле аниме, созданная сообществом Banano на основе Anything V3.0. Модель обучена методом DreamBooth на образе Banano Chan — персонажа, связанного с криптовалютой Banano. Она принимает текстовые описания и теги danbooru; для работы указана библиотека Diffusers и формат PyTorch. Модель предназначена для создания детализированных аниме-иллюстраций по коротким промптам: например, изображений Banano Chan, персонажей с выразительными глазами и сцен с природой, небом и освещением. В карточке указана лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

dblasko/blip-dalle3-img2prompt — модель BLIP, дообученная на смеси laion/dalle-3-dataset и автоматически собранных пар «изображение — промпт» для DALL·E 3. Она принимает сгенерированное изображение и формулирует вероятный текстовый запрос, который мог бы его создать; результат можно использовать как отправную точку для генерации похожих изображений. Модель предназначена для экспериментов с обратным восстановлением промптов и описанием изображений. В карточке указаны архитектура BLIP и форматы PyTorch и Safetensors. Модель ориентирована на английский язык. Автор указывает, что она не предназначена для коммерческого использования, поскольку обучающие данные включают изображения, созданные DALL·E 3; применение заявлено в образовательных целях. Лицензия в предоставленных данных не указана.

Christina TTS — дообученная модель синтеза речи на базе Qwen/Qwen3-TTS-12Hz-0.6B-Base. Разработчик настроил два варианта пользовательского голоса, вдохновлённого Курису Макисэ из визуальной новеллы Steins;Gate: christina для преимущественно английской речи и christina-jp для преимущественно японской. Это фанатская реконструкция, не связанная с официальной актрисой озвучивания персонажа. Модель предназначена для преобразования текста в речь с характерной подачей выбранного голоса. Английский вариант ориентирован на естественные английские интонацию и ритм; японский — на естественное звучание японской речи. При использовании каждого варианта для другого из этих языков могут проявляться особенности акцента и интонации. Хотя базовая модель теоретически поддерживает и другие языки, качество дообученной версии для них не гарантируется. Модель распространяется в формате safetensors; README приводит установку через пакет qwen-tts. Информация о лицензии в предоставленных данных отсутствует.

Colorjizz-768px v.1.0 — модель генерации изображений на основе Stable Diffusion 1.5, обученная на наборе из 130 изображений с разрешением 768 пикселей. Автор указывает 8000 шагов обучения и обучение на текстовых описаниях в 30% случаев; для активации концепции рекомендуется включать в запрос слово «colorjizz».

Cute Furry — модель генерации изображений на основе Stable Diffusion, опубликованная Yntec. Это вариант, в который встроена LoRA Cute Furry вместе с компонентами NuipeniMix и Generate Me!; примеры демонстрируют милых пушистых животных и персонажей в стиле чиби, с крупными глазами, в том числе енота, кролика, лягушку и оленя. Модель предназначена для создания таких изображений по текстовым запросам через Diffusers. Репозиторий содержит веса в формате Safetensors и Diffusers. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не сообщает размер модели, параметры контекста или конкретный список поддерживаемых языков; применимость запросов зависит от текстового ввода.

CyberRealistic Pony — модель генерации изображений по текстовому описанию, созданная на основе Pony Diffusion с элементами CyberRealistic. Она предназначена для создания фотореалистичных изображений пони и персонажей, а также иллюстраций и концепт-арта. Модель распространяется в формате safetensors и включает встроенный VAE. Для генерации рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель специализируется на изображениях пони и может хуже справляться с абстрактными запросами и сюжетами, не связанными с пони; иногда освещение и текстуры получаются чрезмерно гладкими. Возможна генерация чувствительного контента. Лицензия — CreativeML Open RAIL-M.

CCMat/fluffalpaca-llama-v2 — это модель генерации изображений на основе Stable Diffusion, созданная CCMat и дообученная методом DreamBooth на изображениях лам из набора CCMat/db-aplaca. Она предназначена для создания изображений концепта «fluffalpaca llama» по текстовым запросам; для вызова концепта в запросе используется фраза «a photo of fluffalpaca llama». Модель распространяется в формате Diffusers и PyTorch и основана на stabilityai/stable-diffusion-2. В карточке указана лицензия CreativeML OpenRAIL-M.

Это экспериментальная конверсия Flux.1-dev в формате FP8 (float8_e4m3fn), опубликованная John6666. Исходную модель разработала Black Forest Labs. Модель предназначена для генерации изображений по текстовому описанию и распространяется в формате Diffusers с весами Safetensors. Автор карточки предупреждает, что конверсия выполнена самодельным скриптом и её корректность не подтверждена. Кроме того, серверный Inference API Hugging Face не поддерживает этот формат, поэтому через него модель не работает. Лицензия указана как other; подробные условия использования в предоставленных данных не приведены.

FLUX Uncensored LoRA — это адаптер LoRA для базовой модели black-forest-labs/FLUX.1-dev. Согласно карточке, он разработан командой EnhanceAI и предназначен для генерации изображений по текстовым описаниям с ослабленными ограничениями на содержание, включая материалы для взрослых и другой потенциально чувствительный контент. Адаптер подключается к pipeline FLUX.1-dev через библиотеку diffusers. Модель относится к классу text-to-image и использует архитектуру базовой модели FLUX.1-dev; собственный размер, поддерживаемые языки и максимальная длина контекста в карточке не указаны. Для работы рекомендуются CUDA-совместимая GPU и тип данных torch.bfloat16. К сильным сторонам относятся специализация на генерации откровенных изображений и совместимость с экосистемой diffusers; ограничения связаны с зависимостью от базовой модели и необходимостью соблюдать правовые, этические и платформенные требования. Указана лицензия FLUX-1-dev Non-Commercial License, поэтому коммерческое использование не разрешено условиями этой лицензии.

Gerph — семейство моделей генерации изображений по текстовому описанию, обученное на работах художника Gerph. Доступны варианты Gerph_Epoch8, Gerph_Epoch10 и Gerph_Epoch11; карточка описывает базовый вариант как обученный исключительно на его искусстве, а два продолженных варианта — на более широком наборе изображений с работами разных авторов. Модели ориентированы преимущественно на персонажей и художественные иллюстрации в авторском стиле. Модель принимает текстовые запросы на английском языке и создаёт изображения; специальные токены для вызова стиля не нужны. Варианты отличаются обучающими данными и выраженностью исходного стиля. Генерация может включать откровенный контент. Модель распространяется под лицензией CreativeML OpenRAIL-M.

Это LoRA-адаптер abhinavreddy17 для генерации изображений с реалистичными изображениями счастливого лица. Адаптер обучен методом DreamBooth на базе Stable Diffusion XL Base 1.0 и предназначен для подключения к этой модели в Diffusers; для вызова нужного образа в запросе используется фраза «photo of happy face». Текстовый энкодер при обучении LoRA не затрагивался. Модель принимает текстовые запросы и создаёт изображения. Веса доступны в формате Safetensors, лицензия — OpenRAIL++. В карточке не приведены сведения о размере адаптера, поддерживаемых языках или контекстном окне. Примеры использования и описание ограничений в README не заполнены.

Hitokomoru Diffusion — латентная модель диффузии для генерации изображений по текстовому описанию, созданная Linaqruf на основе Stable Diffusion. Модель дообучена на 255 работах японского художника ヒトこもる/Hitokomoru, собранных с Danbooru: обучение заняло 20 000 шагов, также доступны варианты чекпойнта после 5 000, 10 000 и 15 000 шагов. При обучении использовалась группировка изображений по соотношению сторон, поэтому модель рассчитана на генерацию в не квадратных разрешениях. Модель предназначена прежде всего для создания иллюстраций в аниме-стиле. Она понимает теги Danbooru, которыми можно описывать персонажей, внешность, окружение и визуальные детали. Репозиторий содержит веса в форматах Diffusers и PyTorch; для работы через Diffusers используется StableDiffusionPipeline. Лицензия — CreativeML Open RAIL-M. Обучающая выборка невелика, а автор отмечает, что ранние результаты часто получаются с простым фоном. Модель специализирована на художественном стиле и может быть менее пригодна для иных визуальных стилей и сюжетов.

Lomo Diffusion — модель генерации изображений по текстовому описанию, созданная wavymulder. Это DreamBooth-дообучение Stable Diffusion 1.5 с VAE на наборе стилизованных фотографий, вдохновлённых движением ломографии и характером старых камер LOMO. Модель предназначена для создания ярких, насыщенных изображений с видом аналоговой фотографии и плёночными артефактами. Для активации характерного стиля автор рекомендует добавлять в начало запроса токен «lomo style»; предлагается экспериментировать с негативными запросами. Модель принимает текстовые запросы на английском языке и выдаёт изображения. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении результатов.

Модель создана misas4444: это дообученная с помощью DreamBooth модель Stable Diffusion для генерации изображений коллекционной фигурки Марио. Для генерации концепта в запросе используется фраза «a photo of sks action figure». Модель предназначена для создания изображений фигурки по текстовому описанию и может запускаться через библиотеку diffusers. Модель распространяется в форматах Diffusers и PyTorch по лицензии MIT. В карточке не приведены сведения о размере модели, длине контекста и поддерживаемых языках; обучающий концепт задан англоязычным триггером.

ShadoWxShinigamI/midjourney-graffiti — модель генерации изображений в стиле граффити, разработанная пользователем ShadoWxShinigamI. Это текстово-изобразительная модель на базе Stable Diffusion, предназначенная для переноса характерного стиля на изображения по текстовым запросам. Для активации стиля в запрос можно добавить токен «mdjrny-grfft» или фразу «in the style of mdjrny-grfft»; автор отмечает, что полная фраза может давать более подходящий результат. Модель принимает текстовые подсказки и генерирует изображения. В примерах показаны портреты людей и вымышленных персонажей, животные, птицы и предметы. Для предметов результаты менее надёжны, поэтому может потребоваться отбор нескольких вариантов. Карточка сообщает, что модель обучена с использованием Fast Method из репозитория TheLastBen и предназначена для работы через diffusers. Лицензия — MIT.

jzdesign/midjourney_prompt_improver_lora_model — языковая модель, разработанная jzdesign и дообученная на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Она предназначена для генерации и улучшения текстовых запросов, в частности промптов для Midjourney, однако README не содержит подробного описания поддерживаемых сценариев и качества работы. Модель основана на Llama 3.2 с размером 3 млрд параметров; используется 4-битное представление bnb, а обучение выполнено с применением Unsloth и библиотеки Hugging Face TRL. Заявлен английский язык. Сведения о модальностях, размере контекста, сильных сторонах и ограничениях отсутствуют, поэтому их оценку нельзя сделать по представленным данным. Модель распространяется по лицензии Apache-2.0. Она предназначена для текстовой генерации и, вероятно, может применяться в задачах создания или улучшения промптов, но точные возможности следует проверять эмпирически.

MIRO — модель преобразования текста в изображение, разработанная Николасом Дюфуром и соавторами для проекта MIRO. Чекпойнт основан на архитектуре SDXL и содержит 350 млн параметров. Он генерирует изображения по текстовому запросу, одновременно учитывая семь задаваемых целевых оценок: CLIP, эстетичность, ImageReward, PickScore, HPSv2, VQAScore и SciScore. Для работы пакет miro-t2i загружает текстовый энкодер FLAN-T5-XL и VAE SDXL. Модель предназначена для генерации изображений и экспериментов с управлением качеством через балансировку целевых оценок. В статье сообщается о результатах на GenEval и более быстром достижении заданного уровня эстетической оценки по сравнению с базовым обучением. Чекпойнт рассчитан на изображения 256×256; для большего разрешения требуется апскейлинг. Это исследовательский артефакт, обученный на CC12M и отфильтрованной части LAION Aesthetics. Он наследует смещения обучающих данных и используемых моделей оценки; показатель SciScore не гарантирует научную точность. В комплекте нет фильтра безопасности. Веса MIRO выпущены по лицензии MIT; FLAN-T5-XL и SDXL VAE подчиняются собственным лицензиям.

Miso Diffusion XL 1.0 — дообученная модель на базе Stable Diffusion XL Base 1.0, созданная для генерации изображений в стиле аниме по текстовым запросам. Автор описывает её как первую концептуальную модель серии и отмечает, что обучение пока не завершено и качество требует улучшения. Модель ожидает запросы с тегами в стиле Danbooru. В карточке приведены примеры тегов качества, эстетики и рейтинга, а также рекомендуемый порядок их размещения. Обучение проводилось на наборе из 172 тысяч изображений, включая общую часть и отдельную подборку эстетически высококачественных изображений; разрешение обучающих изображений составляло 1024×1024. Модель распространяется в форматах Diffusers и safetensors по лицензии OpenRAIL++. Модель предназначена для создания иллюстраций в стиле аниме, однако автор предупреждает о недостаточном обучении и необходимости дальнейших улучшений. README перечисляет теги рейтинга, включая NSFW, но не сообщает о наличии фильтрации генерируемого контента.

NoobAI XL 1.1 — диффузионная модель генерации изображений по текстовому описанию, разработанная Laxhar Lab. Она дообучена на NoobAI XL 1.0 и основана на Illustrious-XL. При обучении использовались датасеты Danbooru и e621 с теговыми подписями, что ориентирует модель на создание стилизованных изображений по тегам и промптам. Модель предназначена для генерации изображений, в том числе персонажей и сцен в эстетике, представленной в обучающих наборах. Рекомендуемая суммарная площадь изображения — около 1024 × 1024 пикселей; в карточке также приведены несколько подходящих портретных и альбомных разрешений. Указаны параметры CFG 5–6, 25–30 шагов и сэмплер Euler a. Репозиторий содержит веса в форматах Diffusers и Safetensors. Карточка запрещает коммерческое использование модели, производных моделей и созданных с её помощью продуктов, а также требует распространять производные работы на условиях fair-ai-public-license и раскрывать сведения о рабочих процессах. Модель может создавать неожиданные или вредоносные результаты; пользователи несут ответственность за их применение. Метаданные помечают модель как не предназначенную для всех аудиторий.

NoobAI XL V-Pred 0.6 — диффузионная модель генерации изображений по тексту, разработанная Laxhar Lab. Она дообучена на базе NoobAI XL и использует предсказание v вместо eps; в обучении применялись наборы Danbooru и e621 с исходными тегами и подписями на естественном языке. Модель рассчитана на создание иллюстраций по тегам и текстовым описаниям, в том числе изображений в эстетике аниме. Для работы подходят Diffusers, reForge и ComfyUI. В README рекомендуются сэмплер Euler, 28–35 шагов, CFG 4–5 и разрешение с общей площадью около 1024×1024; другие сэмплеры могут работать некорректно. Модель принимает текст и генерирует изображения. Карточка указывает английский язык, но не сообщает длину контекста. Использование ограничено условиями fair-ai-public-license: коммерческое применение запрещено, а производные модели, LoRA и основанные на модели продукты должны быть открытыми с публикацией деталей работы. Лицензия также запрещает вредоносное и незаконное использование; авторы предупреждают о возможных неожиданных или вредных результатах генерации.

nova-furry-xl-il-v120-sdxl — модель генерации изображений по тексту, опубликованная пользователем John6666 на Hugging Face. Она предназначена для создания furry-иллюстраций с персонажами-животными, включая антропоморфные и feral-образы, в стилях от 2D до 3D; метки репозитория указывают также на поддержку теговых промптов и детализированных поз. Модель реализована как Stable Diffusion XL pipeline на базе Diffusers с текстовыми энкодерами CLIP, UNet и VAE. Это слияние Laxhar/noobai-XL-1.1 и OnomaAIResearch/Illustrious-XL-v2.0. Репозиторий содержит файлы Diffusers и safetensors и использует лицензию faipl-1.0-sd. Карточка не приводит подтверждённых данных о размере и длине контекста. Модель помечена как содержащая чувствительный контент и включает метки hentai и yiff, поэтому подходит для создания взрослого контента.

Карточка модели votepurchase/NSFW-GEN-ANIME-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-GEN-ANIME-v2, поэтому описание составлено по ней. NSFW-GEN-ANIME-v2 — модель UnfilteredAI для генерации изображений в стиле аниме по текстовым описаниям. Она создаёт как обычные, так и откровенные изображения; в карточке указаны 3,47 млрд параметров и формат вычислений FP16. Модель предназначена для создания иллюстраций по текстовым запросам, в том числе контента для взрослой аудитории. В метаданных указана архитектура StableDiffusionXLPipeline и форматы Diffusers и safetensors. Модель объединена на основе OEvortex/PixelGen и UnfilteredAI/NSFW-gen. Для работы с ней нужны текстовый запрос и среда, совместимая с Diffusers. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории модели.

Cel100/qwen-2511 — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией Cel100. Модель предназначена для использования с Diffusers и совместимыми инструментами, поддерживающими diffusion LoRA. В качестве базовой модели указана nnndite/QwenEdit_2511_couple_nsfw_v1.safetensors. Для активации адаптера в запросе необходимо использовать триггерное слово «vajza». README не сообщает точные размер адаптера, архитектурные параметры, поддерживаемые языки и ограничения по контексту. Также из карточки следует, что модель ориентирована на сценарии генерации изображений, однако подробные характеристики качества и область применения не описаны. Модель распространяется по лицензии AFL-3.0. README не содержит количественных оценок, сравнений с другими моделями, сведений о рекомендуемых настройках, ограничениях использования или дополнительных модальностях. Поэтому её сильные и слабые стороны можно оценить только в общих чертах: преимущество заключается в адаптации базовой модели через LoRA и наличии явного триггерного слова, а качество, стабильность результатов и совместимость зависят от базовой модели и используемого программного окружения.