I.10Видео, анимация и 3D

Qwen3-VL-4B-GRPO — видеоязыковая модель на архитектуре Qwen3-VL, дообученная методом Group Relative Policy Optimization (GRPO). Чекпойнт выпущен как исследовательский базовый вариант для статьи о временно-пространственном восприятии в видеоязыковых моделях с помощью контрфактического обучения с подкреплением. Модель предназначена для ответов на вопросы по видео и оценки того, насколько ответы учитывают последовательность событий, направление движения и обратимую динамику. В README описана оценка на DyBench, Video-MME, TempCompass, MVBench и TimeBlind. Модель принимает видео и текстовые запросы и формирует текстовые ответы. Она хранится в формате safetensors и использует библиотеку Transformers. Это экспериментальный исследовательский базовый вариант для сравнения методов обучения, а не заявленная готовая к производству система. README не приводит численных результатов, длину контекста или лицензию, поэтому эти характеристики здесь не уточняются.

Raehoshi illust XL — диффузионная модель генерации изображений по тексту, разработанная Raelina и дообученная на Illustrious XL v0.1. Она предназначена для создания иллюстраций по промптам в стиле тегов Booru. Автор стремился смягчить перенасыщенность цветов и артефактный шум исходной модели; по карточке, эти недостатки уменьшены, но не устранены полностью. Для генерации автор рекомендует CFG 7, 28 шагов и сэмплер Euler a. Модель основана на Stable Diffusion XL; репозиторий содержит веса в форматах Diffusers и safetensors. В метаданных указан английский язык. Лицензия — Fair AI Public License 1.0-SD.

Raehoshi illust XL 11 — диффузионная модель генерации изображений по текстовым запросам, разработанная Raelina и дообученная на Illustrious XL v1.1. Она ориентирована на иллюстрации в аниме-стиле и лучше всего работает с промптами в формате тегов Booru. Модель стремится смягчить избыточную насыщенность и артефактный шум исходной модели, сохраняя её визуальные особенности; по описанию автора, эти проблемы уменьшены, но не устранены полностью. Для генерации автор рекомендует CFG 5–7, не менее 25 шагов и сэмплер Euler a или DPM++2M Karras. Репозиторий содержит формат Diffusers и веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели.

Realistic Vision V5.1 noVAE — модель генерации изображений по текстовому описанию, опубликованная в репозитории scenario-labs на Hugging Face. Карточка предлагает использовать её с Diffusers и StableDiffusionPipeline; файлы репозитория включают веса в форматах Safetensors и checkpoint. Название модели указывает на отсутствие встроенного VAE. Модель предназначена для создания реалистичных изображений по текстовым запросам. Версия Stable Diffusion, число параметров, контекст и поддерживаемые языки в доступных источниках надёжно не установлены. Лицензия — CreativeML Open RAIL-M.

SDPrompt-RetNet-300M — языковая модель семейства RetNet, разработанная isek-ai и обученная с нуля для генерации текстовых промптов к моделям создания изображений. Для обучения использованы наборы Stable Diffusion Prompts и anime-prompts-180K; модель ориентирована на промпты для генерации изображений, включая описания в стиле аниме и теги Danbooru. Модель содержит 300 млн параметров согласно названию репозитория и доступна в форматах PyTorch и Safetensors для Transformers. В README приведён результат оценки: loss 0,3616. Модель принимает текст и генерирует текст. Лицензия репозитория — MIT. Данные не сообщают о длине контекста или гарантированном качестве на иных языках и типах задач.

ashiqabdulkhader/shiba-dog — модель генерации изображений на основе Stable Diffusion, дообученная автором ashiqabdulkhader методом DreamBooth на концепции сиба-ину и изображениях собак из набора ashiqabdulkhader/animals. Она предназначена для создания изображений по текстовым запросам; для вызова обученной концепции в запросе используется формулировка «a photo of shiba dog». Модель распространяется в форматах Diffusers и PyTorch и лицензирована CreativeML OpenRAIL-M.

AI-Porn/anime-desire-illustrious — модель-адаптер LoRA для генерации изображений по текстовому описанию. В README разработчик не указан. Модель распространяется в формате, совместимом с Diffusers, и предназначена для создания иллюстраций в аниме- и стилизованной цифровой эстетике, включая персонажей, различные позы, одежду, окружение, освещение и композиции. Среди примеров есть эротические и откровенно сексуальные сцены. Сильной стороной модели является поддержка детализированных художественных сцен и управление результатом с помощью текстовых промптов, весов токенов и negative prompt. Примеры демонстрируют одиночных персонажей, фантазийные образы, животных, сложное освещение и высокую детализацию. Базовая модель, размер адаптера, требования к видеопамяти, поддерживаемые разрешения, языки промптов и ограничения по контексту в README не указаны. Лицензия и условия использования также не указаны, поэтому перед применением необходимо проверить их отдельно.

Clean Diffusion 2.0 PoC — экспериментальная модель латентной диффузии от разработчика aipicasso, созданная как подтверждение концепции обучения Stable Diffusion на изображениях, заявленных как общественное достояние. Модель предназначена для генерации изображений по текстовым описаниям и, согласно карточке, ориентирована на изображения океана. Модель распространяется в форматах Diffusers и PyTorch, а её архитектура совместима с Stable Diffusion. Автор указывает лицензию OpenRAIL++ и сообщает, что обучение проводилось на наборах ArtBench и Popeye the Sailor Meets Sindbad the Sailor; подробности обучения и юридические сведения в карточке не раскрыты. Карточка не содержит данных о размере модели, контекстном окне или поддерживаемых языках.

ThePioneer разработал CoolerWaifuDiffusion как слияние CoolJapanDiffusion 2.1.1 и WaifuDiffusion 1.4 anime epoch2. Это модель Stable Diffusion на базе Diffusers для генерации изображений по текстовым запросам; автор указывает, что её можно запускать через WebUI в Google Colab. Доли моделей при слиянии указаны в имени файла чекпойнта. Модель ориентирована на художественные и аниме-изображения. В README отмечено, что результат зависит от запроса, а слияние с реалистичными моделями на базе SD 2.1 768 может давать чрезмерно насыщенные цвета; с моделями на базе SD 2.1 512 такой проблемы автор не наблюдал. Метаданные указывают поддержку английского и японского языков. Лицензия обозначена как other; README отсылает к отдельным файлам лицензии на японском и английском, поэтому конкретные условия использования следует сверять с ними.

DucHaitenNiji Cute v2.3.5 — модель генерации изображений по текстовому описанию, опубликованная Yntec и основанная на семействе Stable Diffusion. Она предназначена для создания милых мультяшных и аниме-иллюстраций, в том числе изображений персонажей в стиле chibi. Репозиторий представлен в форматах Diffusers и PyTorch с весами Safetensors; для работы используется библиотека Diffusers. В карточке приведён пример промпта для детализированного изображения милой девушки с крупными глазами. Модель ориентирована на визуальный стиль, а не на универсальную генерацию изображений. Лицензия — CreativeML OpenRAIL-M; её условия использования и ограничения следует учитывать при распространении и применении созданных изображений.

EndoCoT — исследовательская модель и подход к пошаговому рассуждению в диффузионных моделях, разработанные командой InternLM. Этот чекпойнт дообучен на основе Qwen/Qwen-Image-Edit-2511 и предназначен для редактирования изображений по текстовым инструкциям с промежуточными шагами латентного рассуждения. Модель принимает изображение и текстовую инструкцию и создаёт отредактированное изображение. В README показан сценарий с задачей Maze и входным изображением головоломки; авторы сообщают, что подход превосходит обычные методы обучения на Qwen-Image-Edit-2511 и позволяет получать прозрачные промежуточные траектории рассуждений. Репозиторий предоставляет веса в формате Diffusers и Safetensors, а также код обучения. Для изменения числа шагов рассуждения требуется вручную править параметры в реализации пайплайна; авторы отмечают, что настройка пока устроена просто и планируется её улучшение. Лицензия модели — MIT. Данные обучения обозначены в метаданных как internlm/EndoCoT-Data.

Это экспериментальная конверсия FLUX.1-schnell в формате FP8, созданная в Hugging Face Spaces по самодельному скрипту. Исходную модель разработала Black Forest Labs. Репозиторий предназначен для генерации изображений по текстовому описанию и содержит файлы Diffusers и Safetensors; в метаданных указан английский язык. Работоспособность конверсии автор не подтвердил. По сообщению карточки, серверный Inference API не поддерживает torch float8_e4m3fn для этой модели, поэтому через этот API она не работает. Лицензия обозначена как other; конкретные условия в предоставленных данных не описаны.

FLUX NSFW unlock — адаптер LoRA для генерации изображений по текстовому описанию на базе black-forest-labs/FLUX.1-dev. Модель разработана пользователем или организацией shahtab; README не содержит дополнительных сведений о разработчике, данных обучения и методике создания. Для активации адаптера используется триггерное слово aidmaNSWFunlock. Модель предназначена для сценариев text-to-image, в которых требуется изменить или расширить поведение базовой модели FLUX.1-dev. Веса доступны в формате Safetensors и, судя по карточке, должны использоваться вместе с совместимой базовой моделью и инструментами экосистемы Diffusers. Архитектура, размер, поддерживаемые языки, максимальная длина контекста и конкретные модальности, помимо текстового ввода и изображения на выходе, не указаны. README также не приводит количественных оценок качества и ограничений, поэтому производительность зависит от базовой модели и параметров применения адаптера. Лицензия — Apache-2.0.

Shar514/Flux-Uncensored-V2 — адаптер LoRA, разработанный EnhanceAI для базовой модели black-forest-labs/FLUX.1-dev. Он предназначен для генерации изображений по текстовым описаниям с ослабленными ограничениями на контент, включая NSFW- и другие откровенные изображения. Адаптер подключается к конвейеру FLUX.1-dev через библиотеку diffusers. Версия v2 заявлена как более производительная и стабильная по сравнению с предыдущей, а также как более компактная благодаря оптимизированным LoRA-весам без существенного ухудшения качества. В README указаны файл весов lora.safetensors, рекомендуемый тип данных torch.bfloat16 и использование CUDA-совместимой видеокарты для оптимальной скорости. Поддерживаемые языки, точный размер адаптера, максимальная длина контекста и дополнительные модальности не указаны. Модель подходит для исследовательских и личных сценариев генерации изображений, однако её способность создавать откровенный контент требует соблюдения законодательства, этических норм и правил используемой платформы. Для адаптера указана некоммерческая лицензия FLUX-1-dev Non-Commercial License, поэтому коммерческое применение не разрешено условиями, приведёнными в README.

Longan Mix — слитая модель генерации изображений от Hemlok на основе 7th_Layer(). Она предназначена прежде всего для создания изображений в аниме-стиле с милыми персонажами; реалистичный стиль выражен слабее. Модель принимает текстовые запросы и выдаёт изображения. В README приведены рекомендуемые настройки: DDIM или DPM++ SDE Karras, около 20 шагов и более, Clip Skip 2 и CFG Scale 5–12. Для 7th_Layer рекомендуется использовать негативные запросы; выбор VAE оставлен пользователю. Указанные настройки служат ориентирами, а результат зависит от запроса и параметров генерации. Лицензия обозначена как other, поэтому конкретные условия использования по имеющимся сведениям определить нельзя. Создатель оставляет решение о создании SFW- и NSFW-изображений пользователю и не подтверждает проверку NSFW-результатов.

ShadoWxShinigamI/Midjourney-Splatter-Art — экспериментальная модель генерации изображений в стиле живописных брызг, связанная с эстетикой Midjourney-v4-PaintArt. Для вызова стиля в запросе используется токен mdjrny-splttr. Модель предназначена для преобразования текстовых описаний в изображения и доступна в форматах Diffusers, PyTorch и safetensors. Автор README называет модель незавершённой работой. Репозиторий распространяется по лицензии MIT; сведения о размере, архитектуре базовой модели, поддерживаемых языках и контексте не приведены.

Nightmare Promptgen третьего поколения — языковая модель для генерации промптов InvokeAI, разработанная cactusfriend на основе архитектуры OpenELM от Apple. Она предназначена для создания текстовых описаний, которые можно использовать как промпты для генерации изображений в InvokeAI. Модель использует плотную causal language modeling архитектуру OpenELMForCausalLM и распространяется в формате Safetensors для Transformers. В карточке указана лицензия OpenRAIL. Размер модели, длина контекста и поддерживаемые естественные языки не приводятся.

Карточка модели kyInfinity/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

Карточка модели Unfilteredai334455/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

nsfwv2-zit — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем wolfer45. Модель предназначена для использования с базовой моделью Tongyi-MAI/Z-Image-Turbo в сценариях text-to-image через Diffusers. Для активации адаптера необходимо использовать триггерное слово nsfwv2-zit. README не содержит сведений о размере адаптера, точной архитектуре, поддерживаемых языках, длине контекста, дополнительных модальностях, сильных сторонах или ограничениях. Также условия лицензии и разрешённые сценарии использования не указаны, поэтому их следует уточнять отдельно перед применением модели.

Original-Character---Cyclps — модель генерации изображений, созданная alvdansen методом DreamBooth на базе Stable Diffusion. Она обучена на 12 изображениях в течение 1500 шагов как часть исследования Archimedes Institute о том, как обучать модели изображению оригинальных персонажей. Для генерации персонажа используется текстовое описание; модель совместима с Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Модель предназначена для создания изображений персонажа Cyclps по текстовым запросам. В README приведены варианты запуска через интерфейс AUTOMATIC1111 и Diffusers. Карточка не уточняет размер модели, поддерживаемые языки, длину контекста и ограничения на качество генерации.

Paint Journey V1 — модель генерации изображений по текстовому описанию, созданная Fred Zhang. Это дообученная на Linux DreamBooth модель Dreamlike Diffusion V1, обученная на 260 отобранных акварельных и цифровых картинах, созданных Disco Diffusion. Она предназначена для создания художественных изображений в этих стилях; автор рекомендует добавлять слово «disco» в начало запроса. Модель совместима с промптами для Stable Diffusion 1.5 и доступна в форматах Diffusers и PyTorch. Для портретов, пейзажей и других сюжетов README приводит рекомендуемые разрешения от 768×768 до 1088×768. Указана лицензия CreativeML OpenRAIL-M. README также предупреждает, что сгенерированные изображения могут содержать анатомические искажения, лишние пальцы, размытие и другие дефекты; для фильтрации небезопасного контента предлагается подключать внешний safety checker.

Модель sd-dreambooth-library/puuung разработана MrKuenning как дообученная с помощью DreamBooth версия Stable Diffusion, обученная на концепции Puuung. Она предназначена для генерации изображений по текстовому описанию; для вызова концепции в запросе README рекомендует использовать слово «Puuung». Репозиторий представлен в форматах Diffusers и PyTorch, задача модели — text-to-image. Лицензия — MIT. Модель подходит для создания изображений с концепцией Puuung по текстовым запросам. Сведения о размере, длине контекста, поддерживаемых языках и известных ограничениях в карточке не приведены.

PVC v4 — латентная диффузионная модель для генерации изображений по текстовым запросам, дообученная p1atdev на Waifu Diffusion v1.5 beta 2.6 с изображениями фигурок из ПВХ. Для создания изображений можно использовать теги Danbooru; тег pvc задаёт стиль материала, figma помогает получить фигурки с шарнирами, а nendoroid вместе с chibi — стиль чиби-фигурок. В README также рекомендуется применять Highres fix и VAE от Waifu Diffusion для получения более качественных результатов. Модель предназначена для генерации иллюстраций коллекционных фигурок, включая стили фигурок Figma и Nendoroid. Репозиторий содержит веса safetensors в форматах fp16 и fp32 и поддерживает запуск через Diffusers StableDiffusionPipeline. Карточка указывает лицензию other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели.

sd-vae-ft-mse-flax — вариант автоэнкодера KL-f8 для Stable Diffusion, опубликованный в формате Flax и предназначенный для использования с библиотекой Diffusers. Разработчики дообучили только декодер исходного автоэнкодера: сначала получили версию ft-EMA, затем продолжили её обучение для версии ft-MSE, используя функцию потерь MSE + 0,1 × LPIPS и веса EMA. В карточке указаны обучение на смеси LAION-Aesthetics и набора изображений людей LAION-Humans, а также цель улучшить восстановление лиц. Автоэнкодер восстанавливает изображения из латентных представлений и обратно; он совместим с существующими моделями Stable Diffusion как замена исходного автоэнкодера. Версия ft-MSE даёт более сглаженные результаты реконструкции. Это компонент генеративного конвейера Stable Diffusion, а не самостоятельная модель для генерации изображений по текстовому запросу. Распространяется по лицензии MIT.

SeaArt-Furry-XL-1.0 — модель генерации изображений по тексту от SeaArt на архитектуре Stable Diffusion XL. Она предназначена для создания иллюстраций в furry-стиле и ориентирована на персонажей разных видов, в том числе млекопитающих и птиц. Веса представлены в формате Diffusers и точности fp16; для генерации используются текстовые энкодеры OpenCLIP-ViT/G и CLIP-ViT/L. Модель подходит художникам и любителям furry-арта для создания персонажей, подбора художественных стилей и получения идей для иллюстраций. В README рекомендовано располагать элементы промпта в порядке: вид, художник, детализация, подсказка качества и уровень NSFW; среди рекомендованных размеров указаны 1024×1024, 1152×896 и 896×1152. Карточка отмечает, что подсказки «masterpiece» и «best quality» могут склонять генерацию к NSFW-содержанию. Репозиторий содержит конвертированную в Diffusers версию файла furry-xl-4.0.safetensors; README указывает, что исходный вариант имеет точность fp32. В Diffusers-раздаче отсутствует файл unet/config.json, что может потребовать дополнительных действий при загрузке. Метаданные указывают лицензию creativeml-openrail-m, тогда как README называет Fair AI Public License 1.0-SD; лицензионные условия следует сверить с источником распространения.

SonicDiffusionV2 — модель генерации изображений по текстовому описанию, опубликованная Metal079. Автор сообщает, что версия обучалась 200 эпох на базе AnythingV3 на 203 изображениях разных художников с ручными подписями; также приведены примеры версии на базе Stable Diffusion 2.1, обучение которой было прервано на 30 000 шагах. В репозитории указаны форматы Diffusers и PyTorch. Модель предназначена для создания иллюстраций с персонажами mobian и настройки художественного стиля и контекста по текстовым промптам. Автор отмечает склонность к женским персонажам из-за состава обучающих изображений и размытие у краёв изображения, связанное с кадрированием обучающих примеров. Лицензия в предоставленных данных не указана.

Supra2-IMG — компактная модель генерации изображений по текстовому описанию, разработанная SupraLabs. Это диффузионный трансформер SupraDiT примерно на 104,1 млн параметров, обученный с нуля на 5,6 млн синтетических изображений из LucasFang/FLUX-Reason-6M. Для кодирования текста используется замороженный Flan-T5-Base с контекстом до 128 токенов, а изображения создаются через SD-VAE-FT-MSE с разрешением 256 × 256 пикселей. Модель предназначена для генерации изображений по текстовым запросам. В README приведены метрики FID 27,9 и CLIP 29,4, а для генерации рекомендованы 50 шагов и CFG 3.0. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. По опубликованным характеристикам модель ориентирована на небольшие изображения; качество для иных разрешений и широкого спектра запросов не подтверждено.

JingyeChen22/textdiffuser2_layout_planner — планировщик макета для TextDiffuser-2, разработанный для системы генерации изображений с текстом. В репозитории размещена модель из статьи «TextDiffuser-2: Unleashing the Power of Language Models for Text Rendering»; карточка указывает архитектуру LlamaForCausalLM и 6,6 млрд параметров. Модель принимает текстовые запросы и предназначена для планирования размещения текста перед генерацией изображения; в метаданных также указана задача text-to-image. Модель опубликована в формате PyTorch, использует библиотеку Diffusers и имеет контекстное окно 4096 токенов. Лицензия — MIT. README сообщает о наличии скрипта для запуска инференса, но не описывает точный формат результата планировщика, поддерживаемые языки или метрики качества.