I.10Видео, анимация и 3D

X-CLIP Base Patch16 — видеоязычная модель Microsoft для распознавания действий и классификации видео. Это расширение CLIP, обученное контрастивно на парах видео и текста и полностью под надзором на датасете Kinetics-400. Модель обрабатывает 16 кадров видео с разрешением 224×224; в репозитории представлены веса PyTorch. Модель подходит для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствия между видео и текстом. Её можно применять для оценки того, насколько описание подходит к видеоролику. На Kinetics-400 указаны точность top-1 84,7% и top-5 96,8%. Лицензия — MIT. Модель обучалась на Kinetics-400; её результаты и применимость могут зависеть от сходства целевых видео с обучающими данными и от предварительной обработки кадров.

AuroraCap-7B-VID-xtuner — мультимодальная модель для создания подписей к изображениям и видео. Это вариант AuroraCap в формате Xtuner, разработанный для инференса и дальнейшего обучения; в карточке указаны ссылки на статью, код и обучающий набор AuroraCap-trainset. Модель основана на Vicuna 7B v1.5 16K с архитектурой Llama и содержит 6,6 млрд параметров. Она принимает визуальные данные и формирует текстовые описания; заявленный контекст составляет 4096 токенов. В метаданных основной задачей автора указана генерация текста, однако назначение модели и тег video-text-to-text указывают на описание видео. Модель распространяется под лицензией Apache-2.0. README отмечает, что формат Xtuner подходит для инференса и продолжения обучения; заявлена также возможность ускорять обучение с помощью объединения токенов при сохранении близкого качества. Подробности о поддерживаемых языках и ограничениях качества не приведены.

OneDiffusion — модель генерации и преобразования изображений, представленная в работе «One Diffusion to Generate Them All». Репозиторий использует библиотеку Diffusers и распространяет веса в формате safetensors; в качестве VAE указан SD3 VAE, а текстовый энкодер — T5-XL. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование בלבד. Модель предназначена для нескольких сценариев работы с изображениями: генерации изображений по тексту, создания многовидовых изображений по тексту или одному изображению, генерации с учётом заданного субъекта и редактирования изображения по текстовым инструкциям. README также описывает сочетание задач в zero-shot режиме, но предупреждает, что такие комбинации могут работать нестабильно и зависеть от порядка токенов и подписей. Авторы дообучили модель на Subject-200K для генерации с заданным субъектом и на OmniEdit для редактирования. Для составных сценариев авторы рекомендуют дообучение, если требуется более надёжное поведение. Длина контекста и поддерживаемые естественные языки в предоставленных данных не определены.

Krea 2 Registered Outpaint — адаптер LoRA, опубликованный пользователем yijunwang2 для расширения изображений на больший холст с сохранением исходных пикселей и размещением исходного изображения в заданной области. Модель основана на Krea 2 Raw и предназначена для дистиллированного вывода за 8 шагов с базовой моделью Krea-2-Turbo через библиотеку Diffusers. Адаптер используется для outpainting и редактирования изображений: продолжения сцен вправо, влево, вверх или вниз, изменения квадратного формата на альбомный или портретный, а также согласованного продолжения перспективы, освещения, текстур и повторяющихся элементов. На вход подаются RGB-изображение, целевой холст с размерами, кратными 16, ограничивающий прямоугольник исходного изображения и промпт для полной композиции. Поддерживаются фотореалистичные, акварельные и стилизованные 3D-сцены. Ключевая особенность — rank-32 LoRA с координатным позиционированием токенов исходного изображения относительно целевого холста. Максимальный размер кодирования опорного изображения по большей стороне составляет 384 пикселя; после генерации исходные пиксели восстанавливаются с 32-пиксельным внутренним растушёвыванием границы. Рекомендуемые параметры: 8 шагов, guidance scale 0, LoRA scale 1, отключённое VLM-кодирование и включённый кэш reference K/V. Адаптер требует специального pipeline и не совместим с автоматически создаваемым Diffusers-примером и обычными импортерами LoRA. Лицензия модели — Krea 2 Community License; код pipeline и вспомогательных компонентов распространяется по Apache-2.0.

kli017/majicMIX-realistic-v7 — модель генерации изображений по текстовому описанию, опубликованная пользователем kli017 на Hugging Face. Она предназначена для создания реалистичных изображений по промптам и работает через Diffusers StableDiffusionPipeline. Модель построена на архитектуре Stable Diffusion с компонентами CLIPTextModel, UNet2DConditionModel, AutoencoderKL и PNDMScheduler. Репозиторий содержит версии в форматах Safetensors и CKPT; размер файла весов Safetensors составляет около 2,13 ГБ. Модель принимает текстовые описания и генерирует изображения, например сцены, персонажей и предметные композиции. В карточке модели не указаны лицензия, поддерживаемые языки промптов, точное число параметров и длина контекста. Также отсутствуют сведения о специализированных доменах и официальных ограничениях.

Meissonic — модель генерации изображений по текстовому описанию, разработанная командой ATH-MaaS. Она использует неп autoregressive masked image modeling: изображение создаётся по маскам, а не последовательным предсказанием пикселей. Модель также заявлена для преобразования изображений и рассчитана на запуск на потребительских видеокартах. Meissonic генерирует изображения с разрешением до 1024×1024. Репозиторий содержит веса в формате Diffusers и safetensors; лицензия — Apache-2.0. Разработчики применяли проверки соответствия при обучении, но предупреждают, что не могут гарантировать отсутствие проблемного контента или нарушений авторских прав.

Cosmos-Reason2-2B-W4A16-Edge2 — оптимизированная Embedl версия мультимодальной модели NVIDIA Cosmos-Reason2-2B. Она принимает текст и изображения или видео и генерирует текст; предназначена для рассуждений по визуальным данным, диалогового взаимодействия, видеоаналитики и планирования, в том числе на периферийных устройствах NVIDIA, таких как Jetson Orin Nano Super. Веса квантованы до INT4, активации и отдельные чувствительные слои сохранены в FP16. По заявлению README, смешанная точность почти не снижает точность и сохраняет двукратное ускорение; для некоторых периферийных конфигураций могут потребоваться пропатченная сборка vLLM и оптимизации Embedl. Лицензия указана как Apache 2.0, при этом оптимизированные компоненты распространяются по Embedl Models Community Licence v1.0 без права перераспространения.

Flex.2-preview — открытая диффузионная модель генерации изображений по тексту, созданная сообществом и представленная как продолжение Flex.1-alpha. Модель содержит 8 млрд параметров, использует 16-канальное латентное пространство и принимает входной текст длиной до 512 токенов. В метаданных указана библиотека Diffusers и формат safetensors. Модель предназначена для генерации изображений по текстовым запросам, редактирования областей изображения с помощью встроенного inpainting и управления генерацией по позе, контурам или карте глубины. В README заявлен guidance embedder, ускоряющий генерацию вдвое, но сравнительные условия не описаны. Модель доступна для экспериментов и тонкой настройки, поддерживает использование через Diffusers и ComfyUI. Это ранняя preview-версия, выпущенная для сбора отзывов и проверки новых возможностей; качество и слабые стороны автор предлагает оценивать экспериментально. Лицензия Apache 2.0 разрешает свободное использование, включая коммерческие сценарии.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, представленная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для запуска через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по текстовым запросам, включая творческие проекты и приложения, которым важны качество результата и следование описанию. Лицензия Apache-2.0 разрешает личное, научное и коммерческое использование. Для производных моделей также перечислены ограничения на незаконное использование, вред несовершеннолетним, создание вредоносной дезинформации и другие виды злоупотребления. Модель не предназначена для предоставления фактической информации. Результат может не соответствовать запросу, а следование промпту зависит от его формулировки; модель также может усиливать общественные предубеждения.

HiDream-I1-Full — полноразмерная версия открытой модели генерации изображений HiDream-I1, разработанная HiDream.ai. Это генеративная модель с разреженным диффузионным трансформером и 17 млрд параметров; она работает в библиотеке Diffusers и создаёт изображения по текстовым запросам. Модель рассчитана на генерацию в разных стилях, включая фотореализм, мультфильм и художественные изображения, с акцентом на качество и точное следование запросу. Модель подходит для создания иллюстраций, концепт-арта, изображений для творческих проектов и коммерческих материалов. В README заявлены высокие результаты на бенчмарках качества и соответствия запросам. Для запуска требуется Flash Attention; авторы рекомендуют CUDA 12.4. Модель распространяется по лицензии MIT, а README допускает личное, научное и коммерческое использование созданных изображений.

HiDream-O1-Image-Dev-2604-BF16 — конверсия в формате BF16 модели HiDream-ai/HiDream-O1-Image-Dev-2604, подготовленная для работы с ComfyUI. Исходная модель — дистиллированная версия семейства HiDream-O1-Image с архитектурой Pixel-level Unified Transformer: она совместно обрабатывает пиксели, текст и управляющие условия. Вариант Dev выполняет генерацию за 28 шагов; заявленное разрешение изображений — до 2048 × 2048. Модель предназначена для генерации изображений по тексту, персонализации изображений по объекту, управления расположением объектов через разметку областей и задания позы по скелету OpenPose. Семейство также поддерживает редактирование изображений по инструкции, но для таких задач разработчик рекомендует полную версию. Обновление 2604 добавляет ускоренный вывод для персонализации и обновлённый планировщик редактирования. В режиме Dev CFG отключён, поэтому негативные промпты не влияют на результат. Для BF16 требуется примерно 17–20 ГБ видеопамяти; README предупреждает о проблемах совместимости с PyTorch 2.9.x и рекомендует версию 2.8.x или ниже. Модель использует входные изображения и текстовые запросы и генерирует изображения. README заявляет поддержку многоязычного текста, но конкретные языки не перечисляет. Репозиторий распространяется по лицензии MIT.

HiDream-O1-Image-Dev-2604-FP8 — квантованная версия в смешанной точности FP8 модели HiDream-ai/HiDream-O1-Image-Dev-2604 от HiDream.ai. Это 9-миллиардная модель для генерации и обработки изображений, рассчитанная на запуск через Diffusers и ComfyUI. Вариант Dev использует дистиллированный 28-шаговый режим; веса FP8 Mixed занимают около 10 ГБ видеопамяти, а чувствительные слои сохраняют более высокую точность. Архитектура исходной модели описана как Pixel-level Unified Transformer, работающий с пикселями, текстом и условиями задач в общем пространстве токенов. Модель предназначена для генерации изображений по тексту, персонализации по изображению-образцу, управления размещением объектов и позой с помощью ограничивающих рамок и скелетных условий. Она поддерживает синтез с разрешением до 2048 × 2048 и многоязычную отрисовку текста. Для редактирования изображений по инструкциям README рекомендует полную версию модели; в Dev-режиме CFG отключён, поэтому негативные промпты не влияют на результат. Репозиторий распространяется по лицензии MIT. README предупреждает о проблемах совместимости с PyTorch 2.9.x и рекомендует версии 2.8.x или ниже; ускорение FP8 зависит от видеокарты, а на старом оборудовании возможно снижение скорости из-за преобразования весов на лету.

Meissonic — модель для генерации изображений по текстовому описанию, разработанная авторами проекта Meissonic. Она использует безавторегрессионное маскированное моделирование изображений на основе Masked Generative Transformer и предназначена для эффективного синтеза изображений высокого разрешения, в том числе на потребительских видеокартах. Модель распространяется в формате Diffusers с весами Safetensors и поддерживает английские текстовые запросы. Лицензия — Apache-2.0. README направляет к внешним материалам проекта за инструкциями по использованию.

Parler-TTS Mini Multilingual v1 — модель синтеза речи, разработанная в сотрудничестве аудиокоманды Hugging Face и Quantum Squadra при участии AI4Bharat. Это дообученная версия Parler-TTS Mini, построенная на архитектуре Parler-TTS и предназначенная для преобразования текста в речь на английском, французском, испанском, португальском, польском, немецком, итальянском и нидерландском языках. Модель генерирует речь по тексту и позволяет управлять её характеристиками с помощью текстового описания. Для обработки используются отдельные токенизаторы текста и описания; улучшенный токенизатор с расширенным словарём и резервным кодированием байтов упрощает мультиязычное обучение и расширение языкового охвата. При обучении использовались очищенные данные CML-TTS и неанглоязычная часть Multilingual LibriSpeech — около 9 200 часов данных, а также примерно 580 часов английских записей LibriTTS-R. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0. В карточке не указаны размер модели и длина контекста.

Qwen-Edit-2509-Multi-Angle-Lighting — это LoRA-адаптер для image-to-image обработки изображений, созданный сообществом dx8152 на базе Qwen/Qwen-Image-Edit-2509. Модель предназначена для перенастройки освещения изображения с использованием карты яркости: можно задавать направление источника света спереди, сзади, сбоку, сверху, снизу и под промежуточными углами. Для работы используются исходное изображение и изображение с картой яркости, а рекомендуемый сценарий задаётся текстовым запросом на русском или английском языке. Ключевые сведения об архитектуре и размере адаптера, поддерживаемых языках и максимальном контексте в README не указаны. Авторы отмечают улучшение общего качества и возможность управлять яркостью света с помощью чёрно-белых настроек карты яркости. Ограничение модели состоит в том, что освещение под некоторыми углами пока может контролироваться нестабильно; это заявлено как область для будущего обновления. Модель распространяется по лицензии Apache-2.0.

Карточка модели mario-d-robot/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели wolf1280/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Qwen Image Edit Inscene LoRA — открытая LoRA-модель, разработанная FlyMy.AI для Qwen/Qwen-Image-Edit. Она предназначена для редактирования изображений внутри исходной сцены с сохранением её контекста, пространственных взаимосвязей и логики композиции. Модель подходит для изменения положения объектов, действий персонажей, ракурса камеры и последовательных действий в одной сцене. Это адаптация методом Low-Rank Adaptation, распространяемая в формате SafeTensors и совместимая с библиотекой Hugging Face Diffusers. Она усиливает пространственное понимание, позиционирование объектов, согласованность сцены и управляемое редактирование по текстовому описанию. Модель работает с изображениями и текстовыми промптами; README не указывает размер модели, максимальную длину контекста или полный набор поддерживаемых языков, кроме обозначенного английского. Модель особенно полезна для in-scene editing, где требуется внести целевые изменения без потери общей структуры исходного изображения. Ограничения связаны с зависимостью от базовой модели Qwen/Qwen-Image-Edit и отсутствием в README количественных оценок качества, подробных требований к оборудованию и описания известных проблем. Проект распространяется по лицензии Apache 2.0.

TextFlux — модель на архитектуре Diffusion Transformer (DiT), разработанная для создания реалистичных надписей внутри изображений и сцен. Она дообучена на основе black-forest-labs/FLUX.1-Fill-dev и использует прямое пространственное объединение изображения сцены с визуальными образцами глифов, поэтому для синтеза текста не требуется OCR-энкодер. Модель предназначена для генерации многоязычных надписей, согласованных с контекстом и стилем сцены, в том числе для языков с ограниченными данными. В README заявлены полновесная версия и веса LoRA, а также демо с режимами для готовых входов и пользовательских сцен с масками. Для работы нужны код модели и зависимости на базе PyTorch и Diffusers версии 0.32.1 или новее. Репозиторий распространяется по лицензии CC BY-NC 2.0, которая ограничивает коммерческое использование.

V-JEPA 2 ViT-L 256 — модель для классификации видео, разработанная FAIR при Meta. Это вариант V-JEPA 2 с головой классификации видео, дообученный на наборе Something-Something-V2; модель содержит 402,7 млн параметров и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для присвоения видео меток классов и анализа действий, показанных в ролике. Она может использоваться для распознавания действий в коротких видео и построения систем понимания видеосодержимого. В метаданных указан базовый чекпойнт facebook/vjepa2-vitl-fpc64-256; репозиторий лицензирован по MIT.

misri/zavychromaxl_v100 — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face и основанная на ZavyChromaXL V10.0; исходным автором указан Zavy. Модель распространяется в формате Diffusers и совместима с StableDiffusionXLPipeline, а также представлена как checkpoint на базе SDXL 1.0. Модель предназначена для создания реалистичных изображений по текстовым промптам и может применяться в сценариях text-to-image и image-to-image. Репозиторий содержит компоненты SDXL, включая scheduler, два text encoder, два tokenizer, UNet и VAE; размер файлов репозитория составляет около 13,9 ГБ. Для запуска рекомендуется библиотека Diffusers и вычислительное устройство с поддержкой CUDA или MPS. Для модели указаны рекомендации использовать 20–40 шагов генерации и CFG scale примерно 6–7, однако эти параметры относятся к опубликованным рекомендациям для ZavyChromaXL V10.0. Лицензия репозитория обозначена как unknown, поэтому условия коммерческого и иного использования необходимо проверять отдельно до применения модели.

silveroxides/FLUX.2-dev-fp8_scaled — версия FLUX.2 [dev] от silveroxides, основанная на модели Black Forest Labs. Это FP8 scaled-вариант 32-миллиардной rectified flow transformer, предназначенный для генерации изображений по тексту, редактирования изображений и работы с одним или несколькими референсами. Карточка репозитория отмечает ускорение при использовании указанного workflow и специального загрузчика, в том числе на видеокартах с меньшим объёмом видеопамяти. Модель принимает текстовые инструкции и изображения, выдаёт изображения; заявленный язык карточки — английский. Для запуска автор рекомендует workflow и загрузчик для ComfyUI. Модельная карточка указывает лицензию FLUX Dev Non-Commercial License; коммерческое использование весов ограничено её условиями.

InternVideo3-8B-Instruct — мультимодальная модель для понимания длинных видео и диалогового рассуждения о визуальном содержимом. В карточке она представлена как модель семейства InternVideo3; репозиторий указывает архитектуру InternVideo3ForConditionalGeneration и библиотеку Transformers. Модель принимает видео и текст, а также поддерживает понимание изображений и текстовые диалоги; заявленное окно контекста — до 256 тысяч токенов, а обучение для длинных видео охватывает до 2048 кадров при 4 кадрах в секунду. Модель предназначена для ответов на вопросы о видео, временной привязки событий и многошагового анализа длинных видеозаписей. В README также заявлены агентные циклы с использованием инструментов для распознавания речи, веб-поиска, сегментации видео и проверки ответов. Описание обучения упоминает дообучение на текстовых, визуально-текстовых и видеоданных, а также дистилляцию от Qwen3-235B; точная связь этой версии с базовой моделью отдельно не указана. Архитектура включает 27-слойный визуальный ViT и 36-слойную языковую модель; название версии указывает на размер 8B. README заявляет механизм M²LA для снижения затрат KV-кэша и обработки длинного контекста. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Заявленные характеристики и агентные возможности приведены в карточке модели и не сопровождаются здесь независимой оценкой качества.

Карточка модели Azily/Macro-Qwen-Image-Edit на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Molmo2-8B — открытая мультимодальная модель для понимания изображений, видео и наборов изображений, разработанная Allen Institute for AI (Ai2). Она объединяет языковую основу Qwen3-8B с визуальным энкодером SigLIP 2; каталог указывает плотную архитектуру Molmo2 и формат весов safetensors. Модель принимает визуальный материал и текстовые запросы, а ответы формулирует текстом. Модель предназначена для вопросов и ответов по изображениям и видео, описания сцен, подсчёта объектов, указания их местоположения и отслеживания объектов в видео. По данным README, она показывает сильные результаты на коротких видео, подсчёте и создании описаний, а на длинных видео конкурентоспособна. В метаданных указан английский язык; языки кроме него не подтверждены. Репозиторий распространяется по лицензии Apache-2.0. Контекстное окно в предоставленных данных не описано.

Motif Vision Encoder — разработанная Motif Technologies самоконтролируемая модель визуального кодирования на базе ViT, предназначенная для извлечения признаков из изображений и видео. Единый 3D-свёрточный токенизатор обрабатывает изображение как клип из одного кадра, а видео — как последовательность кадров; модель формирует плотные признаки патчей и глобальное представление CLS, согласованное с языковым пространством. Архитектура — ViT-7B с размерностью 4096, 40 слоями, 32 головами внимания и патчами 16×16; используются 3D axial RoPE, SwiGLU и четыре register-токена. По данным карточки, модель обучена примерно на 0,5 млрд образцов и показывает сильные результаты в переносе точек по видео и конкурентные показатели на визуальных бенчмарках. Для изображений процессор масштабирует короткую сторону до 512 пикселей, затем делает центральное кадрирование 512×512; высота и ширина должны быть кратны 16. Модель требует значительных вычислительных ресурсов из-за размера ViT-7B. Лицензия — MIT.

Карточка модели perpetual3x/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели shanghen/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели ssh4dm/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

DESSEP/SDXL-v1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Evgeniy Pantin на основе Stable Diffusion XL Base 1.0 от Stability AI. Это диффузионная модель в формате Diffusers с весами Safetensors; для текстового кодирования используются OpenCLIP-ViT/G и CLIP-ViT/L. Модель предназначена для создания изображений по промптам и изменения изображений. Версия «a12» прошла 12 шагов дообучения на специально отобранных 80 изображениях; автор рекомендует использовать последнюю доступную версию репозитория. Основной язык промптов — английский. Лицензия CreativeML Open RAIL++-M разрешает коммерческое и некоммерческое использование с соблюдением её условий и ограничений. Модель может плохо отображать читаемый текст, сложные пространственные композиции, лица и людей; автоэнкодер вносит потери. Она не предназначена для достоверного воспроизведения людей или событий, а результаты на других языках могут быть хуже. Обучающие изображения, согласно карточке, не содержали NSFW-данных.