I.10Видео, анимация и 3D

X-CLIP Base Patch16 — видеоязыковая модель Microsoft, обученная с учителем на наборе Kinetics-600. Это расширение CLIP для понимания видео: модель сопоставляет видеокадры и текст в общем пространстве признаков и подходит для классификации видео с нулевым или малым числом примеров, а также для поиска соответствий между видео и текстом. Вариант обучен на 8 кадрах каждого видео с разрешением 224 × 224 пикселя; архитектура использует патчи размером 16 пикселей. Модель может оценивать соответствие текста видео и классифицировать видео по текстовым описаниям или размеченным категориям. На Kinetics-600 указаны точность top-1 85,3% и top-5 97,1%. Доступны веса в формате PyTorch. Модель распространяется по лицензии MIT. Результаты зависят от предобработки кадров и набора классов или текстовых описаний. Обучение на Kinetics-600 и использование 8 кадров могут ограничивать качество на видео, сценах и действиях, отличных от обучающих данных; карточка не приводит подробных ограничений и оценки переноса на другие домены.

AnalogMadness-realistic-model-v7 — модель для генерации изображений по текстовому описанию, опубликованная пользователем или организацией digiplay на Hugging Face. Модель относится к экосистеме Stable Diffusion и предназначена для использования с библиотекой Diffusers и конвейером StableDiffusionPipeline. Модель подходит для создания реалистичных изображений по текстовым промптам, концепт-артов, иллюстраций и визуальных прототипов. В метаданных указан тип задачи text-to-image, а также форматы и технологии diffusers и safetensors. Дополнительные сведения о размере модели, архитектурных настройках, поддерживаемых языках, длине контекста и точных характеристиках реалистичного стиля в карточке не приведены. Лицензия обозначена как other, поэтому перед использованием необходимо ознакомиться с условиями лицензирования, связанными с моделью и её исходным распространением.

ControlNet v1.1 instruct pix2pix — модель для управляемой генерации и редактирования изображений на основе диффузионных моделей. Она разработана Lvmin Zhang и Maneesh Agrawala, а данный репозиторий содержит конвертацию исходного checkpoint в формат diffusers. Модель предназначена для работы совместно с Stable Diffusion, прежде всего runwayml/stable-diffusion-v1-5. Архитектура ControlNet добавляет к предварительно обученной диффузионной модели дополнительные условия управления. Эта версия обучена для сценариев instruct pix2pix, то есть редактирования исходного изображения по текстовой инструкции: например, изменения внешнего вида или добавления объектов. Заявлены текстовая и визуальная модальности, английский язык и тип задачи text-to-image, адаптированный для image-to-image редактирования. Размер модели и максимальная длина контекста в README не указаны. Сильная сторона модели — возможность сохранять и использовать структуру исходного изображения, одновременно управляя результатом текстовым описанием. Checkpoint рекомендуется применять со Stable Diffusion v1-5; совместимость с другими диффузионными моделями возможна, но не гарантируется. Ограничения, показатели качества и требования к вычислительным ресурсам не приведены. Модель распространяется по лицензии CreativeML OpenRAIL M, адаптированной на основе Open RAIL M.

CyberRealistic V2 — модель генерации изображений по текстовому описанию в формате Stable Diffusion, опубликованная Yntec и предназначенная для использования с Diffusers. Карточка демонстрирует генерацию детализированной сцены по составному промпту; название и примеры указывают на фотореалистичный стиль, хотя пример также смешивает живописные и стилизованные элементы. Модель подходит для создания изображений по текстовым промптам, включая персонажей и сцены с множеством визуальных деталей. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — CreativeML OpenRAIL-M.

DreamShaper 8 Inpainting — модель генерации и редактирования изображений семейства Stable Diffusion, опубликованная Lykon. Она дообучена на runwayml/stable-diffusion-inpainting и предназначена для заполнения маскированных областей изображения по текстовому запросу, например для замены или добавления объектов и изменения фрагментов сцены. Модель распространяется в формате Diffusers с весами Safetensors и рассчитана на работу через StableDiffusionInpaintPipeline. Версия 8 сочетает художественные стили, включая аниме и фотореалистичные изображения, но, по словам автора, уступает специализированным моделям в каждом из этих направлений; результат зависит от навыка составления запросов. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

FLUX.1 Fill [dev] — модель генерации и редактирования изображений от Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный с дистилляцией guidance. Модель заполняет выбранные области существующего изображения по текстовому описанию, стараясь согласовать результат с запросом и структурой исходного изображения. Модель предназначена для редактирования изображений и творческих рабочих процессов: например, для замены или добавления объектов и восстановления областей изображения по текстовой инструкции. Она принимает изображение и текстовое описание и выдаёт отредактированное изображение. Для запуска предусмотрена поддержка Diffusers через FluxFillPipeline. Качество генерации и следование запросу могут уступать FLUX.1 Fill [pro] и зависят от формулировки запроса. При заполнении сложных текстур возможны линии на границах области, а незатронутые области могут немного менять цвет. Модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Для весов указана лицензия FLUX.1 [dev] Non-Commercial License; README описывает допустимые сценарии использования, но лицензия ограничивает коммерческое применение.

unsloth/FLUX.2-klein-9B-GGUF — GGUF-квантизированная версия модели FLUX.2-klein-9B, разработанной Black Forest Labs и подготовленной Unsloth с использованием методологии Unsloth Dynamic 2.0. Это модель генерации и редактирования изображений на основе rectified flow transformer с 9 млрд параметров, текстовым embedder Qwen3 на 8 млрд параметров и дистилляцией до 4 шагов инференса. Указан английский язык. Модель предназначена для преобразования текста в изображения, image-to-image и редактирования с одной или несколькими референсными изображениями. Она ориентирована на приложения реального времени, творческое исследование идей и сценарии, требующие высокой скорости, следования промпту и разнообразия результатов; заявленное время генерации может составлять менее секунды, а для некоторых конфигураций — менее половины секунды. Для запуска требуется около 29 ГБ VRAM, модель доступна на NVIDIA RTX 4090 и более производительных видеокартах. К сильным сторонам относятся единая компактная архитектура для генерации и редактирования, высокая скорость и заявленное качество при небольшом размере относительно более крупных моделей. Ограничения включают возможные ошибки в следовании промпту и искажения текста на изображениях; модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать смещения из обучающих данных. Модель распространяется по FLUX Non-Commercial License и предназначена для некоммерческого использования; также действуют Acceptable Use Policy и ограничения на незаконный, вредоносный, обманный и высокорисковый контент.

Kandinsky 2.1 — модель генерации изображений по тексту, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Она предназначена для создания изображений по запросам, а также для редактирования и преобразования изображений под текстовым управлением и интерполяции между изображениями. Модель сочетает подходы unCLIP и латентной диффузии: включает трансформерный image prior, диффузионную UNet и декодер MoVQGAN. CLIP-кодировщик преобразует текст и изображения в эмбеддинги; image prior связывает эти пространства, а диффузионная часть формирует изображение. Для обучения использовались данные LAION и дополнительные высококачественные изображения с описаниями. Модель доступна в формате Diffusers и поддерживает работу через библиотеку diffusers. Репозиторий распространяется по лицензии Apache-2.0. Это генеративная модель, поэтому результат зависит от формулировки запроса и может не соответствовать ему точно; описание не приводит отдельных гарантий качества для конкретных сценариев.

Это вариант Kandinsky 2.2 для генерации и редактирования изображений с помощью текстовых подсказок и маски: модель заполняет выбранные области изображения. В README разработчиками указаны Арсений Шахматов, Антон Разжигаев, Александр Николич, Игорь Павлов, Андрей Кузнецов и Денис Димитров. Модель построена на диффузионном подходе unCLIP и latent diffusion. В описанной архитектуре используются CLIP для кодирования текста и изображений, модель-приор на основе трансформера, диффузионный UNet и декодер MoVQGAN. Для дообучения использовались данные LAION HighRes и набор высококачественных изображений с описаниями. Карточка рекомендует применять Diffusers; лицензия — Apache-2.0. Модель подходит для создания изображений по запросу и локального редактирования исходного изображения с маской. При работе с inpainting важно учитывать изменение формата маски в Diffusers: белым обозначается область для заполнения. README описывает Kandinsky 2.1 наряду с Kandinsky 2.2, поэтому приведённые сведения об обучении и оценке могут относиться к семейству, а не исключительно к этому чекпойнту.

Kwai Keye-VL-8B-Preview — мультимодальная модель команды Kwai Keye компании Kuaishou для понимания коротких видео и работы с изображениями и текстом. Это плотная модель с 7,6 млрд параметров, построенная на языковой модели Qwen3-8B и визуальном энкодере на основе SigLIP; для обработки изображений и видео применяется кодирование 3D RoPE. Контекст модели — 40 960 токенов. Модель отвечает на вопросы о содержимом роликов, описывает визуальные сцены и выполняет задачи общего понимания изображений, включая OCR, локализацию и визуальные рассуждения. Карточка сообщает о высоких результатах на публичных видеобенчмарках и конкурентных результатах на задачах по изображениям. Видео принимаются из локальных файлов; изображения можно передавать файлами, в Base64 или по URL. Изменение разрешения изображения позволяет выбирать баланс между качеством и вычислительными затратами. Модель распространяется под лицензией Apache-2.0. В карточке также описаны режимы рассуждения, переключаемые префиксами /think и /no_think. Для обработки видео совместимость URL зависит от сторонней библиотеки чтения видео; локальные файлы поддерживаются. Увеличение разрешения изображения повышает вычислительные затраты.

emilianJR/majicMIX_realistic_v6 — версия Stable Diffusion в формате Diffusers. Карточка описывает её как чекпойнт для генерации изображений по текстовому запросу с использованием StableDiffusionPipeline из библиотеки diffusers. Модель предназначена для создания реалистичных изображений по текстовым промптам. В репозитории указаны форматы Diffusers и PyTorch, а метаданные относят модель к англоязычным материалам. Лицензия — CreativeML Open RAIL-M; её условия следует учитывать при использовании и распространении результатов.

Карточка модели wazimondo/Qwen-Image-2.1-viggle-turbo на Hugging Face совпадает с карточкой Viggle/Qwen-Image-2.1-viggle-turbo, поэтому описание составлено по ней. Qwen-Image-2.1-viggle-turbo — LoRA-адаптер, обученный Viggle на основе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсных изображений. Версия v0.2.1 использует адаптер ранга 256 в формате bf16 и рассчитана на 6 проходов трансформера без classifier-free guidance; также доступен вариант ранга 128. По заявлению разработчика, генерация примерно в пять раз быстрее базовой модели с 40 шагами, при этом качество на большинстве проверенных примеров сопоставимо. Адаптер рассчитан на работу поверх базового трансформера Qwen-Image-2.1 через Diffusers; в репозитории также приведены workflows для ComfyUI. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. Ограничения заметнее при рендеринге мелкого плотного текста и сложном редактировании, включая композицию по нескольким референсам, замену лиц, сохранение идентичности и инструкции с множеством ограничений; в этих случаях базовая модель может справляться лучше. Для ComfyUI автор предупреждает о возможных шероховатостях интеграции.

Карточка модели thornmaze/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.

SDXL Flash — модель генерации изображений по текстовым запросам, созданная sd-community в сотрудничестве с Project Fluently на основе Stable Diffusion XL Base 1.0. Она предназначена для быстрого создания изображений и нацелена на более высокое качество, чем у некоторых ускоренных вариантов SDXL, при меньшей скорости, чем LCM, Turbo, Lightning и Hyper. Модель совместима с библиотекой Diffusers и распространяется в форматах Diffusers и safetensors. В README рекомендуются 6–9 шагов генерации, CFG Scale 2,5–3,5 и сэмплер DPM++ SDE. Лицензия — CreativeML OpenRAIL-M.

X-CLIP — видеоязыковая модель семейства CLIP от Microsoft, представленная в работе Ni et al. Она расширяет контрастное обучение на парах «видео—текст» для понимания видео. Эта базовая модель обучена в режиме few-shot с 16 примерами на класс на наборе UCF101. Модель предназначена для классификации видео в режимах zero-shot, few-shot и supervised, а также для поиска соответствий между видео и текстом. При обучении использовались 32 кадра на видео с разрешением 224×224; модель принимает видео и текстовые описания и оценивает их соответствие. Для версии указана точность top-1 91,4%. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель обучена на UCF101, поэтому её качество на других предметных областях и типах видео может отличаться; перед применением требуется обработка кадров согласно выбранному процессору.

Z-Image Base GGUF — это квантизированная в формате GGUF версия модели Tongyi-MAI/Z-Image, разработанной командой Alibaba Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на использование в ComfyUI через расширение ComfyUI-GGUF. Она подходит для сценариев text-to-image, где важны поддержка CFG, negative prompts и LoRA. Модель построена на архитектуре Lumina2 на базе DiT и содержит около 6 млрд параметров. Это non-distilled-версия, для которой рекомендуется использовать 28–50 шагов генерации. Доступны варианты z_image_base_Q8_0.gguf размером 6,8 ГБ с ориентировочной потребностью в 7–8 ГБ VRAM и BF16-размером 12,4 ГБ с потребностью примерно в 13 ГБ VRAM; вариант Q8_0 обеспечивает лучшее соотношение размера и качества, тогда как BF16 соответствует исходному представлению. Языки, максимальный контекст и другие модальности в представленных данных не указаны. Модель распространяется по лицензии Apache 2.0, как и исходная Z-Image. Для работы требуются ComfyUI и пользовательские узлы ComfyUI-GGUF; файл модели размещается в каталоге моделей UNet и загружается через специальный узел. Ключевые ограничения связаны с необходимостью совместимого окружения ComfyUI и достаточного объёма видеопамяти, а также с тем, что квантизация может влиять на качество по сравнению с исходной моделью.

vantagewithai/Z-Image-GGUF — это квантизированная в формате GGUF версия Z-Image, базовой модели семейства Z-Image, разработанного командой Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и распространяется через библиотеку Diffusers. В README указан английский язык. Z-Image представляет собой полноразмерную недистиллированную foundation-модель на основе однопоточного Diffusion Transformer. Она ориентирована на высокое качество, разнообразие генерации, широкий диапазон визуальных стилей и точное следование промптам. Модель подходит для фотореалистичных, кинематографических, аниме- и стилизованных изображений, а также для исследовательских и профессиональных сценариев, включая обучение LoRA, структурное управление через ControlNet и семантическое кондиционирование. Ключевые особенности — поддержка Classifier-Free Guidance, негативных промптов и высокая вариативность композиции, идентичности лиц и освещения между разными seed. Рекомендуются разрешения от 512×512 до 2048×2048 пикселей, guidance scale от 3,0 до 5,0 и 28–50 шагов инференса. По сравнению с Z-Image-Turbo модель медленнее, но обладает большей управляемостью, разнообразием и возможностью дообучения. Размер модели, точная архитектура в параметрах, перечень поддерживаемых языков и конкретные требования к оборудованию в README не указаны. Лицензия — Apache-2.0.

Z-Image-Turbo Realism — объединённая модель диффузии от beycanai для генерации реалистичных изображений по текстовым запросам. Это UNet на 6,15 млрд параметров, основанный на Tongyi-MAI/Z-Image-Turbo; в веса встроены realism LoRA и flow-DPO LoRA. Модель предназначена для ComfyUI и распространяется в формате safetensors: доступны вариант BF16 и конверсия INT8 ConvRot. Для генерации требуется загрузить файл через узел UNETLoader; текстовый энкодер Z-Image и VAE используются отдельно. В README приведён пример генерации изображений 1024×1536 за 9 шагов с последующим увеличением разрешения. Карточка и метаданные указывают английский язык; отдельные сведения о длине контекста не применимы к модели генерации изображений. Лицензия — Apache-2.0.

AuraFlow v0.2 — открытая модель генерации изображений по текстовому описанию, разработанная fal. Это flow-based модель, обученная с большими вычислительными затратами по сравнению с AuraFlow-v0.1. Авторы сообщают о результатах уровня state of the art на бенчмарке GenEval. Модель предназначена для создания изображений по текстовым запросам. В README указано, что версия находится в бета-стадии и продолжает развиваться; авторы приглашают сообщество оставлять отзывы. Репозиторий использует формат Diffusers и веса safetensors. Лицензия — Apache-2.0.

GVE-7B (General Video Embedder) — мультимодальная модель эмбеддингов Alibaba-NLP на базе Qwen2.5-VL-7B-Instruct, дообученная с помощью LoRA на 13 млн собранных и синтезированных мультимодальных данных. Она предназначена для поиска видео по тексту, изображению, другому видео или их комбинациям, включая запросы о пространственных и временных деталях и поиск по длинным видеоконтекстам. Модель принимает текст, изображения и видео, преобразует их в представления для поиска и поддерживает zero-shot-сценарии без обучения на данных конкретного домена. В карточке заявлена оценка по девяти возможностям, охватывающим три типа поиска и шесть предметных сценариев; также приведены результаты бенчмарка UVRB. Модель содержит 7,1 млрд параметров, поддерживает контекст до 128 000 токенов и использует архитектуру Qwen2.5-VL; для работы указан Transformers. Лицензия — Apache-2.0. Оценки качества в README относятся к UVRB, поэтому сами по себе не гарантируют аналогичных результатов на других наборах видео и запросов.

Карточка модели Evolutech85/IMAGIX на Hugging Face совпадает с карточкой Viggle/Qwen-Image-2.1-viggle-turbo, поэтому описание составлено по ней. Qwen-Image-2.1-viggle-turbo — LoRA-адаптер, обученный Viggle на основе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсных изображений. Версия v0.2.1 использует адаптер ранга 256 в формате bf16 и рассчитана на 6 проходов трансформера без classifier-free guidance; также доступен вариант ранга 128. По заявлению разработчика, генерация примерно в пять раз быстрее базовой модели с 40 шагами, при этом качество на большинстве проверенных примеров сопоставимо. Адаптер рассчитан на работу поверх базового трансформера Qwen-Image-2.1 через Diffusers; в репозитории также приведены workflows для ComfyUI. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. Ограничения заметнее при рендеринге мелкого плотного текста и сложном редактировании, включая композицию по нескольким референсам, замену лиц, сохранение идентичности и инструкции с множеством ограничений; в этих случаях базовая модель может справляться лучше. Для ComfyUI автор предупреждает о возможных шероховатостях интеграции.

InternVL3-1B-Instruct — мультимодальная чат-модель OpenGVLab, версия с supervised fine-tuning (SFT) на основе InternVL3-1B-Pretrained. Она использует архитектуру ViT-MLP-LLM: визуальный энкодер InternViT-300M-448px-V2_5 соединён с языковой частью Qwen2.5-0.5B. Модель поддерживает ввод изображений и текста; семейство InternVL3 также обучалось на видео и мультимодальных последовательностях. Модель предназначена для диалога по изображениям, визуального восприятия и рассуждений, а также задач понимания видео, научных схем, 3D-сцен и GUI. Динамическое разбиение изображений на тайлы 448×448 и позиционное кодирование V2PE помогают работать с изображениями разных размеров и длинными последовательностями. В метаданных указаны Transformers и формат safetensors; лицензия — Apache-2.0. Карточка не сообщает размер контекста для этой версии. README отмечает, что версия не проходила MPO, и рекомендует InternVL3-1B, если пользователь не уверен, какую версию выбрать.

Juggernaut XL Lightning — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на базе SDXL Lightning и Stable Diffusion XL Base 1.0. Это ускоренный вариант семейства Juggernaut, ориентированный на фотореалистичные изображения и быстрый цикл генерации. Модель предназначена для пакетного создания вариантов, быстрой проверки промптов, интерактивной генерации и демонстраций с низкой задержкой. В README указано, что обычно достаточно 5–7 шагов инференса вместо 30–40 у стандартных вариантов; рекомендуются DPM++ SDE или DPM++ SDE Karras и CFG 1,5–2,0. Меньшее число шагов также может снизить нагрузку на видеопамять. Используется через Diffusers и интерфейсы ComfyUI, Forge, Automatic1111, Fooocus, InvokeAI и SwarmUI. Модель рассчитана на англоязычные текстовые запросы и выдаёт изображения. По сравнению с полношаговым Juggernaut XL v9 README отмечает небольшую потерю деталей ради скорости. Лицензия CreativeML Open RAIL-M допускает личное и творческое использование; размещать модель за платными API-сервисами нельзя без отдельного разрешения.

Kandinsky 2.1 Inpaint — модель для создания и редактирования изображений по текстовому описанию, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Этот репозиторий предоставляет вариант Kandinsky 2.1 для текстового inpainting: модель заполняет область изображения, заданную маской, с учётом текстового запроса. Архитектура сочетает image prior на основе трансформера, диффузионную UNet и декодер MoVQGAN. Она использует CLIP-представления текста и изображений и подходы unCLIP и latent diffusion. Модель рассчитана на генерацию и направленное редактирование изображений; в README описано обучение на наборах LAION и дополнительную тонкую настройку на коллекции высококачественных изображений. Доступна через Diffusers и распространяется по лицензии Apache-2.0. Для inpainting требуется изображение и маска. В README указано изменение формата маски: белые пиксели обозначают область, которую нужно заполнить. Карточка не приводит размер модели, максимальное разрешение или языковой охват текстового энкодера.

majicMIX_realistic_v7 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Она построена как Stable Diffusion и доступна в формате Diffusers и весах Safetensors; карточка Hugging Face ссылается на версию модели на Civitai. Модель предназначена для создания реалистичных изображений по текстовым промптам. Репозиторий содержит компоненты Stable Diffusion Pipeline, включая текстовый энкодер, U-Net и VAE. Доступны примеры запуска через библиотеку Diffusers. В метаданных лицензия указана как other, без уточнения условий использования в найденной карточке. Языки промптов, размер модели и длина контекста в использованных источниках не подтверждены.

nunchaku-ai/nunchaku-flux.1-dev — это квантизированная версия модели FLUX.1-dev, разработанная командой Nunchaku на основе модели Black Forest Labs. Она предназначена для генерации изображений по текстовым описаниям и интегрируется с библиотекой Diffusers, а также может использоваться в ComfyUI. Модель применяет метод SVDQuant и 4-битное квантование, чтобы повысить эффективность инференса при минимальной потере качества. Доступны варианты INT4 для видеокарт до серии NVIDIA 50 и NVFP4 для видеокарт Blackwell серии 50. Указан английский язык; модель поддерживает сценарии text-to-image. Сведения о размере, точной архитектуре, длине контекста и других модальностях в карточке не приведены. К сильным сторонам относятся высокое качество генерации, эффективный инференс и сниженные требования к вычислительным ресурсам по сравнению с исходной моделью. Ограничения связаны с применением квантизации и лицензионными условиями исходной FLUX.1-dev. Модель распространяется по лицензии flux-1-dev-non-commercial-license, допускающей некоммерческое использование; перед применением необходимо ознакомиться с полным текстом лицензии Black Forest Labs.

nunchaku-qwen-image-edit — квантизированная версия модели Qwen-Image-Edit, разработанная командой Nunchaku на базе Qwen-Image. Это модель image-to-image для редактирования изображений по текстовым инструкциям; исходная модель также ориентирована на сложный рендеринг текста. В карточке указана поддержка английского языка, однако полный перечень языков, размер модели, архитектура и длина контекста не приведены. Модель оптимизирована для эффективного вывода при минимальной потере качества. Доступны варианты INT4 для видеокарт до серии NVIDIA 50 и NVFP4 для видеокарт Blackwell серии 50. Вариант с рангом r32 обеспечивает более быстрый вывод, а r128 ориентирован на лучшее качество за счёт снижения скорости. Также представлены дистиллированные версии, рассчитанные на генерацию за 4 или 8 шагов, с использованием соответствующих LoRA-адаптеров Qwen-Image-Edit-Lightning. Ограничения модели связаны с отсутствием в карточке подробных требований к оборудованию, характеристик качества, ограничений по разрешению и инструкций по применению. Модель распространяется по лицензии Apache-2.0.

QGO 10a — модель генерации изображений по текстовому описанию, опубликованная Yntec в формате Diffusers для Stable Diffusion. В карточке указана версия без EMA с VAE 840K, встроенным в модель; примеры показывают генерацию фотореалистичных портретов и сцен с аналоговой фотостилизацией. Модель предназначена для создания изображений по текстовым промптам, в частности портретов, персонажей и атмосферных сцен. В метаданных указаны форматы Diffusers и safetensors, а также лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

ChrisColeTech/qwen-image-edit-turbo-GGUF — это квантизированная сборка Qwen-Image-Edit-2511 для управляемого редактирования и генерации изображений. Модель содержит около 20 млрд параметров, поставляется в формате GGUF с разделённой компоновкой весов и включает предварительно объединённую Lightning LoRA для работы за 8 шагов. Поддерживаются режимы txt2img и img2img: модель может создавать изображения по текстовому описанию, применять к исходному изображению инструкции по изменению объектов, фона и стиля, а также преобразовывать визуальный стиль с сохранением композиции. Сборка рассчитана на работу трансформера на одной видеокарте с 24 ГБ памяти и использует CFG-free режим с guidance 1.0 и true_cfg_scale 1.0. К сильным сторонам относятся высокая скорость благодаря дистилляции, сохранение исходной сцены и положения объектов при редактировании, а также поддержка фотореалистичных и художественных преобразований. Ограничения включают необходимость совместимого программного окружения для GGUF, отсутствие сведений о поддерживаемых языках и максимальном контексте, а также то, что параметр strength для img2img, согласно README, не влияет на результат и не требуется. Лицензия в карточке указана как unknown; модель описана как переупакованные и переквантизированные веса без дополнительного обучения.

GuangyuanSD/Z-Image-Distilled — производная модель генерации изображений по текстовым описаниям, основанная на Tongyi-MAI/Z-Image и доработанная с помощью дистилляции и Flow-DPO. Она предназначена для быстрого создания реалистичных изображений и ускоренных творческих итераций; автор заявляет, что качественные результаты можно получать примерно за 8 шагов, а варианты и адаптеры модели ориентированы на совместную работу с LoRA и каскадное уточнение через Klein 9B. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка описывает версии и адаптеры семейства Z-Image-Distilled, поэтому конкретные характеристики могут различаться между ними. Среди ограничений указаны ухудшение читаемости текста, особенно мелкого, по сравнению с исходной Z-Image, а также возможный цветовой сдвиг в сторону синего при использовании некоторых планировщиков. Заявления о скорости и качестве принадлежат автору модели.