I.8Изображения и компьютерное зрение

Hassan Blend 1.2 — модель генерации изображений по текстовому описанию, представленная пользователем Yntec на Hugging Face. Карточка позиционирует её как улучшенный вариант Hassan Blend 1.5.1.2 для большинства задач, с оговоркой, что фотореализм у предыдущей версии лучше; в веса встроен VAE MoistMixV2. Модель предназначена для создания иллюстраций и концепт-арта по текстовым промптам. В примере показан стилизованный чиби-персонаж с детализированными глазами и цифровой живописью. Репозиторий распространяется в формате Diffusers с весами safetensors и лицензией CreativeML Open RAIL-M.

dillonlaird/hf-llava-v1.6-34b — репозиторий с файлами для запуска LLaVA-1.6 34B через SGLang. Это авторегрессионная мультимодальная модель чат-бота на архитектуре Transformer, полученная дообучением NousResearch/Nous-Hermes-2-Yi-34B на данных следования мультимодальным инструкциям. Модель насчитывает 33,9 млрд параметров, использует формат Safetensors и имеет контекст длиной 4096 токенов. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, описания изображений и академических задач компьютерного зрения. В обучении использовались пары изображение–текст, данные VQA и наборы инструкций, включая данные ShareGPT и GPT-4V. Карточка описывает её как открытую модель для исследований и экспериментов исследователей и любителей в области компьютерного зрения и NLP. Репозиторий распространяется по лицензии Apache-2.0. В README отмечена проблема с форматированием чата при использовании интерфейса SGLang; автор рекомендует напрямую отправлять запросы серверу, самостоятельно формируя строку. В метаданных указана задача text-generation, поэтому это основной тег для каталога.

Hyper Realism 1.2 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec на Hugging Face. Примеры в карточке показывают фотореалистичные портреты и кинематографические сцены с эстетикой аналоговой цветной фотографии 1970-х и кадра из фильма 1990-х годов. Модель предназначена для создания изображений по промптам, в том числе портретов, постановочных сцен и визуалов с ретро-стилизацией. Репозиторий использует Diffusers и формат safetensors; метаданные связывают модель с семейством Stable Diffusion. В карточке приведены примеры, но нет сведений о размере, контексте, базовой модели или поддерживаемых языках. Лицензия — CreativeML Open RAIL-M; её условия распространяются на использование и распространение модели.

Jommarn/Illustrious-XL-v2.0 — модель генерации изображений по текстовому описанию на базе Stable Diffusion XL. Репозиторий содержит компоненты Diffusers: два текстовых энкодера CLIP, токенизаторы, U-Net, VAE и планировщик, а также файл весов safetensors в одном файле. Модель предназначена для создания изображений по текстовым запросам; в метаданных она помечена как ориентированная на аниме. Модель можно использовать через Diffusers или загрузить веса из файла safetensors. Сведения о лицензии обозначены как «other», поэтому конкретные условия использования следует проверять на странице модели. README не сообщает о специализированных ограничениях или языковой поддержке.

Incredible World 2 — дообученная модель генерации изображений из текстовых описаний, опубликованная Yntec. Она предназначена для создания изображений по промптам; в карточке приведён пример праздничной сцены с персонажами и пивной тематикой. Модель распространяется в форматах Diffusers и Safetensors и использует лицензию CreativeML OpenRAIL-M. В карточке нет сведений о размере модели, длине контекста, языковой специализации или сравнительных оценках качества. Пример промпта написан на английском и содержит несвязные формулировки, поэтому качество генерации по нему оценить нельзя.

LeX-Enhancer — модель-улучшатель текстовых промптов, разработанная авторами проекта LeX-Art. Она дообучена с помощью LoRA на базе DeepSeek-R1-Distill-Qwen-14B на 60 856 парах исходных и улучшенных описаний, чтобы превращать краткие подписи в более подробные, визуально насыщенные промпты для генерации изображений. Модель использует плотную архитектуру Qwen2 и доступна в формате safetensors; метаданные указывают 14 млрд параметров и контекст до 131 072 токенов. Основной сценарий — подготовка промптов для высококачественной генерации изображений. В README не приведены сведения о поддерживаемых естественных языках или оценках качества. Лицензия — MIT.

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

Luna Diffusion v2.5 — дообученная пользователем proximasanfinetuning модель генерации изображений на основе Stable Diffusion 1.5. Она создаёт изображения по текстовым описаниям и рассчитана на более реалистичные результаты с улучшенной проработкой глаз и анатомии, повышенными контрастом и резкостью. При этом выраженный живописный стиль стал слабее, но его можно усилить словом «painting» в запросе; слово «illustration» помогает получить вид векторной иллюстрации. Модель дообучена на нескольких сотнях изображений высокого разрешения с преимущественно ручными подписями. Рекомендуемые размеры — 768×768, 512×768 и 768×512 пикселей; при 512×512 результат может выглядеть чрезмерно обработанным. Выбор веб-интерфейса, VAE, sampler, CFG и формулировки запросов влияет на резкость и текстуру кожи; при артефактах автор рекомендует использовать VAE из примера. Модель опубликована в форматах Diffusers, PyTorch и Safetensors под лицензией other; условия этой лицензии в предоставленных данных не раскрыты. Автор отмечает склонность модели к изображению обнажённой груди и советует добавлять соответствующие слова в negative prompt, если это нежелательно.

digiplay/majicMIX_lux_v3 — модель генерации изображений по текстовому описанию в формате Diffusers, сохранённая в safetensors. Карточка Hugging Face указывает задачу text-to-image и лицензию other. Доступных сведений недостаточно, чтобы описать разработчика, архитектуру, размер, языковую поддержку, контекст, сильные стороны или сценарии применения. README содержит только краткую заглушку «Model info».

Yntec/makeitdoubleplz — модель на базе Stable Diffusion для генерации изображений по текстовым описаниям. В карточке приведён пример макросъёмки мраморной фигурки в стиле чиби; это указывает на применение для создания стилизованных, фотореалистичных изображений персонажей и предметов. Модель распространяется в формате Diffusers с весами Safetensors и использует лицензию CreativeML OpenRAIL-M. Карточка не содержит сведений о размере модели, длине контекста, поддерживаемых языках или специальных ограничениях генерации. Пример промпта упоминает персонажа Rinoa Heartilly; результат зависит от формулировки запроса.

Smite79 публикует H3-LongVideos — узел для ComfyUI, который использует MiniMax-H3 для создания длинных видеороликов с синхронизированным звуком по одному текстовому запросу. Он разбивает описание на отдельные сцены, передаёт их модели последовательно, используя последний кадр предыдущей сцены как начало следующей, а затем соединяет сцены в одно видео с общей звуковой дорожкой. Модель рендерит примерно до 15 секунд за раз; узел предназначен для многошаговой генерации видео и поддерживает предварительный просмотр подготовленных запросов без рендеринга. Для работы нужны ComfyUI с нативной поддержкой MiniMax-H3, модель MiniMax-H3, текстовый энкодер H3 и видеокодек VAE. Репозиторий содержит файлы safetensors. Лицензия указана как other, без дополнительных условий в предоставленных данных. Карточка предупреждает, что узел находится в активной разработке и может содержать ошибки.

ShadoWxShinigamI/mjstyle — дообученная модель генерации изображений по текстовому описанию в стиле, вдохновлённом изображениями из галереи Midjourney. Автор отобрал 35 изображений, отразил их и обучал модель 7000 шагов; рекомендуемый триггерный токен — mjstyle, который советуют добавлять в конец промпта. Модель предназначена для создания настраиваемых иллюстраций по текстовым промптам. В карточке приведены примеры с персонажами, животными, роботами и художественными эффектами; для генерации показаны разрешение 640×640 и параметры нескольких сэмплеров. Репозиторий использует Diffusers и safetensors. Лицензия — OpenRAIL.

Molmo 7B-O — открытая мультимодальная модель зрения и языка, разработанная Allen Institute for AI. Она принимает изображения и текстовые запросы и генерирует текстовые ответы: подходит для диалога об изображениях, ответов на вопросы по визуальному содержимому и описания сцен. Модель использует плотную архитектуру MolmoForCausalLM, содержит 11,2 млрд параметров и обрабатывает контекст до 4096 токенов. Визуальная часть основана на OpenAI CLIP ViT-L/14 с разрешением 336, а языковая — на OLMo; карточка указывает связи с allenai/OLMo-7B-1124 и openai/clip-vit-large-patch14-336. Обучение проводилось на наборе PixMo из миллиона тщательно отобранных пар изображение–текст. Указана поддержка английского языка. Это предварительный вариант выпуска Molmo. Карточка сообщает о сильных результатах среди мультимодальных моделей сопоставимого размера, но не приводит здесь конкретных показателей. Модель распространяется по лицензии Apache 2.0; разработчик указывает исследовательское и образовательное применение и ссылается на правила ответственного использования.

Mystic-XXX-ZIT-V7 — модель-адаптер LoRA для генерации изображений по текстовому описанию. Она разработана пользователем или организацией SaveliiAge и предназначена для использования с базовой моделью Tongyi-MAI/Z-Image-Turbo в экосистеме Diffusers. В карточке указано, что модель относится к семейству diffusion LoRA и работает в сценариях text-to-image. README не содержит сведений о размере адаптера, архитектурных деталях, поддерживаемых языках, длине контекста, специализации визуального стиля, результатах тестирования или известных ограничениях качества. Лицензия и условия коммерческого использования также не указаны, поэтому их необходимо уточнить отдельно перед применением модели.

NebulRedmond — модель генерации изображений по текстовому описанию от artificialguybr, представленная как чекпойнт для Diffusers. Она предназначена для стилизованной генерации изображений и рассчитана на стабильные результаты с распространёнными творческими запросами. Для моделей семейства SDXL в карточке рекомендовано начинать с разрешения 1024×1024, умеренных значений CFG и числа шагов, постепенно уточнять стиль и пробовать несколько seed для выбора результата. Модель принимает текстовые промпты и выдаёт изображения; файлы доступны в форматах Diffusers и safetensors. В метаданных указана лицензия OpenRAIL. Карточка не приводит точную архитектуру или размер модели, контекст здесь неприменим. Результат зависит от формулировки промпта и выбранных параметров генерации.

Noct Q — модифицированная версия модели Qwen Image 2.1, представленная автором Noctaluna. Это модель генерации изображений по тексту; также README описывает редактирование изображений с теми же файлами в ComfyUI. Автор заявляет о фотореалистичной генерации обнажённых и откровенных сцен, а также об умении создавать изображения с читаемыми надписями, аниме и живописные иллюстрации. Модель рассчитана на работу с ComfyUI и форматом safetensors. Для версии V4 указаны файл размером 7,3 ГБ и видеокарты с 8–12 ГБ памяти; автор рекомендует разрешение 1024×1536, 25 шагов, sampler Euler и CFG 3. Для запуска также требуются текстовый энкодер Qwen3-VL 8B и VAE Qwen Image 2.1. Базовая модель — Qwen/Qwen-Image-2.1; метаданные указывают на слияние. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели и её базовой модели.

NOVA — авторегрессионная модель генерации видео по текстовому описанию, разработанная BAAI. Она также позволяет изменять видео по текстовым запросам и предназначена для экспериментов с генеративными моделями, а также для творческих и образовательных инструментов. Модель содержит 645 млн параметров, использует FP16 и работает с разрешением 768×480. В её составе — предварительно обученный текстовый энкодер Phi-2 и видеотокенизатор OpenSoraPlanV1.2-VAE; для запуска предусмотрена интеграция с Diffusers. Лицензия — Apache 2.0. Модель может ошибаться в визуальных деталях и не воспроизводит сложный читаемый текст или безупречный фотореализм; изображения пальцев и другие мелкие элементы могут получаться некорректно. Автоэнкодер работает с потерями. Модель обучалась на подмножестве LAION-5B и COYO-700M, включающем взрослый, жестокий и сексуальный контент; возможны смещения и небезопасные генерации. Разработчик не рекомендует использовать её для достоверного изображения людей или событий.

debugdll/nsfw-image-generator — дообученная на базе Stable Diffusion XL Base 1.0 модель генерации изображений по текстовому запросу, распространяемая в формате safetensors для Diffusers и использования в ComfyUI. В карточке она представлена как фотореалистичная модель с готовым workflow ComfyUI; указано дополнительное обучение на 1500 шагах. Модель предназначена для создания фотореалистичных изображений с естественно выглядящими кожей, волосами, тканями и освещением. В карточке заявлена поддержка украинского, русского и английского языков. Репозиторий помечен как не для любой аудитории; лицензия указана как other, без конкретных условий в предоставленных данных.

ProteusV0.3 — модель генерации изображений по текстовому описанию, разработанная dataautogpt3 на базе OpenDalleV1.1. Это обновлённая версия с дополнительным обучением на изображениях аниме и отборе визуально выразительных примеров; модель сохраняет фотореалистичные и стилизованные возможности предыдущей версии. Модель дообучена примерно на 220 тысячах изображений с подписями GPTV, а также на 10 тысячах пар изображений, отобранных для оптимизации предпочтений. Она предназначена для создания фотореалистичных и художественных изображений, включая аниме, сюрреализм и мультяшную стилизацию, и уделяет внимание деталям лица, текстуре кожи, освещению и соответствию промпту. Карточка рекомендует использовать разрешение 1024×1024 или 1280×1280, 20–60 шагов и sampler DPM++ 2M SDE с scheduler Karras. Модель распространяется в формате Diffusers/PyTorch и лицензирована по GPL-3.0. Результат зависит от формулировки промпта и настроек генерации; README не приводит независимых оценок качества или подробностей об ограничениях использования.

Qwen-Image-2.1-PE-T2I-Pocket-2B — дообученная модель на 1,7 млрд параметров от ML-Intern-lab на базе Qwen/Qwen3.5-2B. Она преобразует короткий запрос пользователя в компактный JSON с развёрнутым англоязычным описанием изображения и соотношением сторон для этапа переписывания промпта в Qwen-Image-2.1. Это текстовая модель на архитектуре Qwen3.5 с контекстом 262 144 токена; поведение и формат ответа встроены в веса, отдельный системный промпт не требуется. В тесте на 300 запросах модель выдавала валидный JSON в 100% случаев, а допустимое соотношение сторон — в 99,7% случаев; качество выбора соотношения и точность передачи текста на изображении не гарантированы. Модель обучена дистилляцией ответов учителя на отфильтрованном наборе из 1 776 пар запросов и ответов. Она выдаёт описания короче, чем учитель, и предназначена для одной задачи, а не для общего диалога. На вход принимает текст, в том числе запросы не на английском, а описание формирует на английском; текст, предназначенный для отображения внутри изображения, старается сохранить в оригинальном виде. Лицензия Qwen Research License разрешает исследовательское и оценочное использование; коммерческое использование требует отдельной лицензии Qwen.

Raehoshi Illust XL 2.1 — диффузионная модель генерации изображений по тексту от Raelina, доработанная на основе IllustriousXL0.1 и продолжающая Raehoshi-illust-xl-v2. Она предназначена для создания иллюстраций по текстовым запросам, составленным преимущественно в стиле тегов Booru. Разработчик сообщает, что версия снижает перенасыщенность цветов и артефактный шум по сравнению с исходной моделью, хотя эти недостатки устранены не полностью. Модель распространяется в форматах Diffusers и Safetensors. В карточке указана лицензия Fair AI Public License 1.0-SD; метаданные Hugging Face обозначают её как other. README приводит настройки генерации: CFG 5–6, 28 шагов и sampler Euler a, а также параметры Hires.fix. Поддерживается английский язык запросов; конкретные ограничения по разрешению в доступном описании не приведены.

TensorVizion/StableDiffusion-1.4-Pruned — модель для генерации изображений по текстовому описанию, созданная с помощью библиотеки оптимизации Pruna. В карточке репозитория указано, что конфигурация сжатия сохранена в файле smash_config.json, однако конкретные применённые методы оптимизации не описаны. Метаданные указывают архитектуру Qwen3ForCausalLM с 14 млрд параметров, а также возможности чата и интерфейс вызова инструментов. Эти сведения не согласуются с названием модели Stable Diffusion 1.4 и задачей генерации изображений, поэтому архитектуру и размер нельзя надёжно связать с назначением этой модели. Лицензия указана как CreativeML Open RAIL-M.

SugarPalette ANIMA — модель генерации изображений по текстовому описанию, созданная Noginowa путём объединения моделей семейства Anima. Версия v1.1 обновлена с учётом изменений базовой модели. Модель предназначена для создания изображений в ComfyUI; автор рекомендует CFG 4–5, около 32 шагов и сэмплер ER SDE Beta для стабильного качества и проработки деталей. Для работы требуются отдельные текстовый энкодер и VAE из circlestone-labs/Anima: qwen_3_06b_base.safetensors и qwen_image_vae.safetensors. Вес модели доступен в формате safetensors. README приводит положительные подсказки для эстетичных изображений и пейзажей, однако не описывает языковые ограничения, размер модели или контекст. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и у авторов исходных компонентов.

TrinArt Stable Diffusion v2 — модель генерации изображений из текста, созданная как дообучение Stable Diffusion для смещения стиля в сторону аниме и манги при сохранении эстетики исходной модели. Она основана на отобранных изображениях высокого разрешения в аниме- и манга-стиле; во второй версии добавлены изображения, применены dropout, улучшена стратегия тегирования и продолжено обучение. Доступны контрольные точки на 60 000, 95 000 и 115 000 шагах: ранняя точка слабее меняет стиль исходной модели. Модель предназначена для создания иллюстраций по текстовым описаниям. Репозиторий предоставляет веса в форматах Diffusers и PyTorch; автор также описывает использование для img2img. Лицензия — CreativeML Open RAIL-M. В README указано, что модель обучалась на восьми GPU NVIDIA A100 40 ГБ.

TWingshadow_v1.2 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay и представленная в формате Diffusers с весами Safetensors. В карточке приведены примеры изображений с кинематографическим освещением и улыбающейся девушкой у моря; вероятно, они показывают желаемый стиль и тематику генерации. Модель предназначена для создания изображений по текстовым запросам. Метаданные указывают на Stable Diffusion и библиотеку Diffusers. Сведений о размере, базовой модели, поддерживаемых языках запросов и контексте в карточке нет. Лицензия обозначена как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

UNCENSORED QWEN — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией theuniquebob. Модель предназначена для использования в экосистеме Diffusers и подключается к базовой модели Qwen/Qwen-Image-2512. В карточке указаны модальность text-to-image и формат diffusion LoRA, однако сведения о размере адаптера, архитектуре, поддерживаемых языках, длине контекста, особенностях обучения и конкретных сценариях применения отсутствуют. Название указывает на заявленную направленность модели, но README не содержит подтверждённых подробностей о её сильных сторонах, ограничениях или отличиях от базовой модели. Лицензия и условия использования в предоставленных данных не указаны. Для работы требуется базовая модель Qwen/Qwen-Image-2512 и совместимый инструментарий Diffusers.

UnknownX — модель генерации изображений по текстовому описанию, опубликованная пользователем ddPn08 на Hugging Face и представленная в формате Diffusers. В README она названа неизвестной моделью генерации изображений; приведённые сведения указывают на использование базы Stable Diffusion 1.4 и методов DreamBooth с LoRA, LyCORIS LoRA или LoHa. По этим данным её можно отнести к дообученным моделям генерации изображений по тексту. Модель принимает текстовый запрос и выдаёт изображение. Метаданные указывают английский язык; других языков и специализированных областей применения карточка не подтверждает. Лицензия обозначена как other, поэтому условия использования следует проверять в файлах репозитория и у автора. Параметры модели, контекст и конкретные стили или предметы дообучения в карточке не описаны.

Это GGUF-версия FP32 текстового энкодера UMT5-XXL для конвейера генерации видео WAN 2.2. Репозиторий поддерживается командой WAN и содержит файл энкодера объёмом около 22 ГБ; метаданные Hugging Face указывают библиотеку Diffusers и формат GGUF F32. Энкодер принимает текстовые запросы и преобразует их в эмбеддинги, которыми управляется генерация видео в системе WAN 2.2. Он рассчитан на обработку подробных описаний сцен, движения, композиции и освещения. UMT5 — многоязычное семейство моделей, однако конкретный перечень поддерживаемых языков в карточке не приведён. Полная точность FP32 ориентирована на высокую точность понимания запросов, но требует много памяти и работает медленнее вариантов FP16 и FP8. README приводит ориентир от 24 ГБ видеопамяти для одного энкодера. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Wavyfusion — модель генерации изображений по текстовому описанию, созданная автором wavymulder методом DreamBooth на базе Stable Diffusion 1.5 с VAE. Она обучена на разнообразном наборе фотографий и картин и предназначена для создания изображений в различных иллюстрированных стилях. Для активации стиля в запросе используется токен «wa-vy style»; автор также предлагает запуск через Gradio Web UI. Модель распространяется в формате Diffusers и Safetensors по лицензии CreativeML OpenRAIL-M. Карточка демонстрирует примеры генерации с разными параметрами и сэмплерами, но не задаёт конкретный размер модели или длину контекста. Результат зависит от текста запроса и выбранных параметров генерации.

WD 1.5 Beta 2 — модель Waifu Diffusion для генерации изображений по текстовому описанию. Карточка сообщает о двух вариантах: базовом WD 1.5 Beta 2 и WD 1.5 Beta 2 Aesthetic; во втором дообучен слой внимания на популярных эстетических изображениях. Для обучения рекомендуется базовый вариант. Модель использует StableDiffusionPipeline и распространяется в форматах Diffusers и safetensors. WD 1.5 использует тот же VAE, что и WD 1.4. Репозиторий помечен лицензией other, поэтому конкретные условия использования следует проверять в материалах лицензии.