I.8Изображения и компьютерное зрение

dmillar/wsj-hedcut-v1 — дообученная модель Stable Diffusion, предназначенная для создания изображений в стиле газетных портретов hedcut, характерном для Wall Street Journal. Для получения такого изображения в запросе используют фразу «wsj hedcut of» с описанием человека или другого объекта; модель также можно применять в DreamBooth для обучения на конкретном лице или объекте. Модель работает с текстовыми запросами и генерирует изображения. В примерах показаны черно-белые портреты на белом фоне; для них использовались 20 шагов сэмплирования и sampler Euler a. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

berryber09/10Eros-Max-h3-turbo-hybrid-beta3-w4a8 — квантизированная версия модели MiniMax-H3 10Eros-Max beta3 TURBO hybrid, подготовленная сообществом для генерации видео по текстовому описанию и использования в ComfyUI. Она основана на bf16-модели TenStrip/10Eros-Max и распространяется в формате W4A8: 200 линейных слоёв квантованы до 4-битных весов и 8-битных активаций, а отдельные слои и нормы оставлены в более высокой точности. Размер составляет около 11,68 ГБ. Для загрузки требуется ComfyUI версии 0.31.0 или новее с нативной поддержкой W4A8 либо соответствующий патч, comfy-kitchen с AsymW4A8Int8Layout и CUDA SM 8.0 или новее. В README сообщается о проверке загрузки в ComfyUI и генерации связного изображения; это не подтверждает качество генерации видео. Модель наследует лицензию исходной модели, указанную как other; условия следует сверять с карточкой TenStrip/10Eros-Max.

2D-Mix — модель генерации изображений по текстовому описанию, созданная объединением чекпойнтов Stable Diffusion через Automatic1111 Checkpoint Merger. В состав указаны Anything-V3.0-pruned, Waifu-v1-3-float16, NAI, sd-v1-5-pruned-emaonly и trinart_stable_diffusion_epoch3. Модель предназначена для создания иллюстраций и изображений в аниме- и художественной стилистике, включая персонажей в кимоно и юката, а также реалистичные портреты. Примеры демонстрируют работу с текстовыми промптами и настройками генерации Stable Diffusion; в метаданных указаны Diffusers и PyTorch. Основной язык карточки — английский. Лицензия — CreativeML OpenRAIL-M. Результат зависит от формулировки промпта и настроек генерации; карточка не приводит систематической оценки качества или полного описания ограничений.

Agartha (ChadStyle) — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec и работающая через StableDiffusionPipeline в библиотеке diffusers. Карточка демонстрирует генерацию стилизованных иллюстраций и приводит пример промпта для детализированного мультяшного изображения в духе журнальной рекламы; теги также указывают на абстрактную и сюрреалистическую стилистику. Модель принимает текстовые промпты и выдаёт изображения. Репозиторий содержит веса в формате safetensors для diffusers; лицензия — CreativeML OpenRAIL-M. README советует сверяться с исходной страницей за списком триггерных слов, поэтому управление стилем может зависеть от специальных слов в промпте.

Alive And Kicking — модель генерации изображений по текстовому описанию на базе Stable Diffusion, объединённая автором Yntec из DucHaiten-GoldenLife и PixelKicks с помощью SuperMerger и настройки Weight Sum. Примеры в карточке показывают портреты и сцены в стилизованной эстетике, включая аниме, 3D и традиционную иллюстрацию; для работы используется библиотека Diffusers, веса доступны в формате safetensors. Модель предназначена для создания художественных изображений по промптам, например портретов и иллюстративных сцен. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов. README не сообщает размер модели и длину контекста.

Anima 1.0 Base — базовая модель для генерации изображений по тексту, представленная CalamitousFelicitousness как конверсия формата Diffusers для SD.Next. Исходную модель разработали CircleStone Labs и Comfy Org. Это предварительно обученная версия без дополнительной стилистической доработки, рассчитанная на гибкую генерацию аниме-персонажей, концептов и других нереалистичных иллюстраций; реалистичные изображения не являются её целью. Модель насчитывает 2 млрд параметров и использует 28-слойный CosmosTransformer3DModel, текстовый энкодер Qwen3-0.6B с пользовательским адаптером cross-attention и VAE AutoencoderKLWan. Рекомендуемые параметры генерации — 30–50 шагов, CFG 4–5 и разрешение от 512×512 до 1536×1536. Модель обучалась на тегах в стиле Danbooru и текстовых описаниях; в README приведены рекомендации по составлению запросов и применению LoRA. Репозиторий содержит формат Diffusers и веса safetensors. Указана лицензия other, поэтому конкретные условия использования следует сверять с лицензией исходной модели. Базовая версия ориентирована на гибкость и следование стилю, но её нейтральный стиль может требовать тегов качества, стиля или автора для желаемого результата.

Карточка модели iiYonko/animagine-xl-4.0 на Hugging Face совпадает с карточкой cagliostrolab/animagine-xl-4.0, поэтому описание составлено по ней. Animagine XL 4.0 — диффузионная модель генерации и редактирования изображений в аниме-стиле, разработанная Cagliostro Research Lab на основе Stable Diffusion XL 1.0. Модель дообучена на более чем 8,4 млн изображений и рассчитана на создание иллюстраций по текстовым запросам. Она поддерживает работу через Diffusers, ComfyUI и Stable Diffusion WebUI; карточка описывает вариант Animagine XL 4.0 Opt с улучшенной стабильностью, анатомией, снижением шума и цветопередачей. Для управления результатом модель лучше использовать с запросами в формате тегов и специальными тегами качества, рейтинга и периода. Поддерживаемый язык в метаданных — английский. Лицензия — CreativeML Open RAIL++-M (в метаданных Hugging Face указана OpenRAIL++).

Карточка модели KiyoEditz/animagine-xl-4.0 на Hugging Face совпадает с карточкой cagliostrolab/animagine-xl-4.0, поэтому описание составлено по ней. Animagine XL 4.0 — диффузионная модель генерации и редактирования изображений в аниме-стиле, разработанная Cagliostro Research Lab на основе Stable Diffusion XL 1.0. Модель дообучена на более чем 8,4 млн изображений и рассчитана на создание иллюстраций по текстовым запросам. Она поддерживает работу через Diffusers, ComfyUI и Stable Diffusion WebUI; карточка описывает вариант Animagine XL 4.0 Opt с улучшенной стабильностью, анатомией, снижением шума и цветопередачей. Для управления результатом модель лучше использовать с запросами в формате тегов и специальными тегами качества, рейтинга и периода. Поддерживаемый язык в метаданных — английский. Лицензия — CreativeML Open RAIL++-M (в метаданных Hugging Face указана OpenRAIL++).

Anima-MLX — порт модели Anima для генерации аниме-иллюстраций по текстовому описанию на компьютерах Apple Silicon с использованием MLX. Порт разработал xocialize на основе дообученной circlestone-labs/Anima. В архитектуре используются денойзер NVIDIA Cosmos-Predict2-2B, текстовый путь Qwen3-0.6B с адаптером llm_adapter из шести блоков и 16-канальный 3D-каузальный VAE Qwen-Image/Wan. Модель предназначена для создания изображений в аниме- и иллюстративной стилистике по текстовым промптам. В README описана проверка соответствия вычислений PyTorch-реализации; для сэмплирования приведены настройки CFG 4–5. Пиковое потребление объединённой памяти при разрешении 512×512 составляет около 14 ГБ для bf16 и около 6 ГБ при int4-квантизации трансформера. Порт распространяется на тех же некоммерческих условиях, что и веса Anima: разрешено личное и исследовательское использование, коммерческое использование запрещено. Код порта лицензирован MIT; базовый денойзер распространяется по NVIDIA Cosmos Open Model License. Модель рассчитана на Apple Silicon и требует соответствующей среды MLX.

Animistatics — латентная диффузионная модель от Maseshi для генерации изображений в аниме-стиле по текстовому описанию. Она построена для использования через Stable Diffusion и библиотеку Diffusers; поддерживает короткие промпты и теги Danbooru. В карточке приведён пример генерации изображения с помощью Diffusers и планировщика DPMSolverMultistepScheduler. Модель предназначена для создания детализированных аниме-иллюстраций, например персонажей и сцен с заданными предметами, внешностью и освещением. Указана лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

Anything Midjourney — модель генерации изображений по текстовому описанию, представленная через Stable Diffusion API. Карточка демонстрирует вызов модели с идентификатором anything-midjourney и настройками генерации изображений размером 512×512 пикселей, числом шагов 30 и guidance scale 7,5. Модель предназначена для создания изображений по промптам, включая портреты, аниме-образы, цифровую живопись и концепт-арт. В API предусмотрены negative prompt, seed, усиление промпта, а также параметры panorama и upscale. Карточка не раскрывает архитектуру и количество параметров самой модели; формат репозитория — Diffusers/PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M. Результаты зависят от промпта и настроек генерации; README не содержит систематической оценки качества или подробностей об обучении.

AdamOswald1/Anything-Preservation — репозиторий сохранения модели Anything V3 с улучшенным VAE, представленной в форматах Diffusers, ckpt и safetensors. Это латентная диффузионная модель на базе Stable Diffusion, разработанная для генерации детализированных изображений в аниме-стиле по текстовым запросам. Она понимает короткие описания и теги Danbooru, поэтому подходит для создания персонажей и сцен в характерной стилистике аниме. Модель рассчитана на генерацию изображений через Stable Diffusion и совместима с Diffusers; в карточке также упоминаются варианты экспорта ONNX, MPS и Flax/JAX. README описывает репозиторий как архивную копию и указывает на неофициальное продолжение Anything V4.0. Лицензия — CreativeML OpenRAIL-M.

John6666/azure-illustrious-v20-molk-sdxl — модель генерации изображений из текстовых описаний, созданная пользователем iahhnim на основе Illustrious-xl-early-release-v0 от OnomaAIResearch. Модель предназначена для создания аниме- и 2.5D-иллюстраций, включая персонажей, лица, тела и фоны, с использованием библиотеки Diffusers и пайплайна StableDiffusionXLPipeline. Модель поддерживает английские текстовые запросы и ориентирована на стилизованные цифровые изображения, в том числе контент для взрослых. Она распространяется в формате safetensors с лицензией FAIPL-1.0-SD, обозначенной в метаданных как other. Условия лицензии следует проверить перед коммерческим или публичным использованием.

BasilRemix — модель преобразования текстовых запросов в изображения, созданная путём смешивания BasilMix и ReVAnimated v11. В репозитории доступны веса в формате Diffusers и safetensors; метаданные указывают на StableDiffusionPipeline и лицензию other. Модель предназначена для создания иллюстраций по текстовому описанию, в том числе стилизованных изображений персонажей и чиби. В карточке приведён пример запроса для детализированной мультяшной иллюстрации, но сведения о размере модели, контексте и поддерживаемых языках не приведены.

BracingEvoMix — модель преобразования текста в изображения на базе Stable Diffusion 1.x, собранная автором sazyou_roukaku путём слияния нескольких чекпойнтов. Она предназначена для генерации иллюстраций и изображений с восточноазиатской внешностью по естественно-языковым и теговым промптам; автор отмечает хорошую работу с подробными текстовыми описаниями сцен. Для рекомендуемой настройки используется CLIP skip 2. Модель распространяется в формате Safetensors и использует библиотеку Diffusers. Автор указывает, что в версии v2 объединены OpenBra/OpenBraβ, DreamShaper, EpicRealism, DiamondCoalMix и другие модели, чтобы сочетать разнообразие сцен, фонов и поз с характерными чертами лиц. Отдельные варианты серии улучшали анатомию пальцев. Лицензия — CreativeML OpenRAIL-M; README описывает ограничения лицензии, включая запрет некоторых применений, и предупреждает, что риск происхождения данных не исключён. Автор также снимает с себя ответственность за результаты использования.

COCOtiFaMix_v2 — модель генерации изображений по текстовому описанию, размещённая пользователем digiplay на Hugging Face и основанная на Stable Diffusion. В карточке показан пример генерации персонажа в жёлтом дождевике с зонтом среди цветов; модель доступна в формате Diffusers с весами Safetensors. Модель предназначена для создания иллюстраций по текстовым запросам, в том числе изображений персонажей и сцен в стилизованной манере. Карточка не сообщает размер модели, длину контекста или конкретные языки запросов. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория.

Yntec/Crayon — модель генерации изображений по текстовому описанию, созданная на основе Yuzu 1.0 со слитым LoRA-адаптером Crayon Style. Она рассчитана на создание иллюстраций в стилизованной рисованной и мультяшной манере; в карточке приведён пример промпта для изображения в духе рекламной иллюстрации 1940-х годов. Модель распространяется в форматах Diffusers и Safetensors и использует лицензию CreativeML Open RAIL-M. Карточка не сообщает размер модели, поддерживаемые языки или длину контекста. Результат зависит от текстового промпта; указанная лицензия задаёт условия использования и ограничения, которые следует учитывать при распространении модели и созданных изображений.

Cyberrealistic Pony v130 — дообученная модель Cyberdelia на базе cyberdelia/CyberRealisticPony для генерации изображений по текстовым запросам. Она предназначена для создания реалистичных и фотореалистичных изображений в стиле Pony; метаданные указывают на использование Stable Diffusion XL и библиотеки Diffusers. Модель поддерживает запросы на английском языке. Модель распространяется в форматах Diffusers и safetensors. В карточке указана лицензия «other», поэтому конкретные условия использования следует проверять в исходной карточке модели. README не содержит сведений о рекомендуемых параметрах генерации или дополнительных ограничениях качества.

DenseConnector-v1.5-8B — открытый мультимодальный чат-бот, разработанный на основе Llama-3-8B-Instruct и дообученный на наборе инструкций LLaVA-1.5. Это авторегрессионная модель на архитектуре Transformer с визуальным коннектором семейства LLaVA-LLaMA; размер составляет 7,5 млрд параметров, контекст — 8192 токена. Модель предназначена для диалога по изображениям и генерации текстовых ответов на вопросы о визуальном содержимом. Её можно применять в прототипах мультимодальных чат-ботов и исследованиях компьютерного зрения и обработки естественного языка. В README указана лицензия Llama 3 (llama3); перед использованием следует учитывать её условия.

Kelex83 дообучил DETR с backbone ResNet-50 DC5 от Facebook для обнаружения предметов одежды и аксессуаров на изображениях. Модель принимает изображение и предсказывает категории объектов и их расположение в виде рамок. Репозиторий использует библиотеку Transformers и формат весов safetensors. Модель предназначена для автоматической разметки фотографий одежды, поиска предметов гардероба и анализа изображений в задачах моды и электронной торговли. В опубликованной оценке общая mAP составляет 0,0137; результаты заметно различаются по категориям, поэтому качество обнаружения ограничено. Указанная лицензия — Apache-2.0.

DINOv2 — модель классификации изображений, дообученная dchen0 для распознавания семейств шрифтов на фрагментах изображений. Она определяет один из 394 семейств Google Fonts и включает предобработку: сохраняет пропорции изображения при дополнении до квадрата, затем меняет размер до 224×224 и нормализует по статистикам ImageNet. По данным карточки, точность на тестовом наборе составляет около 86%; разработчик рекомендует передавать исходные изображения без предварительной обработки на стороне клиента. Модель содержит 113,2 млн параметров и использует архитектуру Dinov2ForImageClassification; базовая модель — facebook/dinov2-base-imagenet1k-1-layer. Лицензия — Apache-2.0.

GPT-5 Image Mini сочетает языковые возможности GPT-5 Mini с генерацией изображений на базе GPT Image 1 Mini. Это мультимодальная модель OpenAI, предназначенная для создания изображений по текстовым инструкциям и взаимодействия с текстом и изображениями. Доступный фрагмент карточки отмечает следование инструкциям и эффективность генерации изображений. Данных о размере, длине контекста, поддерживаемых языках и лицензии в предоставленных материалах нет. Полная карточка не представлена, поэтому подробности о возможностях и ограничениях модели установить нельзя.

InternVL3-9B-CVRR — мультимодальная модель для вопросов и ответов по изображениям, созданная на основе OpenGVLab/InternVL3-9B в рамках работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary». В ней используется подход Causal Visual Recurrent Reasoning (CVRR): модель уточняет представление вопроса, сохраняя доступ к визуальным данным, а затем формирует ответ через состояние этого рассуждения. Веса содержат исходную основу InternVL3-9B и объединённый рекуррентный переход; отдельная загрузка LoRA-адаптера не требуется. Модель принимает изображение и текстовый вопрос, а выдаёт текстовый ответ. Лицензия — MIT. Для запуска нужен специальный загрузчик Transformers и зависимости, перечисленные в карточке. На один GPU требуется полная копия модели; автоматическое распределение по нескольким GPU, обычная повторная сериализация через save_pretrained(), а также прямая загрузка через vLLM и SGLang не поддерживаются.

LLaVA-NeXT-Video-7B — открытый мультимодальный чат-бот, разработанный LLaVA Lab и дообученный на базе языковой модели Vicuna 7B v1.5. Это плотная модель семейства LLaVA с архитектурой LlavaLlamaForCausalLM и 6,6 млрд параметров; репозиторий содержит веса Safetensors. Модель принимает текстовые инструкции вместе с видео и формирует текстовые ответы. В карточке указано окно контекста 4096 токенов. Модель предназначена для диалога о видео, ответов на вопросы о его содержании и описания видеосцен. В обучении использованы данные VideoChatGPT-Instruct, а также наборы изображений и мультимодальных инструкций. Разработчики позиционируют её прежде всего для исследований в области компьютерного зрения и мультимодальных чат-ботов. Лицензия — Llama 2 Community License; условия лицензии следует учитывать при использовании и распространении модели.

Mangled Merge 3 768 — версия модели для генерации изображений по текстовому описанию, предназначенная для инференса через API. В карточке приведены примеры запросов для создания аниме- и мультяшных иллюстраций, в том числе персонажей и сцен с детализированными лицами, волосами и окружением. В метаданных модель обозначена как Stable Diffusion и использует Diffusers, PyTorch и формат Safetensors. Суффикс 768 в названии и описание версии указывают на вариант модели с разрешением 768 пикселей. Модель принимает текстовые запросы и генерирует изображения; в метаданных указан английский язык. Лицензия — CreativeML OpenRAIL-M.

Maple Syrup — модель генерации изображений по текстовому описанию в формате Stable Diffusion для Diffusers. Карточка демонстрирует иллюстрации в стиле аниме и детской книжной графики: среди примеров есть милый персонаж в очках и стилизованный образ в духе журнальной рекламы и пастельной живописи. Модель предназначена для создания художественных иллюстраций по промптам. Репозиторий содержит веса в формате safetensors; лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или базовый чекпойнт.

btaskel опубликовал GGUF-версию MiaoMiao-Harem v1.4 — модели Stable Diffusion для генерации изображений по текстовым запросам. В метаданных исходная модель указана как jd09876/miaomiao-harem; репозиторий помечен как производный вариант и содержит формат GGUF BF16. Модель предназначена для создания изображений по текстовым описаниям. README приводит опыт автора с вариантами квантования Q4_K_S и Q4_K_M, отмечая компромисс между размером, скоростью и квантованием; эти советы не описывают отдельные характеристики файлов этой версии. Условия лицензии в доступных данных не приведены.

MiniMax-H3-Acc-LoRAs-sidecar — набор sidecar-файлов с LoRA-обновлениями для ускорения модели MiniMax-H3 в ComfyUI. Разработчик этого репозитория — fbjr; файлы являются конверсиями официальных Parallel Decoding Distillation LoRAs от alibaba-pai для MiniMaxAI MiniMax-H3. Самостоятельного обучения в репозитории не выполнялось. Модель предназначена для генерации видео со звуком из текста и совместной работы с checkpoint MiniMax-H3 через специальный узел ComfyUI MiniMaxH3PDDLoRA. Sidecar содержит обновление transformer, модификацию timestep-модуляции и банк из 32 выходных голов, соответствующих участкам траектории. В штатном режиме количество sampler steps сокращается с 16 до 5–8 при близком качестве; 8 шагов указаны как дистиллированный режим, а 5–7 дают сопоставимый результат с меньшим временем. Поддерживаются варианты checkpoint FL2VA и Ref2VA, включая pruned-версии, а также квантованные checkpoint с экспериментальной настройкой unmerged_blocks. Для корректной работы требуются совместимые файл sidecar, checkpoint, узел ComfyUI и его расписание SIGMAS; обычный LoRA loader применяет только часть компонентов и может привести к снижению качества. Число шагов 4 даёт заметно более грубый результат, а некоторые другие значения заявлены как принятые, но непроверенные. Использование регулируется MiniMax-H3 Community License Agreement; лицензия указана как other.

MiniMax-H3-MLX-6bit — сборка диффузионного трансформера MiniMax H3, подготовленная для MLX и Apple Silicon. Репозиторий содержит только веса трансформера: для генерации нужны код пайплайна, видео- и аудиовариаторы и текстовый энкодер из исходного релиза. Модель совместно создаёт видео и синхронизированный с ним звук по текстовым и визуальным условиям; генеративное ядро обрабатывает латенты видео и аудио в общей последовательности, а условия кодирует замороженный Qwen3-VL-32B. В метаданных указан размер 23,1 млрд параметров, тогда как README описывает исходную архитектуру как 33-миллиардную; веса квантизованы до 6 бит, а проекции AdaLN — до 8 бит. Сборка предназначена для локального запуска на Apple Silicon через MLX. Квантизация уменьшает требования к памяти, но не устраняет высокую вычислительную стоимость плотного внимания: генерация может занимать много времени. README приводит оценки ошибки для 6-битных весов, но отдельный результат рендеринга этой версии не измерялся. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

rockerBOO/minimax-h3-nvfp4-fp8 — это квантизированный вариант модели MiniMax H3, разработанной MiniMaxAI и переупакованной при участии Comfy-Org. Модель поставляется как единый checkpoint для ComfyUI и предназначена для генерации видео по тексту и изображениям, включая сценарий fl2va (first/last-frame). README не содержит точных сведений о полном числе параметров, языках и размере контекстного окна. Основная часть MLP-весов представлена в формате NVFP4, параметры attn.qkv_proj — в FP8 с tensor-scale, а модуляция AdaLN сокращена до lookup table. Файл в формате safetensors имеет размер около 20 ГБ. Вариант требует GPU с архитектурой Blackwell, например RTX 50-й серии, B100 или B200. Он протестирован в ComfyUI и служит базовым вариантом для сравнения скорости с вариантом INT8 ConvRot; README также указывает на поддержку генерации видео и аудио исходной моделью, но конкретные возможности этой сборки описаны ограниченно. Преимуществами являются уменьшенный размер по сравнению с полноточной версией, поддержка запуска в ComfyUI и оптимизация под современные GPU Blackwell. Ограничения включают привязку к режиму fl2va, необходимость совместимого оборудования и отсутствие заявленной поддержки ref2va в этой сборке. Модель распространяется по MiniMax H3 Community License Agreement, унаследованной от исходной модели MiniMaxAI/MiniMax-H3; лицензия имеет ограничения, поэтому перед использованием следует ознакомиться с её условиями.