I.8Изображения и компьютерное зрение

NoobAI XL 0.75 — диффузионная модель генерации изображений по текстовому описанию от Laxhar Lab. Это дообучение Laxhar/noobai-XL-0.6; в README указано, что после версии 0.6 модель обучали с дополнительными знаниями в текстовом энкодере. По данным карточки, модель основана на Illustrious-xl и использует подписи в виде тегов, характерные для обучающих наборов Danbooru и e621. Она предназначена для создания изображений по теговым или обычным текстовым запросам. Рекомендуемая общая площадь изображения — около 1024×1024 пикселей; в README также приведены настройки CFG 5–6, 25–30 шагов и sampler Euler a. Модель ориентирована на стилизованную иллюстрацию и генерацию изображений в эстетике обучающих датасетов. Доступна в форматах Diffusers и safetensors для StableDiffusionXLPipeline. Карточка запрещает коммерческое использование, требует открывать производные модели и соблюдать fair-ai-public-license; также запрещает незаконное и вредоносное применение. Возможны неожиданные или вредные результаты генерации.

Nostalgic — модель Yntec для генерации изображений по текстовым описаниям. Она создана слиянием моделей EstheticRetroAnime и KIDSILLUSTRATIONS и предназначена для иллюстраций в ретро-аниме стилистике, включая изображения, похожие на иллюстрации детских книг. Модель работает через StableDiffusionPipeline в библиотеке diffusers; файлы доступны в форматах Diffusers и safetensors. Модель подходит для создания персонажей, чиби-иллюстраций и сцен с винтажным или мультяшным оформлением. Карточка показывает примеры промптов, но не приводит параметров размера модели или длины контекста. Лицензия — CreativeML OpenRAIL-M; при использовании необходимо соблюдать её условия и ограничения.

Yntec/NovelAI — модель генерации изображений по текстовому описанию для библиотеки Diffusers. Карточка показывает пример запроса для создания мультяшной иллюстрации в стиле чиби; метаданные указывают задачу text-to-image и форматы Diffusers, PyTorch и safetensors. Автор README приводит фразу об исследовательском назначении как шутку. Архитектура, размер модели, поддерживаемые языки и условия лицензии в доступных сведениях не раскрыты. Лицензия в метаданных обозначена как other; перед использованием следует проверить условия на странице модели.

Это неофициальная конверсия оригинальной модели Ogkalu Comic Diffusion для работы с библиотекой Diffusers. Модель Stable Diffusion предназначена для создания изображений по текстовым описаниям в стиле комиксов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML Open RAIL-M.

Pastel Mix — модель генерации изображений из текста на основе Stable Diffusion, созданная автором репозитория mirroring. Она предназначена для создания детализированных изображений в аниме-стилистике с пастельной палитрой и характерной живописной фактурой по коротким текстовым запросам. Модель понимает Danbooru-теги и может сочетаться с LoRA; README приводит рецепт смешивания базовых моделей и LoRA, поэтому это объединённая модель, а не исходная архитектура. Модель рассчитана на генерацию изображений в стиле аниме и позволяет влиять на результат тегами и указанием стиля. Репозиторий поддерживает запуск через Diffusers; отдельная версия включает VAE Waifu Diffusion. Карточка указывает английский язык и форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. README отмечает, что выбор апскейлера влияет на сохранение пастельной фактуры: автор предпочитает latent upscaler, тогда как Lanczos и Anime6B могут сглаживать её. Размер модели и длина контекста в предоставленных данных не указаны.

Plat Diffusion v1.3.1 — модель генерации изображений по текстовому описанию, созданная p1atdev. Это латентная модель, дообученная на Waifu Diffusion v1.4 Anime Epoch 2; в обучении использовались изображения из niji・journey и генеративные изображения. Репозиторий содержит веса в форматах Diffusers и PyTorch, а для VAE автор рекомендует kl-f8-anime2.ckpt. Модель предназначена для создания изображений в аниме-стиле по текстовым запросам. Автор отмечает, что модель хуже справляется с изображением мужчин. В README также приведён рекомендуемый отрицательный запрос для снижения вероятности артефактов и нежелательных деталей. Лицензия — CreativeML OpenRAIL-M.

Prefect Pony XL v50 — модель генерации изображений по текстовому описанию, разработанная Goofy_Ai. Она распространяется через библиотеку Diffusers и предназначена для задач text-to-image, в частности для создания аниме-иллюстраций и изображений персонажей, включая тематику girls. Модель относится к семейству Stable Diffusion XL и использует экосистему Pony/Animagine, однако подробные сведения о точной архитектуре, размере, поддерживаемых языках и длине контекста в README не указаны. К сильным сторонам модели относятся специализация на аниме-стилистике и совместимость с инструментами Stable Diffusion и Diffusers. Ограничения, требования к аппаратному обеспечению, рекомендации по параметрам генерации и сведения о качестве в README не описаны, поэтому их нельзя достоверно оценить по имеющимся данным. Модель доступна по лицензии faipl-1.0-sd; условия лицензии приведены по адресу https://freedevproject.org/faipl-1.0-sd/. Исходная модель размещена на Civitai.

AUTOMATIC/promptgen-lexart — языковая модель на архитектуре GPT-2, дообученная на базе distilgpt2 командой AUTOMATIC. Она предназначена для генерации промптов для Stable Diffusion 1.5; обучение проводилось в течение 100 эпох на 134 819 промптах, собранных с lexica.art. Модель принимает текст и генерирует текст, а её контекст составляет 1024 токена. Модель представлена в формате PyTorch и распространяется по лицензии MIT. Она специализируется на англоязычных промптах для генерации изображений. Качество и уместность результатов могут зависеть от формулировки исходного запроса; обучение на промптах с сайта lexica.art может отражать особенности и ограничения этого набора данных.

Raehoshi illust XL 4 — диффузионная модель генерации изображений по текстовому описанию, разработанная Raelina и дообученная на Illustrious XL v1.1. Она ориентирована на создание иллюстраций с более сбалансированной цветопередачей и меньшим количеством артефактов по сравнению с исходной моделью; эти проблемы, по словам автора, устранены не полностью. Модель доступна в формате Diffusers с весами Safetensors и использует архитектуру Stable Diffusion XL. Модель подходит для генерации иллюстраций по промптам. В карточке приведены рекомендуемые параметры CFG и количества шагов, а также настройки увеличения разрешения через Hires.fix. Лицензия указана как Fair AI Public License 1.0-SD; в метаданных Hugging Face она обозначена как other.

realidefmix_3.5VAE — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка рекомендует добавлять в запрос ключевое слово pureInnocentGirl для улучшения генерации лиц и приводит пример запроса с белыми кудрявыми волосами на фоне стены. Модель предназначена для создания изображений по текстовым промптам. Метаданные указывают на семейство Stable Diffusion и форматы PyTorch и safetensors. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

RetroRetro — объединённая модель генерации изображений по текстовым описаниям, опубликованная Yntec. Она предназначена для создания ретро-графики и пиксель-арта, а также иллюстраций в ретрофутуристическом стиле. В README приведены примеры сцен с островами, автомобилями, персонажами и обложками в стиле фэнтези. Модель использует Stable Diffusion Pipeline и доступна в формате Diffusers с весами Safetensors. README описывает объединение Retro Diffusion и DucHaiten Retro методом SuperMerger Weight Sum Train Difference Alpha 1; в метаданных также указана связь с LostMedia/RetroDiffusion и Yntec/DucHaitenRetro. Лицензия указана как Public Domain Mark 1.0. Размер модели и длина контекста в предоставленных данных не указаны.

Robo-Diffusion 2 (base) — модель генерации изображений по текстовому описанию, созданная методом DreamBooth путем дообучения Stable Diffusion 1.4. Она предназначена для создания изображений роботов в характерном стиле модели; для его активации автор рекомендует помещать слова «nousr robot» ближе к началу запроса и использовать негативные промпты для настройки результата. Репозиторий содержит веса в форматах Diffusers и PyTorch и рассчитан на работу с StableDiffusionPipeline. Модель принимает текстовые запросы на английском языке и генерирует изображения. Распространяется по лицензии OpenRAIL++.

Norod78 дообучил Stable Diffusion v1.5 на портретах карикатур из набора 2D Caricature Dataset, созданного на основе 3D-CariGAN. Изображения были обрезаны до 512×512 пикселей и снабжены подписями BLIP; обучение длилось 10 000 итераций и выполнялось с помощью скрипта Hugging Face для генерации изображений по тексту. Модель предназначена для создания карикатурных портретов по текстовому запросу. Её можно использовать через Diffusers или как чекпойнт формата Safetensors в Stable Diffusion WebUI. Лицензия — CreativeML OpenRAIL-M; она устанавливает условия использования и распространения модели.

bghira/sd35m-sfwbooru-lokr — адаптер LoRA для генерации изображений на базе Stability AI Stable Diffusion 3.5 Medium. В README имя разработчика или организации, создавшей адаптер, не указано. Модель предназначена для генерации изображений по текстовому описанию и, согласно метаданным, может использоваться в сценариях text-to-image и image-to-image через экосистему Diffusers и SimpleTuner. Название указывает на ориентацию на SFW-материалы в стиле booru, однако подробное описание обучающего набора и стилистических особенностей отсутствует. Известно, что это LoRA-адаптер, а не самостоятельная базовая модель; для работы требуется совместимая Stable Diffusion 3.5 Medium и соответствующий пайплайн. Поддерживаются текстовые промпты и создание изображений, но точный размер параметров адаптера, максимальный контекст, разрешение, языки и требования к оборудованию не указаны. Примеры демонстрируют широкий диапазон сцен, включая фантастические, киберпанк-, хоррор- и бытовые сюжеты, а также изображения с текстом, но этого недостаточно для гарантии стабильного качества в каждом сценарии. Лицензия обозначена как «other», без уточнения условий и ограничений; перед использованием необходимо проверить лицензионные правила репозитория и базовой модели. В README также присутствует пометка not-for-all-audiences, поэтому пригодность результатов для конкретной аудитории следует оценивать отдельно.

SEA-CLIP-Tiny-abl-cc12m — экспериментальный вариант мультиязычной модели CLIP от автора репозитория fassabilf, представленный как одна из строк абляционного исследования SEA-CLIP-Tiny (ACCV 2026). Модель обучена только на CC12M; архитектура и гиперпараметры совпадают с основной моделью. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на целевых классах. Модель использует визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384, общий размер эмбеддинга — 512; всего 46,11 млн параметров. Контекст токенизатора CLIP BPE — 77 токенов. Поддерживаются английский и ряд языков Юго-Восточной Азии. В приведённых результатах zero-shot точность на ImageNet составляет 40,0%, а средний R@1 на трёх наборах для межъязыкового поиска — 1,1%; это указывает на ограниченную эффективность в указанных тестах. Лицензия — MIT.

bdsqlsz/stable-diffusion-xl-anime-V5 — модель генерации изображений в библиотеке Diffusers, основанная на Animagine XL 3.1 и дообученная для создания аниме-иллюстраций. Она предназначена для генерации изображений по текстовым описаниям и ориентирована на более характерную аниме-раскраску, улучшенную анатомию, в том числе изображение рук, меньшее количество 3D-эффектов и бликов. Модель подходит для создания персонажей, сцен и стилизованных иллюстраций по промпту. Весовые файлы опубликованы в формате safetensors. В README рекомендуется ориентироваться на инструкции Animagine XL 3.1. Лицензия в метаданных обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Elldreth's Stolen Dreams — модель для генерации изображений по текстовому описанию, опубликованная Yntec. Репозиторий содержит модель в формате Diffusers и веса Safetensors; в неё встроен VAE MoistMixV2VAE. Для усиления характерного эффекта автор рекомендует включать слово «Elldreth» в запрос. Карточка демонстрирует генерацию изображений с аниме-персонажами, включая милые лица и стиль чиби, а также детализированные художественные и реалистичные изображения. Модель подходит для создания иллюстраций по текстовым промптам. Лицензия — CreativeML Open RAIL-M.

TheWonderMix V2 — модель для генерации изображений по текстовому описанию, опубликованная Yntec. Она основана на Stable Diffusion и распространяется в форматах Diffusers и Safetensors. Веса содержат встроенный VAE kl-f8-anime2, предназначенный для более насыщенных цветов и детализированных изображений. Модель ориентирована на стилизованные иллюстрации, особенно изображения персонажей в аниме- и игровом духе, а также может создавать изображения с ретро-фотографической эстетикой. В карточке приведены примеры промптов с портретами, детскими книжными иллюстрациями и сценами по мотивам видеоигр. Лицензия — CreativeML OpenRAIL-M; её условия следует учитывать при использовании и распространении результатов.

Toonify2 — модель генерации изображений из текста в формате Diffusers на базе Stable Diffusion. Карточка демонстрирует генерацию иллюстрации по запросу с персонажем в комиксно-аниме стилистике; в метаданных также отмечены теги anime, comic и art. Модель предназначена для создания художественных изображений по текстовым описаниям. Указана лицензия CreativeML Open RAIL-M.

UL_interior_classification — модель классификации изображений, дообученная автором sharmajai901 на основе google/vit-base-patch16-224. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для отнесения изображений интерьеров к категориям. На указанной в карточке тестовой выборке она достигла точности 0,5876 при значении функции потерь 1,2517. Эти результаты относятся к конкретной оценочной выборке и сами по себе не показывают качество на других данных.

dandelin/vilt-b32-finetuned-vqa — модель Vision-and-Language Transformer (ViLT), дообученная на наборе VQAv2. Архитектура объединяет визуальные и текстовые признаки в трансформере и не использует сверточную сеть или разметку регионов объектов. Веса представлены в формате PyTorch, размер модели — 136,7 млн параметров. Модель предназначена для визуальных вопросов и ответов: она принимает изображение и вопрос на естественном языке и генерирует ответ, связанный с изображением. Её можно применять, например, для ответа на вопросы о содержимом фотографий. Контекст указан как 40 токенов. README не приводит подробных результатов оценки, сведений о предобработке или языковой поддержке; поэтому качество и языковой охват за пределами описанного сценария не установлены. Лицензия — Apache-2.0.

tuman/vit-rugpt2-image-captioning — модель описания изображений на русском языке, разработанная автором репозитория tuman. Она обучена на русских переводах датасета COCO2014 и использует архитектуру VisionEncoderDecoder: визуальный энкодер и языковой декодер. Модель предназначена для генерации текстовой подписи к изображению. Энкодер инициализирован из google/vit-base-patch16-224-in21k, декодер — из sberbank-ai/rugpt3large_based_on_gpt2. В карточке приведены результаты на тестовых данных: BLEU 8,672 и BLEU precision 1 — 30,567. Для запуска автор предлагает библиотеку Transformers и pipeline image-to-text. Подходит для автоматического составления кратких русскоязычных описаний изображений, в том числе в сценариях, связанных с коллекцией COCO. Метрики указывают на ограниченное качество описаний; данных о более широких тестах и поддержке других языков в карточке нет. Лицензия в предоставленных сведениях не указана.

V-Reflection (7B) — мультимодальная модель для визуальных вопросов и рассуждений, разработанная на основе Qwen2.5-VL-7B-Instruct. Она использует механизм visual reflection: перед ответом модель выполняет по умолчанию восемь шагов латентного визуального рассуждения. Обучение включало Box-Guided Compression и Dynamic Autoregressive Compression для исследования изображения через визуальные признаки. Модель предназначена для анализа изображений, визуальных вопросов, высокодетального понимания сцен и экспериментов с латентным мультимодальным рассуждением. В репозитории находятся веса Safetensors и аннотации для обучения на смесях SROIE и DUDE. Заявлены результаты на бенчмарках MMVP, BLINK и V*. Размер модели — 7,1 млрд параметров, контекст — до 128 000 токенов. Для корректной загрузки и работы механизма рассуждения нужны официальный код и класс QwenWithLVR; модель не предназначена для непосредственной установки в обычный чат-интерфейс без них. Лицензия — Apache-2.0.

memset0/vsqa-preview-14b-200steps — промежуточный чекпойнт проекта VSQA на базе Wan2.1-T2V-14B для генерации видео по текстовому описанию. Это студент DMD-дистилляции на 200-м шаге из запланированных 1000; модель использует 14-миллиардную диффузионную архитектуру Wan2.1 и обучалась с разреженным вниманием VSA и quantization-aware training для NVFP4 в слоях внимания и линейных слоях. Модель рассчитана на генерацию видео за три шага денойзинга. Контракт сэмплирования задаёт 77 кадров размером 1280×768, guidance scale 1.0 и flow_shift 8.0. Для воспроизведения чисел обучения нужны специализированные FastVideo VSA/QAT kernels; запуск с обычными плотными BF16-слоями представляет собой непроверенную конфигурацию. Чекпойнт опубликован для раннего ознакомления и не оценивался. Лицензия — Apache-2.0, унаследованная от базовой модели.

waiIllustriousSDXL_v170 — модель генерации изображений по текстовому описанию, представленная LyliaEngine и основанная на OnomaAIResearch/Illustrious-xl-early-release-v0. В карточке она помечена как LoRA для экосистемы Diffusers, однако описание также называет её самостоятельным checkpoint семейства WAI-NSFW-illustrious-SDXL. Модель предназначена для создания иллюстраций, включая персонажей, костюмы, окружение и различные художественные стили; заявлена совместимость с ComfyUI, WebUI API и приложением Character Select SAA, поддерживающим выбор персонажей и автодополнение тегов.Основная область применения — текстово-управляемая генерация изображений в аниме-ориентированной стилистике. В рекомендациях указаны разрешения исходного изображения выше 1024×1024, примерный диапазон 15–30 шагов, CFG scale 5–7 и sampler Euler a. VAE уже интегрирован. Для повышения разрешения рекомендуется Hires upscale 1.5 с R-ESRGAN 4x+ Anime6B и denoising strength 0.35–0.5. Разработчики отмечают улучшения согласованности цветовых тонов, соответствия фона персонажам и коррекции конечностей при высоком разрешении.Поддерживаются обычные, чувствительные и NSFW-сценарии; для фильтрации нежелательного контента предлагается явно добавлять тег nsfw в отрицательный запрос. Языки текстовых запросов, точный размер параметров, архитектурные детали и максимальная длина контекста в карточке не указаны. Модель распространяется по лицензии CreativeML Open RAIL-M версии 2.0, обозначенной как cdla-permissive-2.0.

WAI-NSFW-Illustrious-SDXL — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi. Метаданные указывают на использование StableDiffusionXLPipeline и форматов Diffusers и safetensors; README предлагает обращаться к модели через API ModelsLab. Модель предназначена для создания изображений по текстовым запросам. По тегам она ориентирована на иллюстративный и реалистичный визуальный контент, в том числе контент для взрослой аудитории. Размер модели, поддерживаемые языки запросов и длина контекста в предоставленных данных не описаны. Лицензия — CreativeML OpenRAIL-M.

Anima 1.0 Turbo Diffusers Conversion — конверсия модели Anima 1.0 Turbo в формат Diffusers для использования с SD.Next. Исходную модель создали CircleStone Labs и Comfy Org. Это модель генерации изображений по текстовому описанию с архитектурой CosmosTransformer3DModel на 2 млрд параметров, текстовым энкодером Qwen3-0.6B, адаптером с перекрёстным вниманием и VAE AutoencoderKLWan. Модель предназначена для создания аниме-иллюстраций, персонажей и других нереалистичных изображений. Версия Turbo дистиллирована для быстрой генерации; авторы рекомендуют её для подбора и доработки промптов. Она обучена на тегах в стиле Danbooru, подписях на естественном языке и их сочетаниях. Рекомендуемые настройки — 8–12 шагов, CFG 1 и разрешение от 512×512 до 1536×1536. Дистилляция придаёт генерациям устойчивый характерный стиль и ускоряет создание изображений, но снижает разнообразие. Модель не предназначена для фотореализма. В карточке указана лицензия other; конкретные условия использования в предоставленных данных не раскрыты.

Yntec/animeFIVEHUNDREDTWENTY-SIX — объединённая модель Stable Diffusion для создания аниме- и мультяшных изображений по текстовым запросам. Автор объединил 526Mix-AnimeMactest2 с animeSEXTILLION, в которую входят animeTWO и animeTEN, чтобы улучшить глаза первой модели и композицию второй. Модель распространяется в формате Diffusers и Safetensors и использует библиотеку Diffusers. Модель предназначена для генерации иллюстраций с персонажами, в том числе в аниме, мультяшной и 2.5D стилистике. Примеры в карточке показывают запросы на создание персонажей, детализированных глаз и волос, а также сцен и иллюстраций с заданной композицией. Лицензия — CreativeML OpenRAIL-M, которая устанавливает условия использования и ограничения.

Anything V3.1 — сторонняя версия модели латентной диффузии Anything V3.0 для генерации и редактирования изображений в аниме-стиле по текстовым запросам. Модель поддерживает подсказки в виде тегов Danbooru. Её поддерживает Cagliostro Research Lab; для работы доступны форматы Diffusers, PyTorch и Safetensors. В этой версии заменён VAE и исправлен ключ позиции CLIP; ссылка на CLIP взята из Stable Diffusion 1.5. README описывает дообучение на протяжении 50 эпох с небольшим набором данных, включая синтетические примеры, и предупреждает о переобучении. Лицензия в метаданных — CreativeML OpenRAIL-M.

xFutureTechx/BackMixes — модель генерации изображений по текстовому описанию, размещённая под аккаунтом xFutureTechx. Она предназначена для создания иллюстраций, в том числе в стилях аниме и комиксов. Модель распространяется в формате safetensors и рассчитана на запуск через библиотеку diffusers. Модель доступна по лицензии CreativeML Open RAIL-M. Карточка не содержит сведений об архитектуре, размере, контекстных ограничениях или конкретной базовой модели. README сообщает, что авторы прекратили работу над ИИ-проектами, поэтому поддержка модели не заявлена.