I.8Изображения и компьютерное зрение

HELLmix — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она основана на Stable Diffusion 1.5 и распространяется в формате Diffusers с весами Safetensors; в неё встроен VAE MoistMixV2VAE. Карточка демонстрирует генерацию аниме-изображения по англоязычному промпту. Модель предназначена для создания 2D-изображений в аниме-стиле по текстовым запросам. Указана лицензия CreativeML OpenRAIL-M. В карточке нет сведений о контекстном ограничении, оценках качества или дополнительных ограничениях использования.

Salesforce/InstructBLIP-Vicuna-7B — визуально-языковая модель семейства InstructBLIP, разработанная Salesforce и основанная на BLIP-2 с языковой моделью Vicuna-7B. Она принимает изображение и текстовую инструкцию, а затем генерирует текстовый ответ о содержимом изображения. Модель предназначена для ответов на вопросы по изображениям, описания сцен и других задач взаимодействия с изображениями на естественном языке. В репозитории представлены веса PyTorch и Safetensors; поддерживаемый язык карточки — английский. README указывает на исследовательский выпуск и рекомендует оценивать точность, безопасность и справедливость перед применением. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования по доступным данным определить нельзя.

irAsu v1.0 — модель генерации изображений по текстовому описанию, созданная как второй этап дообучения Illustrious XL 0.1. Она предназначена для создания иллюстраций и улучшает раскраску, анатомию персонажей и фон по сравнению с базовой моделью. В основе лежит Stable Diffusion XL; модель использует текстовые промпты и ориентирована на английские теги и описания в стиле Danbooru. Для работы автор рекомендует сэмплер Euler a, 25–30 шагов генерации, CFG 3,5–5 и параметр ENSD 31337; наиболее удачным назван режим около 28 шагов и CFG 4. В качестве основы промпта предлагаются описание персонажа и серии, а также теги качества. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели и у базовой модели.

KO-Anything-V4.5 — модель генерации изображений в стиле аниме на основе latent diffusion и Stable Diffusion, опубликованная kyujinpy. Она предназначена для создания детализированных иллюстраций по текстовым запросам, в том числе с тегами Danbooru. Карточка приводит примеры запросов на корейском и английском языках; в метаданных также указан корейский язык. Модель распространяется в формате Diffusers с весами Safetensors и использует CLIP от bingsu. Для запуска подходит StableDiffusionPipeline из библиотеки Diffusers. Указана лицензия CreativeML Open RAIL-M; README сообщает, что коммерческую лицензию на Anything V4.0 предоставляет платформа Fantasy.ai, поэтому коммерческое использование этой версии требует проверки условий правообладателя.

Kohaku XL Epsilon — пятая крупная версия серии Kohaku XL от KBlueLeaf, модель генерации изображений по тексту на базе Stable Diffusion XL. Она дообучена методом LyCORIS с алгоритмом LoKr на 5,2 млн изображений из Danbooru2023; карточка описывает работу с тегами Danbooru, включая теги качества, рейтинга и периода публикации. Модель рассчитана на генерацию изображений в широком диапазоне размеров: обучение использовало базовое разрешение 1024×1024 и размеры от 256 до 4096 пикселей. Модель предназначена для создания иллюстраций по текстовым тегам и описаниям, особенно в стиле и тематике изображений Danbooru. Автор отмечает, что теги с популярностью от 1000 должны работать, а менее популярные могут срабатывать при сильном акцентировании. Веса доступны в форматах Diffusers, PyTorch и safetensors; лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории. Обучающие данные включали категории от безопасного до откровенного контента, поэтому модель способна создавать материалы для взрослых.

kasukanra/linebrush-style — дообученная модель Stable Diffusion v1.5 для генерации изображений с эффектом чернильной кисти и выразительной линейной графики. Для вызова стиля в запросе автор рекомендует использовать токен DBlinebrush style; модель обучена на изображениях в стиле фантастических концепт-иллюстраторов и дизайнеров. Модель предназначена для генерации иллюстраций по текстовому описанию, в том числе фэнтезийных персонажей и портретов. В README приведён пример генерации монохромного аниме-портрета; указаны настройки примера: 50 шагов, Euler, CFG 7 и размер 512×512. Репозиторий содержит формат Diffusers и PyTorch, а карточка указывает лицензию CreativeML OpenRAIL-M.

LingBot-World 2.0, также называемая LingBot-World-Infinity, — модель генерации интерактивных видеомиров от команды Robbyant. Эта 14-миллиардная версия causal-fast предназначена для создания видео по изображению с быстрым откликом и продолжительным взаимодействием; проект построен на Wan2.2 и использует причинное предварительное обучение и дистилляцию для варианта реального времени. Модель поддерживает сцены с разнообразными действиями персонажей, включая атаку, стрельбу из лука и применение магии, а также события, задаваемые текстом. В описании проекта заявлена возможность формировать видеопоток 720p с частотой 60 кадров в секунду. Агентная система разделяет планирование поведения персонажа и создание новых элементов окружения по мере развития сцены. Карточка описывает именно causal-fast вариант; causal-pretrained и двунаправленный варианты 14B на момент README отмечены как ещё не выпущенные. Репозиторий распространяется в формате Diffusers с весами Safetensors по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных на тех же условиях.

notapalindrome/ltx2-mlx-av — версия Lightricks/LTX-2, оптимизированная для MLX и компьютеров Mac с Apple Silicon; README указывает на преобразование исходной модели. Она создаёт видео с синхронизированным звуком по текстовому запросу или анимирует изображение с генерацией звука. Модель представляет собой аудиовизуальную архитектуру; веса доступны в формате MLX safetensors с типом bfloat16, размер составляет около 42 ГБ. Для генерации README указывает примерно 45 ГБ оперативной памяти, разрешение 512×512, частоту 24 кадра/с и ограничения на число кадров: оно должно быть вида 8n+1. Репозиторий распространяется по лицензии MIT. Для работы требуется Mac с Apple Silicon и ffmpeg.

Lucky Strike — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec и представленная в формате Diffusers с весами Safetensors. В карточке приведён пример промпта для создания детализированной живописной сцены с девушкой, цветами и фруктами; теги связывают модель со Stable Diffusion. Модель предназначена для создания иллюстраций по текстовым промптам. Указана лицензия CreativeML OpenRAIL-M. В README не приведены сведения о размере модели, длине контекста или конкретных ограничениях использования.

Lyriel 1.2 — модель генерации изображений по текстовому описанию, опубликованная Yntec. Карточка указывает на семейство Stable Diffusion и использование библиотеки Diffusers; веса представлены в форматах Diffusers и safetensors. Модель предназначена для создания иллюстраций по текстовым запросам. Пример в карточке показывает стилизованный образ в духе чиби и журнальной иллюстрации с детализированными чертами и волосами. В метаданных указана лицензия CreativeML OpenRAIL-M. Размер модели, контекст и поддерживаемые языки не приводятся.

Mann-E Art — модель генерации изображений на основе Stable Diffusion XL от компании Mann-E. Она дообучена примерно на тысяче изображений, созданных Midjourney, и фотографиях, собранных командой разработчика, с упором на художественный стиль, близкий к Midjourney. Модель предназначена для создания фотографий, художественных изображений и цифровых картин по текстовому описанию. Она работает через библиотеку Diffusers; с ней совместимы LoRA для SDXL 1.0, ControlNet, IP-Adapter и InstantID. Рекомендуемое разрешение — 768×768, поддерживается генерация до 1024×1024; также хорошо работают некоторые прямоугольные форматы, например 832×1216 и 608×1080. Качество генерации пиксельной графики и векторных иллюстраций ограничено без дополнительных LoRA-адаптеров. Лицензия в доступных сведениях не указана.

Miniaturus Potentia V1.2 — модель генерации изображений из текста на базе семейства Stable Diffusion 1.5, разработанная автором dataautogpt3. По карточке, модель обучалась на 220 тысячах изображений с подписями, созданными GPTV, а затем была настроена методом DPO на 3 тысячах отобранных изображений со стилистическими примерами. Автор указывает, что применял методологию, ранее использованную для Proteus. Модель предназначена для создания изображений по текстовым запросам. Для версии 1.2 автор рекомендует CFG 8,5, 35–70 шагов и сэмплер DPM++ 3M SDE с планировщиком Karras; 35 шагов подходят для более быстрой генерации. Репозиторий поддерживает форматы Diffusers, PyTorch и Safetensors. Лицензия — GPL-3.0. В карточке не описаны поддерживаемые языки запросов, разрешение изображений и ограничения по содержанию; качество результата может зависеть от формулировки запроса и параметров генерации.

MiniMax-H3 Acc LoRAs — ComfyUI conversion — это набор ускоряющих PDD-LoRA-модификаций для модели MiniMax-H3, предназначенный для генерации видео и аудио. Обучение и оригинальный выпуск выполнены alibaba-pai при участии авторов метода Parallel Decoding Distillation, базовая модель разработана MiniMaxAI, а данный репозиторий выполняет преобразование формата для ComfyUI. Набор предназначен для полной генерации аудио и видео в ComfyUI за 8 или 4 шага сэмплирования без CFG. Доступны варианты для архитектур FL2VA и Ref2VA. Каждый файл содержит LoRA ранга 64 для основной сети и банк PDD-голов: 32 проекции последнего слоя для каждого интервала и модальности. Также предлагается предварительно объединённый int8-конвёртированный чекпойнт Ref2VA размером 34 ГБ для систем с ограниченной видеопамятью; он снижает накладные расходы на повторное применение LoRA при каждом шаге. Модель требует специального набора узлов ComfyUI-MiniMax-H3-PDD-Acc и строго определённой схемы запуска с узлами SigmaShift, Apply, BasicGuider и сэмплером euler. Не следует объединять её с другими дистиллирующими LoRA или step-caching-узлами. Ограничения включают зависимость от совместимых базовых чекпойнтов, ComfyUI и пользовательских узлов; сведения о языках и размере контекстного окна не указаны. Распространение выполняется по лицензии Apache-2.0.

MiniMax-H3-MLX-4bit — сборка модели MiniMax H3, подготовленная для запуска через MLX на компьютерах с Apple Silicon. Это диффузионный трансформер для совместной генерации видео и синхронизированного с ним аудио по текстовому описанию; исходный MiniMax H3 разработала MiniMax. Модель содержит 23,1 млрд параметров по метаданным, а веса трансформера в этом репозитории преобразованы в формат MLX и квантованы до 4 бит с размером группы 64. Это не языковая модель: генерация требует кода пайплайна, а текстовый энкодер и видео- и аудиодекодеры берутся из исходного релиза. Сборка предназначена для создания коротких видеороликов со звуком по текстовым запросам. В README также описано создание видео по изображениям, однако для этой конкретной сборки входные изображения явно не подтверждены. По измерениям автора, 4-битная версия сохраняет основной объект сцены, но может давать видимые артефакты; квантование ускоряет генерацию лишь примерно в 1,2–1,4 раза, поскольку основное время занимает плотное внимание. Один шаг денойзинга на M3 Ultra занимает около 8,8 минуты для ролика длительностью 5 секунд и около 1,04 часа для 15 секунд. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Mol-Keun Mix V3 NoobAI XL — модель преобразования текста в изображение для генерации изображений по текстовым описаниям. Модель опубликована на Hugging Face пользователем John6666; в README указано, что её создал Mol_Keun, а базовой моделью является Laxhar/noobai-XL-1.0. Модель основана на Stable Diffusion XL и предназначена для использования с Diffusers через StableDiffusionXLPipeline. По тематическим тегам она ориентирована на стили anime, furry, anthro и kemono, а также связана с семейством Illustrious и NoobAI. Поддерживаемый язык текстовых запросов — английский. Модель распространяется по лицензии faipl-1.0-sd, обозначенной в метаданных как other. Сведения о размере модели, длине контекста и дополнительных ограничениях в предоставленных данных отсутствуют.

Naturitize Image Pack — пользовательский чекпойнт на базе Stable Diffusion 1.5, созданный Jak для генерации изображений с природными и земными текстурами по текстовому описанию. Для вызова характерного стиля автор рекомендует начинать промпт с «naturitize», затем добавляя нужный объект или сцену; по заявлению карточки, сложное составление промпта не требуется. Модель обучена на 112 изображениях размером 768 пикселей в течение 8000 шагов, включая 500 шагов обучения текстового энкодера. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

inu-ai разработала niji-diffusion-xl-base-1.0 — модель генерации изображений на основе Stable Diffusion XL Base 1.0, настроенную на аниме и иллюстративную стилистику. По карточке, модель обучали на изображениях из набора niji-v5: применяли LoRA-файнтюнинг, а затем объединяли адаптеры с SDXL; в истории также описаны полноточечное дообучение, дополнительные слияния и корректировки. Репозиторий содержит веса в форматах Diffusers и Safetensors. Модель предназначена для создания аниме-иллюстраций по текстовым промптам, например персонажей и сцен с цветочными мотивами. Автор предупреждает, что обучение было ограниченным по объёму, поэтому длинные промпты с множеством элементов могут ослаблять характерный стиль niji. Лицензия — CreativeML Open RAIL++-M.

NoobAI XL V-Pred 0.65 — диффузионная модель Laxhar Lab для генерации изображений по текстовым описаниям и тегам. Модель дообучена на базе Laxhar/noobai-XL_v1.0 и использует предсказание v-prediction; карточка отмечает обучение на изображениях Danbooru и e621 с тегами и текстовыми подписями. Модель ориентирована на иллюстрации, в том числе изображения в стиле аниме. Для работы автор рекомендует Euler, CFG 4–5, 28–35 шагов и разрешение около 1024×1024; другие сэмплеры могут работать некорректно. Модель доступна в форматах Diffusers и Safetensors. Карточка описывает использование через reForge, ComfyUI, WebUI и Diffusers. Лицензия указана как other; README задаёт условия Fair AI Public License: запрещает коммерческое использование, требует открывать производные модели и делиться сведениями о рабочих процессах. Модель может создавать неожиданные или вредоносные изображения, поэтому результаты требуют проверки.

NovelAIRemix — модель генерации изображений по текстовому описанию, созданная смешиванием NovelAI с Stable Diffusion 1.5. Согласно рецепту в карточке, итоговая модель получена последовательным объединением весов SD 1.4, SD 1.5 и вариантов NovelAI; репозиторий подготовлен для использования с библиотекой Diffusers и содержит веса в формате safetensors. Модель предназначена для создания иллюстраций, в том числе аниме-изображений, по текстовым промптам. В примере карточки показана генерация детализированного чиби-персонажа и упомянуты художественные стили. Указана лицензия CreativeML OpenRAIL-M. Данные карточки не сообщают размер модели, длину контекста или перечень поддерживаемых языков.

Open Lexica — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка содержит пример промпта для создания милой чиби-девушки в бейсбольной форме с детализированными глазами и волосами, а также художественными стилевыми указаниями. Метаданные относят модель к Stable Diffusion и отмечают теги anime и art; репозиторий включает веса в формате safetensors. Модель предназначена для создания иллюстраций по текстовым промптам. Указана лицензия CreativeML OpenRAIL-M.

OrangeRemix — слитая модель генерации изображений по текстовому описанию, опубликованная автором Yntec. Она предназначена для создания иллюстраций в аниме-стиле: автор отмечает выразительную композицию, привлекательный визуальный стиль и стремление сохранить согласованность изображения. Модель распространяется в формате Diffusers на базе PyTorch и Safetensors. По карточке, OrangeRemix создана смешиванием нескольких моделей, включая BloodOrangeMix, ElyOrangeMix и EerieOrangeMix_night, с последующим применением VAE. В качестве компонентов также указаны AnythingV3.0 и модели NovelAI. Рецепт автор описывает приблизительно и отмечает, что не сохранил точные заметки, поэтому точное воспроизведение слияния может быть затруднено. Лицензия — CreativeML Open RAIL-M.

ianpan/pneumonia-cxr — модель компьютерного зрения для анализа фронтальных рентгенограмм грудной клетки. Она дообучена на базе EfficientNetV2-S и сочетает U-Net-декодер для сегментации с линейной головой для бинарной классификации. Модель предназначена для выявления признаков пневмонии и помутнений в лёгких; обучалась на наборах RSNA Pneumonia Detection Challenge и SIIM-FISABIO-RSNA COVID-19 Detection, где исходные рамки объектов преобразовали в эллиптические маски. В README приведены результаты на отложенной выборке из 1 651 снимка: AUC 0,900 в целом, 0,885 на RSNA и 0,914 на SIIM-FISABIO-RSNA. Метаданные указывают формат safetensors и библиотеку Transformers. Модель предназначена для анализа медицинских изображений и не заменяет клиническую оценку специалиста. Лицензия в предоставленных данных не описана.

ChrisColeTech/qwen-image-edit-uncensored-GGUF — предварительно объединённая и квантованная сборка модели Qwen-Image-Edit-2511, разработанная ChrisColeTech на базе Qwen/Qwen-Image-Edit-2511 и Phr00t/Qwen-Image-Edit-Rapid-AIO. В веса встроены Turbo-настройка для ускоренной генерации Lightning за 4 шага и NSFW LoRA. Модель предназначена для генерации изображений по текстовому описанию, image-to-image и редактирования изображений, включая преимущественно контент для взрослых. В README отмечено, что для незаконного контента действуют ограничения. Архитектура включает Transformer в формате GGUF размером около 11,7 ГБ, текстовый энкодер Qwen2.5-VL-7B-Instruct в формате GGUF размером около 4,43 ГБ, mmproj размером около 1,35 ГБ и VAE размером около 254 МБ. Рекомендуемое разрешение — 1024×1024, минимальное — 512×512; поддерживается от 4 до 16 шагов, а для Turbo-варианта рекомендуется 4 шага и CFG 1.0. Для работы требуется обновлённый GGUF Loader в ComfyUI. Сильная сторона модели — высокая скорость генерации, особенно в текстово-изображенческих сценариях, при этом базовые возможности редактирования сохраняются. Согласно README, редактирование не является её сильной стороной, а NSFW-редактирование требует дополнительной настройки. Языки, максимальная длина контекста и точные условия лицензирования не указаны; в карточке лицензия обозначена как unknown.

Raehoshi illust XL — диффузионная модель генерации изображений по тексту, разработанная Raelina и дообученная на Illustrious XL v0.1. Она предназначена для создания иллюстраций по промптам в стиле тегов Booru. Автор стремился смягчить перенасыщенность цветов и артефактный шум исходной модели; по карточке, эти недостатки уменьшены, но не устранены полностью. Для генерации автор рекомендует CFG 7, 28 шагов и сэмплер Euler a. Модель основана на Stable Diffusion XL; репозиторий содержит веса в форматах Diffusers и safetensors. В метаданных указан английский язык. Лицензия — Fair AI Public License 1.0-SD.

Raena XL — диффузионная модель Raelina для генерации изображений в стиле 2D-аниме по текстовым запросам. Модель основана на Stable Diffusion XL и создана путём слияния Animagine XL 3.1 с RealCartoonXL V6, а затем с Anything XL; метаданные Hugging Face указывают Animagine XL 3.1 как базовую модель. Модель предназначена для создания иллюстраций в эстетике аниме. В README приведены рекомендуемые настройки промптов, генерация при нескольких соотношениях сторон и параметры для увеличения разрешения через Hires.fix. Указанная лицензия — Fair AI Public License 1.0-SD.

RainMix — модель генерации изображений по текстовому описанию, опубликованная Hemlok и предназначенная для использования через Diffusers или интерфейсы вроде WebUI. Это merge-модель на основе ACertainThing, созданная с изменениями рецепта и моделей RainierMix. В карточке также упомянут вариант fp16 со смешанным VAE. Модель ориентирована на создание иллюстраций по промптам; примеры в карточке показывают персонажа в аниме-стиле. Автор рекомендует семплер DPM++ SDE Karras, около 50 шагов или больше, Clip Skip 2 и CFG Scale 5–8; для негативного промпта предлагается EasyNegative. Лицензия CreativeML OpenRAIL-M допускает коммерческое использование и распространение при соблюдении её ограничений.

Realism-By-Stable-Yogi-Pony-LoRa — LoRA-адаптер для генерации изображений, разработанный пользователем или организацией incendies. Модель предназначена для использования в сценариях text-to-image и интеграции с библиотекой Diffusers, вероятно для усиления реалистичной стилистики при генерации изображений на базе LyliaEngine/Pony_Diffusion_V6_XL. Известно, что адаптер совместим с базовой моделью LyliaEngine/Pony_Diffusion_V6_XL и относится к семейству diffusion LoRA. Данные о размере, архитектуре адаптера, поддерживаемых языках, контекстном окне и дополнительных модальностях не указаны. Сильной стороной является специализированная настройка базовой модели под реалистичную визуальную подачу, однако качество и область применимости зависят от базовой модели и параметров подключения LoRA. Лицензия — MIT.

SomethingV2 — модель латентной диффузии, предназначенная для генерации ярких, но мягких изображений в стиле аниме по текстовым запросам. Разработчик — NoCrypt. Модель доступна в формате Diffusers с весами PyTorch в формате safetensors; карточка указывает лицензию CreativeML OpenRAIL-M. В README рекомендуются Clip Skip 2, sampler DPM++ 2M Karras, CFG Scale 7–12 и разрешение первого прохода не менее 512×512. Для повышения детализации автор советует использовать hires fix и увеличивать изображение до 1500×1500. Веса VAE встроены в модель. README сообщает об обновлённой версии SomethingV2.2.

UForm-Gen2-Qwen-500m — компактная генеративная модель компьютерного зрения и языка от Unum Cloud. Она объединяет визуальный энкодер ViT-H/14 на основе CLIP и языковую модель Qwen1.5-0.5B-Chat; размер языковой части — 0,5 млрд параметров. Модель принимает изображение и текстовый запрос, а в ответ генерирует текст. Модель предназначена прежде всего для создания подписей к изображениям, ответов на вопросы о визуальном содержимом и мультимодального диалога. Она предварительно обучалась на внутреннем наборе данных для описания изображений и дообучалась на наборах инструкций SVIT, LVIS и VQA. В карточке приведены сравнительные результаты на SQA, MME и MMBench; эти оценки относятся к указанным тестам и не гарантируют качество для конкретных данных. Репозиторий содержит веса в формате Safetensors и предназначен для использования с Transformers. Модель опубликована по лицензии Apache-2.0. Карточка описывает англоязычную настройку; качество на других языках не подтверждено.

Evel/VividWatercolors — модель генерации изображений из текста в стиле акварели, созданная автором репозитория как DreamBooth-модель. Она предназначена для создания иллюстраций по текстовым запросам; для акварельной фактуры автор рекомендует включать в запрос токен «wtrcolor style» и слово «watercolor». Также описано применение в img2img с усилением стилевого токена. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и использует лицензию CreativeML OpenRAIL-M. Автор отмечает, что для получения хорошего результата нужны подходящие запросы; приведённые им настройки генерации — около 30 шагов, Euler a и CFG 8–9.