I.8Изображения и компьютерное зрение

Gabby233/vqa-finetuned — дообученная модель ответов на вопросы о содержимом изображений, созданная на основе dandelin/vilt-b32-finetuned-vqa и набора данных VQA. Она использует архитектуру ViLT и предназначена для визуального вопросно-ответного поиска: модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Модель содержит 136,7 млн параметров и рассчитана на короткий контекст до 40 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не приводит результатов оценки и дополнительных сведений о качестве; точность ответов может зависеть от изображений и формулировок вопросов.

Wan2.2-Fun-Reward-LoRAs — набор обученных LoRA-адаптеров от Alibaba PAI для улучшения видео, создаваемых моделью Wan2.2-Fun, с помощью оптимизации по оценкам предпочтений. Адаптеры предназначены для соответствующих высоко- и низкошумовых вариантов Wan2.2-Fun-A14B-InP; в карточке указаны варианты, обученные с HPS v2.1 и MPS. README описывает Reward Backpropagation и параметры адаптеров rank=128, network_alpha=64. Адаптеры подключаются к базовой модели при генерации видео по текстовому описанию. Для низкошумовой модели авторы рекомендуют HPS v2.1: вариант MPS может сходиться медленно и давать неудовлетворительные результаты. Лицензия репозитория — Apache-2.0. При оптимизации оценка вознаграждения может расти без дальнейшего улучшения видео, а адаптер может выучить обходные признаки, например добавлять артефакты на фон. Использование моделей предпочтений для изображений не учитывает временные свойства видео и может снижать динамичность. Для работы требуется совместимая базовая модель Wan2.2-Fun; это LoRA-адаптеры, а не самостоятельная модель генерации.

ya3p_VAE — модель для генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. В карточке указано, что она находится в тестировании; README приводит примеры запросов к API Hugging Face, включая портрет девушки и широкий пейзаж с горами и озером. Модель представлена в формате Diffusers с весами PyTorch и Safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять отдельно. Размер, архитектура и поддерживаемые языки в доступных сведениях не описаны.

ai-illustration — модель Stable Diffusion для генерации иллюстраций по текстовому описанию. Она создана пользователем masibasi методом DreamBooth с помощью ноутбука fast-DreamBooth от TheLastBen; для проверки концепции в карточке предложен fast-Colab-A1111 с интерфейсом A1111. Модель распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии CreativeML OpenRAIL-M. Карточка содержит примеры изображений концепции, но не сообщает размер модели, поддерживаемые языки, длину контекста или конкретные ограничения. Качество и пригодность результата зависят от текстового запроса и настроек генерации.

Anima Noct: Anime Mix — смешанная модель генерации изображений на основе Anima-2.9B. Она предназначена для создания аниме-изображений и иллюстраций по текстовым промптам и работает в ComfyUI со стандартными текстовым энкодером Anima и VAE. Автор отмечает более чёткую детализацию и аккуратную анатомию по сравнению с базовой моделью; доступны варианты int8, fp8 и bf16, а файл int8 занимает около 3,1 ГБ и рассчитан на видеокарты с 8 ГБ памяти. Модель подходит для портретов, сцен и иллюстраций с настраиваемым уровнем откровенности: README сообщает, что она поддерживает как безопасные, так и явные промпты. Для генерации указаны настройки около 30 шагов и разрешение порядка одного мегапикселя. Репозиторий содержит веса safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить у автора.

Карточка модели guoyww/animatediff-motion-lora-tilt-up на Hugging Face совпадает с карточкой guoyww/animatediff-motion-lora-zoom-in, поэтому описание составлено по ней. guoyww/animatediff-motion-lora-zoom-in — Motion LoRA для AnimateDiff, предназначенная для добавления эффекта приближения камеры к генерируемой анимации. Она рассчитана на использование с чекпойнтом guoyww/animatediff-motion-adapter-v1-5-2 и подключается в пайплайне text-to-video на базе Diffusers. Репозиторий содержит веса в формате safetensors. Модель подходит для создания коротких видеоклипов по текстовому описанию с движением zoom-in. Это специализированный адаптер движения, а не самостоятельная модель генерации видео; условия лицензирования в предоставленных материалах не описаны.

AdamOswald1/Anime — модель генерации изображений по текстовому описанию, опубликованная под названием 2D-Mix и предназначенная для создания аниме- и иллюстративных изображений. Она создана с помощью Automatic1111 Checkpoint Merger на основе Anything-V3.0-pruned, Waifu-v1-3-float16, NAI, sd-v1-5-pruned-emaonly и trinart_stable_diffusion_epoch3. Репозиторий использует StableDiffusionPipeline из библиотеки diffusers и содержит веса в форматах Diffusers и PyTorch. Модель объединяет стили и возможности базовых чекпойнтов Stable Diffusion; примеры показывают генерацию персонажей, кимоно, цифровых картин и стилизованных сцен по промптам. В README также описан набор из 90 изображений с ручными подписями и суффиксом «AnimeChan Style», использованный для обучения стиля методом DreamBooth. Лицензия — CreativeML OpenRAIL-M. Результат зависит от формулировки промпта и параметров генерации. Примеры в карточке используют изображения 512×512; сведения о контекстном окне и подтверждённых языках, помимо английского тега, не приводятся.

Az2671/AZ — модель типа LoRA для генерации изображений по текстовому описанию, разработанная пользователем или организацией Az2671. Она предназначена для использования в экосистеме Diffusers как адаптер базовой модели ideogram-ai/ideogram-4-fp8. README не содержит подробностей о специализации адаптера, стиле генерации или целевых сценариях применения. Известно, что модель относится к text-to-image и использует архитектуру LoRA, однако её размер, точные параметры, поддерживаемые языки, контекст и сведения о модальностях не указаны. В качестве сильной стороны можно отметить совместимость с указанной базовой моделью и компактный формат адаптера; при этом возможности и качество генерации зависят от базовой модели и неизвестных параметров обучения. Лицензия — Apache-2.0.

Better Pony Diffusion V6 For SD 1.5 v1 — текстово-графическая модель на базе Stable Diffusion 1.5, дообученная Yntec на данных SDXL Pony V6 и примерно 5000 вручную отобранных изображений diffusionfanatic1173. Она предназначена для генерации изображений по текстовым запросам; примеры охватывают аниме, стилизованные иллюстрации, персонажей-пони и антропоморфных персонажей, а также фотореалистичные теги. Карточка демонстрирует поддержку тегов вроде score_9, source_anime и show accurate. Модель распространяется в формате Diffusers с весами safetensors и предназначена для StableDiffusionPipeline. Для работы с ней нужны текстовые промпты; на примерах используются английские теги и описания. Контекстная длина и число параметров не приведены. Лицензия — CreativeML Open RAIL-M.

Карточка модели YizzafoShizza/Cosmos3-Nano-Abliterated на Hugging Face совпадает с карточкой DuoNeural/Cosmos3-Nano-Abliterated, поэтому описание составлено по ней. Cosmos3-Nano-Abliterated — видеогенеративная модель DuoNeural Research Lab, полученная дообучением NVIDIA/Cosmos3-Nano методом удаления направления отказов (abliteration). Модель основана на архитектуре Mixture-of-Transformers и предназначена для генерации видео по текстовому описанию; обработка промптов выполняется авторегрессионным потоком понимания, который взаимодействует с потоком генерации видеокадров. Вариант Nano поддерживает генерацию видео, но не предсказание действий робота. По данным карточки, изменены веса поздних слоёв потока понимания. В испытаниях модель создавала видеокадры для всех проверенных запросов; качество обычных сцен, по сообщению авторов, сохранялось, а для откровенных или потенциально вредоносных запросов заметно снижалась точность и детализация генерации. Это ранняя экспериментальная модификация, а полноценная оценка качества видеогенерации не приведена. Модель распространяется под лицензией `other`; конкретные условия лицензии в предоставленных сведениях не раскрыты.

CSBW_Style — модель-адаптер LoRA для генерации изображений по текстовому описанию. Она предназначена для использования с базовой моделью stabilityai/stable-diffusion-xl-base-1.0 и, судя по названию и метаданным, ориентирована на воспроизведение определённого визуального стиля. Модель опубликована в репозитории ClownsharkBatwing и распространяется в формате Safetensors. Адаптер предназначен для сценариев text-to-image и может применяться через совместимые инструменты и библиотеки, включая Diffusers и интерфейсы для Stable Diffusion. Точные сведения о размере адаптера, особенностях обучения, поддерживаемых языках, максимальном контексте и количественных показателях качества не указаны. Лицензия — GNU Affero General Public License версии 3.0 (AGPL-3.0).

Dramatic_Lighting_Slider — это LoRA-модель для генерации изображений по текстовому описанию, разработанная LyliaEngine на базе OnomaAIResearch/Illustrious-xl-early-release-v0. Она предназначена для усиления драматического освещения и атмосферных эффектов в совместимых моделях SDXL, включая аниме-модели, PonyXL, Illustrious и некоторые реалистичные Pony-модели. Модель воздействует преимущественно на освещение и окружение, стараясь не изменять внешность основного объекта или персонажа. Слайдер позволяет плавно регулировать интенсивность эффекта с шагом 0,10 без активационного ключевого слова. Он добавляет сильные тени, яркие световые акценты и атмосферность; эффект можно дополнительно усилить описаниями вроде «golden hour», «volumetric light» и «dim atmosphere». Для аниме-моделей рекомендуются значения до 5,0, а для реалистичных Pony-моделей — до 3,0; при более высоких значениях изображение может изменяться заметнее. Языки, точный размер и сведения о поддерживаемых модальностях, кроме генерации изображений, не указаны. Модель распространяется по лицензии CDLA-Permissive-2.0.

DreamAnything — смешанная модель для генерации изображений по текстовому описанию, опубликованная пользователем Yntec на Hugging Face. Автор объединил модели семейства Anything и свои любимые модели, чтобы получить универсальный чекпойнт, способный работать без опоры на негативные промпты. Веса доступны в формате Diffusers и Safetensors; в модель встроен VAE Color 101. Модель предназначена для создания изображений по текстовым промптам. Автор отмечает, что добавление слова «anime» в запрос усиливает аниме-стилистику. В качестве примера приведён промпт для портрета персонажа с зелёными волосами в ночной обстановке. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, базовые чекпойнты, длину контекста или результаты сравнительной оценки качества.

DreamLikeRemix — смешанная модель для генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она создана на основе Dreamlike Diffusion, Elldreths Retro Mix и v1-5-pruned-fp16-no-ema с применением операций смешивания Add Difference и Weighted Sum. Модель ориентирована на художественные иллюстрации в ретро- и аниме-стилистике; в карточке приведён пример промпта для изображения милой мультяшной девушки с детализированными глазами и волосами. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors и использует Stable Diffusion Pipeline. Для работы задают текстовый промпт, а на выходе получают изображение. В метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить на странице модели и у исходных моделей.

Ekmix-Diffusion — модель преобразования текстовых запросов в изображения, опубликованная автором EK12317. В карточке показаны варианты Ekmix-Pastel и Ekmix-gen4: первый создаёт пастельные изображения с линейным рисунком, второй балансирует между аниме и реалистичной стилистикой. Автор описывает объединение LoRA для пастельного варианта и блочное взвешенное слияние для gen4. Модель предназначена для генерации стилизованных изображений по текстовым описаниям, в том числе в пастельной, аниме и близкой к реалистичной манере. README рекомендует добавлять негативный запрос для снижения вероятности изображений низкого качества. Репозиторий использует Diffusers и форматы PyTorch и Safetensors; карточка указывает английский язык и лицензию CreativeML Open RAIL-M. Точный размер модели и длина контекста в предоставленных данных не приведены.

Yntec/elldrethsImagination — модель для генерации изображений по текстовому описанию, опубликованная на Hugging Face в формате Diffusers и Safetensors. Карточка приводит пример запроса в стилистике детализированной живописи и аниме, с персонажем в военной форме. Модель предназначена для создания иллюстраций по промптам, в частности аниме-персонажей и пейзажей, о чём также говорят теги карточки. Основана на Stable Diffusion и использует библиотеку Diffusers. Карточка не сообщает размер модели, контекст или языки запросов. Лицензия — CreativeML OpenRAIL-M.

EarthnDusk/IdentityDisorder_2pt5 — модель генерации изображений по текстовому описанию на базе Stable Diffusion. Карточка указывает на использование библиотеки Diffusers и форматов PyTorch и safetensors; среди тегов модели есть anime. Примеры генерации подготовлены с HI RES FIX и ADetailer, поэтому их вид может отличаться от результатов без этих дополнительных инструментов. Модель предназначена для создания изображений по текстовым запросам, в том числе в аниме-стиле. Автор сообщает, что модель может генерировать контент для взрослых; в составе есть несколько смесей с NSFW-направленностью. Указана лицензия CreativeML OpenRAIL-M. README также просит указывать авторство при слиянии и запрещает повторную загрузку на Civitai без разрешения.

Isabelia — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это версия без EMA с встроенным VAE 840K; репозиторий использует библиотеку Diffusers и хранит веса в формате Safetensors. Примеры показывают генерацию аниме, портретов и сцен в стилях фэнтези и пиратской тематики по подробным промптам. Модель предназначена для создания изображений по текстовым запросам, включая персонажей, портреты и иллюстративные сцены. Указанная лицензия — CreativeML OpenRAIL-M. В README не приведены сведения о размере модели, длине контекста или поддерживаемых языках; примеры промптов составлены на английском.

Noctaluna/Krea2-Noct-Uncensored — слитая версия Krea 2 Turbo, опубликованная Noctaluna для генерации фотореалистичных изображений по текстовым описаниям. Модель рассчитана на откровенные сцены и обнажённую натуру, а также создаёт изображения в стилях телефонного снимка, аниме, иллюстрации и 3D. По карточке, она работает с явными промптами без дополнительной LoRA и ориентирована на быстрый вывод за 8 шагов. В репозитории размещены файлы Safetensors версий V3 и V4 в формате int8; для запуска автор описывает ComfyUI 0.37 или новее, разрешение 1024×1536 и связанные текстовый энкодер Qwen3 VL 4B и VAE Qwen Image. Базовая Krea 2 Turbo — текстово-графическая модель на 12 млрд параметров, рассчитанная на английские описания. Лицензия указана как other, конкретные условия в доступных сведениях не раскрыты.

John6666/lustify-sdxl-nsfwsfw-endgame-sdxl — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face и созданная пользователем coyotte; исходная версия размещена на Civitai. Модель предназначена для использования с библиотекой Diffusers и конвейером StableDiffusionXLPipeline на базе архитектуры Stable Diffusion XL. Модель ориентирована на создание реалистичных и фотореалистичных изображений, включая контент для взрослой аудитории, по англоязычным текстовым промптам. Она подходит для генерации персонажей, сцен, фотографий и других визуальных материалов общего назначения, если используемый сценарий допускает контент 18+. Модель распространяется по лицензии CreativeML OpenRAIL-M. README не содержит сведений о размере модели, длине контекста, точных требованиях к оборудованию, методах обучения или результатах сравнительных оценок. Из-за ориентации на NSFW-контент необходимы возрастные, правовые и платформенные ограничения при использовании.

Mila — модель типа LoRA для генерации изображений по текстовому описанию, опубликованная пользователем или организацией Milamagalvaes. В README она обозначена как diffusion-LoRA и совместимая с Diffusers; для активации указан триггерный текст nnn. Также приведён пример использования в сценарии image-to-image или inpainting на базе Qwen Image, однако базовая модель явно не указана. Модель предназначена для текстово-управляемой генерации и, вероятно, адаптации изображений, но сведения о её специализации, архитектуре, размере, поддерживаемых языках, максимальном контексте и практических ограничениях отсутствуют. Сильной стороной является формат LoRA, который обычно позволяет подключать адаптацию к совместимой базовой модели с меньшими вычислительными затратами, однако совместимость и качество зависят от неизвестной базовой модели. Лицензия указана как unknown, поэтому условия использования необходимо уточнить у автора.

MoonTea-v1 — модель для генерации изображений по текстовому описанию, опубликованная пользователем swl-models. Автор сообщает, что это слияние нескольких моделей в стилизованном аниме-стиле; модель предназначена для использования с LoRA. Репозиторий содержит веса PyTorch в формате safetensors и использует библиотеку Diffusers. Модель подходит для создания иллюстраций в аниме-стиле по текстовым запросам. Она распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов. В карточке указана поддержка английского языка; сведения о размере модели и длине контекста не приведены.

Neo_Dragon — это набор конвертированных в формат LiteRT/TFLite моделей Qualcomm AI Research, подготовленный для офлайн-приложения Box на Android. Основное назначение — генерация коротких видеоклипов на устройстве: исходный текст преобразуется в первый кадр, после чего видеопайплайн формирует продолжение. Обработка выполняется полностью локально, без сети, сервера и учётной записи. Комплект включает текстовые энкодеры DT5 и CLIP, адаптер контекста, три этапа DiT с общими весами размером 1,5 млрд параметров, а также причинный video VAE. Поддерживается генерация клипов размером 320×512 и длительностью 9 кадров; фиксированная форма графов ограничивает пайплайн двумя условными латентами. Для создания первого кадра используется SSD1B с разрешением 640×1024. Поддерживаются текстовые входы через CLIP BPE и DT5 SentencePiece; конкретный набор языков в README не указан. Модели рассчитаны на CPU: использование GPU delegate ограничено 5D-тензорами Neodragon и может приводить к сбою. Приведены замеры времени работы на Pixel 10 Pro Fold с Tensor G5: примерно 1,1, 3,9 и 17,3 секунды на вызов для трёх этапов DiT. Это конвертированные артефакты оригинальной модели, а не самостоятельная исследовательская разработка. Сильные стороны — автономная работа на Android, отсутствие сетевых требований и поддержка генерации видео на устройстве. Ограничения включают CPU-only исполнение, крупный объём файлов, фиксированные разрешения и длину клипа, а также отсутствие указаний о поддерживаемых языках и качестве генерации. Распространение регулируется лицензиями BSD 3-Clause Clear и Qualcomm Responsible AI License. Последняя вводит дополнительные ограничения, включая запрет военного применения, predictive policing, социального скоринга, биометрической категоризации, распознавания эмоций на работе или в образовании и распространения сгенерированного контента без раскрытия его машинного происхождения.

NetaYume-Lumina-Image-2.0-Diffusers-v40 — дообученная модель генерации изображений по тексту на базе neta-art/Neta-Lumina, опубликованная пользователем duongve. Она предназначена для создания изображений по текстовым запросам; подсказки в карточке отдельно рекомендуют аниме-стиль и теги Danbooru, а также описывают сценарии общего назначения с акцентом на соответствие изображения запросу. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку diffusers. Лицензия — Apache-2.0. В README рекомендованы CFG 4–7, 40–50 шагов сэмплирования и сэмплеры Euler a либо res_multistep с указанными планировщиками. Эти параметры являются рекомендациями автора карточки. Данных о точном размере модели, контексте и поддерживаемых языках нет; качество генерации и ограничения по отдельным типам запросов в карточке не оценены.

Never Ending Dream 768 — вариант модели генерации изображений Never Ending Dream с разрешением 768×768, опубликованный Yntec и предназначенный для использования через API инференса. Модель принимает текстовый запрос и создаёт изображение; в примере показан художественный промпт с персонажем и стилизацией под журнальную рекламу и живопись. В метаданных указаны библиотека Diffusers, форматы Diffusers и Safetensors, а также лицензия с обозначением other. README не сообщает базовую модель, число параметров, ограничения по контексту или конкретные условия лицензии. По доступному примеру модель ориентирована на художественную генерацию изображений; иных специализированных сценариев карточка не описывает.

NoobAI XL V-Pred 0.75 — диффузионная модель генерации изображений по текстовому описанию, разработанная Laxhar Lab. Это версия с предсказанием v-prediction, дообученная на основе Laxhar/noobai-XL_v1.0; метаданные каталога связывают её с Laxhar/noobai-XL-Vpred-0.65. В обучении использованы изображения Danbooru и e621 с тегами и текстовыми описаниями, поэтому модель ориентирована на создание иллюстраций в стилистике этих наборов данных. Модель рассчитана на генерацию изображений по тегам или естественно-языковым промптам. В README рекомендованы Euler, 28–35 шагов, CFG 4–5 и разрешение около 1024×1024; другие сэмплеры могут работать некорректно. Модель распространяется в форматах Diffusers и safetensors. Поддерживается английский язык промптов. Лицензия указана как other; README запрещает коммерческое использование, требует открывать производные модели и делиться деталями работы. Также запрещено вредоносное и незаконное применение. Возможны неожиданные или вредные результаты генерации; авторы отдельно предупреждают о нестабильности dev-ветки WebUI.

Paper Cut Craft — дообученная модель генерации изображений на основе Stable Diffusion 1.5, созданная OlafII методом DreamBooth на 20 изображениях в стиле бумажной аппликации, созданных Midjourney. Для генерации в этом стиле в запрос рекомендуют добавлять фразу «papercutcraft style». Модель предназначена для создания изображений по текстовому описанию; в карточке также показан запуск через интерфейс Gradio. Репозиторий содержит веса в форматах Diffusers и PyTorch. Для работы показан пример с 50 шагами генерации и настройками Automatic1111 по умолчанию. Размер весов, длина контекста и лицензия в предоставленных данных не указаны.

Pastelcake — модель преобразования текста в изображения на базе Stable Diffusion 1.5, собранная автором слиянием Yntec/Cheesecake и Yntec/PastelMix. Автор описывает её как художественную модель с мягкой, детализированной стилистикой; в тегах указаны аниме, мультфильмы, яркие цвета и живопись. Модель предназначена для генерации изображений по текстовым запросам и поддерживает загрузку через Diffusers в форматах safetensors. Автор предпочитает основную версию Pastelcake за тонкие детали и более художественный результат. README помечает её как работу в процессе; также упоминаются альтернативные варианты с более мягкой стилистикой и упрощённым промптингом. Модель распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

PosterCopilot-7B — мультимодальная модель для автоматического построения макетов постеров, разработанная на основе Qwen/Qwen2.5-VL-7B-Instruct и дообученная для задач графического дизайна. Она принимает от 2 до 25 изображений слоёв, размер холста и необязательное текстовое описание требований, а возвращает JSON с координатами рамок и порядком наложения каждого слоя. Модель использует визуально-языковую архитектуру Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. Для работы с изображениями требуется специальная предобработка: слои размещаются на контрастном фоне, масштабируются до размеров, кратных 28 пикселям, и дополняются серыми полями; авторы рекомендуют использовать эталонную реализацию. Модель требует около 20 ГБ свободной видеопамяти при работе в bfloat16. Из-за поразрядной генерации координат одна ошибка в цифре может повлиять на оставшуюся раскладку, поэтому результаты следует оценивать на наборе примеров. Лицензия — Apache 2.0.

Qwen Image Edit 2509 - Manga Tone LoRA — адаптер LoRA от автора nappa114514 для базовой модели Qwen/Qwen-Image-Edit-2509. Он предназначен для image-to-image преобразования изображений в стилистику manga tone; заявлена совместимость также с Qwen Image Edit 2511. Для активации эффекта используется триггерная фраза “paint with manga tone”. Модель распространяется как LoRA для экосистемы Diffusers и может применяться через ComfyUI; в репозитории приведён соответствующий workflow. Архитектура, размер, поддерживаемые языки, точный набор модальностей и максимальный контекст не указаны. В качестве сильной стороны заявлено стилистическое преобразование произвольных изображений в manga tone, однако степень сохранения исходного содержания и возможные ограничения качества README не описывает. Лицензия — Apache-2.0.