I.8Изображения и компьютерное зрение

Это набор весов текстового энкодера T5, опубликованный XLabs AI для использования в проектах FLUX. Репозиторий содержит веса Google T5; модель предназначена для кодирования текстовых подсказок в составе конвейера генерации изображений, а не для самостоятельной генерации изображений. В метаданных Hugging Face указаны архитектура T5EncoderModel, около 5,8 млрд параметров, английский язык и лицензия Apache-2.0. Данные карточки описывают только энкодер и не устанавливают длину контекста или его отдельные показатели качества. Хотя карточка размечена как text-generation, назначение весов — кодирование текста.

Z-Anime — семейство моделей генерации изображений в аниме-стиле, созданное разработчиком developerjeremylive как полное дообучение Z-Image Base от Alibaba. В основе лежит S3-DiT — одно потоковый диффузионный трансформер с 6 млрд параметров. Репозиторий включает базовую версию и варианты, дистиллированные для генерации за 8 или 4 шага, а также файлы BF16, FP8, GGUF и AIO; GGUF-варианты рассчитаны в том числе на запуск с ограниченной видеопамятью и на CPU. Модель предназначена для создания иллюстраций, персонажей, сцен и фонов в аниме-стиле по описаниям на естественном языке. Базовая версия поддерживает полноценные negative prompts и рассчитана на более высокое качество и управление результатом; дистиллированные версии ускоряют генерацию, но слабее реагируют на negative prompts. Карточка заявляет поддержку разрешений примерно от 512 × 512 до 2048 × 2048 и работу основных вариантов на видеокарте с 8 ГБ VRAM. Модель принимает текстовые промпты и выдаёт изображения. В README указана частичная способность генерировать NSFW-контент. Репозиторий распространяется по лицензии Apache-2.0.

ZooFun — модель генерации изображений по текстовому описанию, созданная на основе GenerateMe и распространяемая в формате Diffusers и Safetensors. Она рассчитана на создание милых стилизованных изображений животных и персонажей: например, мультяшных портретов, сцен с животными и персонажами в заданной обстановке. Для усиления характерного эффекта автор рекомендует добавлять в промпт слово «zoofun». Модель получена слиянием LoRA zoofun_v1.0 с GenerateMe с силой 0,7; в карточке она также обозначена как дообучение GenerateMe. Лицензия — CreativeML OpenRAIL-M.

All Roads Lead To Retro — модель генерации изображений по текстовому описанию, созданная путём слияния DucHaitenRetro v1 и the-allys-mix-iii-revolutions. По карточке, объединение выполнено через SuperMerger с настройкой Weight sum MBW, после чего к модели был подключён VAE; репозиторий использует Diffusers и формат safetensors. Модель предназначена для создания иллюстраций и изображений с ретро-эстетикой: в примерах есть мультяшные сцены, винтажная рекламная графика, журнальные образы 1960-х и фотографии с эффектом VHS или Kodachrome. Пользователь задаёт сцену и визуальный стиль текстовым промптом, а модель выдаёт изображение. Примеры ориентированы на портреты, персонажей и постановочные сцены с тёплой ностальгической стилизацией. Лицензия — CreativeML Open RAIL-M; она содержит условия использования и ограничения, которые следует проверить перед применением модели.

nmuhammads/angel — это адаптер LoRA для генерации изображений по текстовому описанию, созданный пользователем или организацией nmuhammads. Модель предназначена для использования с библиотекой Diffusers и базовой моделью Qwen/Qwen-Image; её назначение, судя по названию и метаданным, связано с применением эффекта или визуальной концепции «angel», однако подробное описание результата в README отсутствует. Известно, что модель относится к семейству text-to-image и использует архитектуру LoRA поверх Qwen/Qwen-Image. Данные о размере адаптера, поддерживаемых языках, длине контекста, точных модальностях базовой модели, рекомендуемых параметрах и ограничениях качества не указаны. Лицензия — Apache-2.0. Для применения требуется совместимая базовая модель Qwen/Qwen-Image и инструменты Diffusers.

Anima-2.9B — модель генерации изображений, разработанная автором этого выпуска на основе circlestone-labs/Anima и предназначенная для создания аниме-иллюстраций и другого нереалистичного искусства по текстовым описаниям. Модель дообучена на дополнительных 1,7 млн образцов аниме и иллюстраций; архитектуру расширили с 28 до 40 слоёв Transformer, увеличив её примерно до 2,9 млрд параметров. В версии preview-v1 обучались только новые слои. Модель понимает подсказки с тегами и естественным языком. Автор рекомендует подробные промпты с указанием качества, периода, художника, персонажей и их серий; короткие запросы могут давать простые фоны и менее точные результаты. Модель рассчитана на работу в ComfyUI и Forge-Neo; для некоторых установок ComfyUI может потребоваться отдельный узел. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнять в карточке модели.

AstolfoKarmix-XL — семейство слитых диффузионных моделей для генерации изображений по тексту, опубликованное пользователем 6DammK9. В README описаны варианты с разными составами и рецептами слияния; среди упомянутых основ — AstolfoMix-XL, NoobAI XL и модели NIL1.5. Метаданные указывают на загрузку в формате Diffusers и использование StableDiffusionXLPipeline, а также на формат весов Safetensors. Модель предназначена для генерации стилизованных изображений по промптам. Автор отмечает, что промпт может быть минимальным или пустым, и приводит рекомендации по CFG и сэмплеру Euler для отдельных вариантов. README также сообщает о смещении одного из вариантов в сторону NSFW-изображений с девушками; пригодность и поведение могут различаться между версиями. Модель распространяется по лицензии CreativeML OpenRAIL-M. В README отмечено, что для ряда вариантов Rebasin не работает; для версии на базе SDXL 1.0 автор субъективно оценивает результат хуже Evo. Подробные характеристики отдельных весов и оценки качества в карточке не приведены.

Beeple Diffusion — модель генерации изображений в художественном стиле Beeple, опубликованная riccardogiorato. Это дообученная методом DreamBooth Stable Diffusion v1.5, обученная на более чем 600 произведениях Beeple и распространяемая в формате Diffusers на PyTorch. Модель принимает текстовый запрос и создаёт изображение; для вызова характерного стиля автор рекомендует включать в запрос слово «beeple». README также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX. Модель подходит для создания цифровых иллюстраций и концепт-арта по текстовому описанию с эстетикой Beeple. В метаданных указана лицензия CreativeML Open RAIL-M. Доступный README не описывает ограничения качества или безопасности, поэтому такие свойства нельзя оценить по карточке.

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.

DucHaitenAIart-beta — модель генерации изображений по текстовому описанию, созданная DucHaiten. Это шестая версия бета-модели, распространяемая в формате Diffusers и Safetensors для Stable Diffusion. В обновлённой версии используется VAE MoistMixV2, который, по словам автора, улучшает детализацию и насыщенность изображений. Модель предназначена для создания художественных иллюстраций по промптам: примеры охватывают фэнтези, ретропанк, персонажей в стиле чиби, портреты и реалистичные сцены. Автор предупреждает, что при использовании версии без корректно обработанных EMA-весов на inference API возможны плохие результаты или изображения с чёрным шумом; в этой публикации модель исправлена. Лицензия — CreativeML OpenRAIL-M, предусматривающая ограничения на использование.

DucHaiten GOD of SIMP v0.2 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная Yntec. В карточке приведены примеры аниме- и фэнтези-иллюстраций, включая персонажей и милых существ; репозиторий использует Diffusers и формат safetensors. Модель предназначена для создания 2D-изображений по текстовым промптам, особенно в стилистике аниме и waifu. Для коммерческого и иного использования следует проверить лицензию на исходной странице модели: в метаданных указана лицензия other, а README отсылает к лицензии оригинальной страницы.

EarthnDusk-Nov-SD15-Merges-Mixes — набор смешанных и объединённых моделей Stable Diffusion 1.5 от Earth & Dusk, распространяемый в формате safetensors и рассчитанный на генерацию изображений по текстовым запросам. Карточка относит модели к иллюстрации, аниме и комиксам; для работы используется библиотека Diffusers. Модель подходит для создания иллюстраций и изображений в стилистике аниме и комиксов по текстовому описанию. В README авторы предлагают повторно использовать и объединять модели с указанием авторства и сохранением метаданных. Базовые модели, точные характеристики отдельных вариантов и длина контекста в карточке не описаны. Указанная лицензия — CreativeML OpenRAIL-M. Авторы просят не перезагружать модели без разрешения и рекомендуют указывать авторство при повторном использовании и объединении.

thealper2/git-vqav2-medium — дообученная модель на базе microsoft/git-base-vqav2 для ответов на вопросы по изображениям. Она использует архитектуру GIT: визуальный энкодер CLIP ViT-B/16 принимает изображение 480×480, а 6-слойный причинный Transformer-декодер генерирует текстовый ответ. Модель содержит 80,1 млн параметров и рассчитана на контекст до 1024 токенов. Модель обучена на 50 000 вопросов из VQAv2, связанных с изображениями COCO, и предназначена для англоязычного визуального вопросно-ответного поиска: пользователь задаёт вопрос вместе с изображением и получает короткий ответ. В описанной проверке на подмножестве из 500 вопросов точность VQA составила 82,54%; этот результат не является оценкой на официальном тестовом сервере. Модель поддерживает только английский язык и изображения домена COCO; пакетная генерация требует группировать запросы одинаковой длины. Проверка на валидации может завышать качество, поскольку базовая модель, вероятно, уже обучалась на этих данных. Лицензия — MIT.

crumb/icon-diffusion-v1-1 — модель генерации изображений по текстовым запросам на базе Stable Diffusion. Она создана дообучением hakurei/waifu-diffusion-v1-3 на 800 примерах; обучение проводилось с разрешением 384×384, чтобы снизить риск артефактов на исходных изображениях низкого разрешения. В карточке приведены примеры запросов с тегами для создания скетчей и изображений профиля в стилистике аниме. Модель предназначена для генерации изображений по текстовым описаниям на английском языке. В README не указаны сведения о лицензии, размере модели или ограничениях её использования.

Noginowa создал IllustMixLuminous — объединённую модель на основе Illustrious, предназначенную для генерации иллюстраций по текстовым запросам. Репозиторий распространяет модель в формате safetensors для библиотеки Diffusers; в README указано, что в неё встроен VAE. В метаданных среди компонентов объединения перечислены AnimaMixColorXL, Illustrious-XL-v2.0 и Animagine XL 3.1. Модель подходит для создания иллюстраций в аниме-стиле. Автор рекомендует использовать CLIP skip 2 и подбирать CFG scale с учётом sampler; в README приведены рекомендуемые настройки и промпты. README описывает версию v2.1-Refined как вариант, призванный уменьшить искажения пальцев, но отмечает, что полностью они не устранены. Лицензия указана как other, без конкретных условий в предоставленных данных.

scrollprize/ink_detection_pipeline — модель семейства TimeSformer из проекта ScrollPrize для извлечения признаков из изображений древних рукописей. README указывает на применение в конвейере чтения древнего текста и поиска скрытых писем возрастом около 2000 лет; модель используется с пакетами vesuvius и timesformer-pytorch. В метаданных указаны библиотека Transformers и формат весов safetensors. Доступные сведения не раскрывают размер модели, контекст, точные языки или лицензию, поэтому эти характеристики нельзя уточнить. README содержит команду принятия условий пакета Vesuvius, но не сообщает лицензию самой модели.

Kohaku XL Delta — модель KBlueLeaf для генерации изображений по текстовому описанию, четвёртая крупная версия серии Kohaku XL. Это модель семейства Stable Diffusion XL, доступная для Diffusers; в карточке указаны форматы PyTorch и SafeTensors. Автор описывает её как аниме-модель, обученную на 3,6 млн изображений из датасета Danbooru2023 с тегами Danbooru. Обучение выполнялось методом LoKr через LyCORIS на базе, полученной смешиванием Kohaku XL gamma rev2 и beta7; базовая версия дообучения не проходила. Модель рассчитана на создание аниме-иллюстраций с управлением через теги Danbooru, в том числе тегами качества, рейтинга и периода публикации изображений. Обучалась для разрешений SDXL около 1024×1024 с диапазоном бакетов от 256 до 4096 пикселей; автор рекомендует использовать разрешение немного выше 1024×1024 и hires-fix. Карточка указывает, что часть тегов могла усвоиться недостаточно хорошо из-за короткого обучения, а для некоторых тегов может помочь усиление веса. Лицензия обозначена как other, поэтому конкретные условия использования следует проверить в файлах репозитория.

Lomo Diffusion — модель генерации изображений по текстовому описанию, созданная wavymulder. Это DreamBooth-дообучение Stable Diffusion 1.5 с VAE на наборе стилизованных фотографий, вдохновлённых движением ломографии и характером старых камер LOMO. Модель предназначена для создания ярких, насыщенных изображений с видом аналоговой фотографии и плёночными артефактами. Для активации характерного стиля автор рекомендует добавлять в начало запроса токен «lomo style»; предлагается экспериментировать с негативными запросами. Модель принимает текстовые запросы на английском языке и выдаёт изображения. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении результатов.

xFutureTechx/lost_and_found_2025 — дообученная на базе Stable Diffusion v1.5 модель для генерации изображений по текстовым запросам. Репозиторий создан в 2023 году и содержит веса в формате safetensors; модель рассчитана на создание иллюстраций, аниме и изображений в стиле комиксов. Карточка описывает репозиторий как личное собрание моделей и не приводит точных сведений об обучении, архитектурных изменениях или настройках генерации. Для использования указана лицензия CreativeML Open RAIL-M.

LUSTIFY-v2.0 — модель генерации изображений по текстовому описанию, созданная автором coyotte на основе SDXL 1.0. Это дообученный и объединённый чекпойнт в формате Diffusers с весами safetensors. Версия 2.0 объединяет первую версию с NatVis, а затем дополнительно обучена на новых изображениях; автор сообщает о 26 535 дополнительных шагах обучения. Модель рассчитана на фотореалистичную генерацию изображений по естественным языковым промптам и тегам Danbooru. Она создаёт как откровенный контент, так и изображения без откровенного содержания, включая объекты, животных и фэнтезийных существ. Автор отмечает улучшенное следование промптам и разнообразие стилей в версии 2.0. По словам автора, для сложных откровенных сцен результат стал менее стабильным и может потребовать нескольких генераций. На дальних планах могут получаться несовершенные лица и кисти рук; автор рекомендует для таких случаев повышенное разрешение и инструменты доработки. Модель описана как экспериментальная и может вести себя иначе, чем другие чекпойнты SDXL. Условия лицензии в предоставленной карточке не указаны.

MagicPrompt - Stable Diffusion — модель серии MagicPrompt от Gustavosta, основанная на GPT-2 и предназначенная для генерации текстовых промптов для Stable Diffusion. Она принимает текст и выдаёт текст, который можно использовать как запрос для генерации изображений. Модель обучалась 150 000 шагов на примерно 80 000 промптах, отобранных из Lexica.art. Модель относится к архитектуре GPT-2 и поддерживает генерацию текста с контекстом до 1 024 токенов. В метаданных указаны форматы PyTorch, SafeTensors и Core ML. Лицензия — MIT. Карточка не сообщает о поддержке конкретных естественных языков, поэтому языковой охват здесь не заявляется. Модель предназначена для создания промптов Stable Diffusion; качество результата зависит от соответствия запроса стилю и данным обучения.

Модель friedrice231/MemeDetector_SG — дообученная версия Swin-Tiny от Microsoft для классификации изображений. Она принимает изображение и предсказывает класс; модель обучена на наборе данных imagefolder. В README указана точность 0,9476 и значение функции потерь 0,1349 на оценочной выборке. Модель основана на архитектуре Swin Transformer и содержит около 33 млн параметров. Репозиторий использует формат safetensors. Лицензия — Apache-2.0. В доступной карточке не описаны набор классов и конкретные сценарии применения, поэтому назначение «детектор мемов» из идентификатора репозитория подтвердить нельзя.

Memoji Remix — модель генерации изображений по текстовому описанию, опубликованная Yntec. Она предназначена для создания стилизованных мемодзи, эмодзи и милых мультяшных изображений с аниме-черточками. В карточке приведены примеры с персонажами, животными и едой; автор рекомендует использовать слово «memoji» в запросе, но отмечает, что стиль может проявляться и без него. Модель получена слиянием Memoji Diffusion, Incha Re Zoro и Stable Diffusion 1.5 по рецепту SuperMerger Add Difference Train Difference Alpha 1. Файлы представлены в формате Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M, которая задаёт условия использования и распространения модели.

MiniMax-H3 GGUFs — набор квантизированных GGUF-файлов для модели MiniMax-H3, разработанной MiniMax. Репозиторий предназначен для запуска модели в ComfyUI и связан с базовой моделью Comfy-Org/MiniMax-H3. Модель ориентирована на генерацию текста в видео и, судя по структуре комплекта, поддерживает аудио- и видеопотоки. В состав входят GGUF-файлы основного блока MiniMax-H3-FL2VA с различными уровнями квантизации, текстовый энкодер Qwen3-VL 32B в формате GGUF, а также отдельные VAE для аудио и видео. Точные параметры архитектуры, размеры вариантов, поддерживаемые языки и длина контекста в README не указаны. Ключевое преимущество — подготовка компонентов для интеграции с ComfyUI и возможность выбирать вариант квантизации в зависимости от доступных ресурсов. Для работы требуются оба VAE из исходного репозитория Comfy-Org/MiniMax-H3. Ограничения включают отсутствие подробных сведений о производительности, требованиях к оборудованию и совместимости конкретных квантованных вариантов. Лицензия указана как неизвестная; автор README заявляет о наличии отдельного лицензионного соглашения с MiniMax, но его условия в представленных данных не раскрыты.

PurpleBlazey подготовил экспериментальные GGUF-сборки MiniMax H3 для личного использования в интерфейсе KoboldCPP sdui. Модель предназначена для генерации видео по тексту и изображениям; в карточке Hugging Face также указана поддержка входных видео и аудио. Репозиторий включает варианты квантования GGUF, в том числе BF16, IQ1_M, IQ4_NL, Q2_K, Q3_K и Q4_0, а также обрезанную версию текстового энкодера Qwen3-VL-32B. В README говорится, что для приемлемого качества MiniMax H3 желательно использовать как минимум Q3_K, а Q5_K автор считает удачным компромиссом между качеством и использованием видеопамяти. Сборка основана на слиянии MiniMax H3 и Qwen3-VL-32B; метаданные также указывают Comfy-Org/MiniMax-H3 и MiniMaxAI/MiniMax-H3 как базовые модели. Автор сообщает, что обрезка слоёв текстового энкодера не должна влиять на вывод, но ухудшает возможности обучения. Лицензия репозитория — Apache-2.0. Это экспериментальные сборки, а выводы о качестве основаны на личных тестах автора.

digiplay/MixTape_RocknRoll_v3punk_bake_fp16 — модель генерации изображений по текстовому описанию в формате Diffusers. По названию репозитория и тегам она связана со Stable Diffusion; метаданные указывают форматы PyTorch и safetensors и лицензию CreativeML OpenRAIL-M. Автор README не приводит описания обучения или характеристик модели; карточка содержит лишь подписи к демонстрационным изображениям.

mklan-xxx-nsfw-pony — модель генерации изображений по текстовому описанию, опубликованная под аккаунтом stablediffusionapi и доступная через API ModelsLab. Метаданные указывают на использование StableDiffusionXLPipeline и форматов Diffusers, PyTorch и safetensors. В примере API настраиваются текстовый запрос, отрицательный запрос, размер изображения, число шагов генерации и другие параметры; пример ориентирован на фотореалистичный портрет, а имя модели указывает на связь с Pony и контентом для взрослых. Модель предназначена для создания изображений по промптам. Репозиторий описывает обращение к ней через API ModelsLab и лицензию CreativeML OpenRAIL-M. Точная базовая модель и поддерживаемые языки в доступных сведениях не установлены.

MX-Font++ Korean Handwriting (B@340K) — модель генерации корейских рукописных глифов, обученная с нуля на наборе корейских шрифтов, включающем печатные шрифты и Nanum handwriting. Архитектура MXFontppModel содержит 30,8 млн параметров; веса доступны в формате safetensors, а для запуска через Transformers требуется разрешить загрузку кода модели из репозитория. Модель принимает несколько образцов почерка и один глиф с заданным содержанием, затем создаёт этот глиф в соответствующем стиле. Она предназначена прежде всего для заполнения редких символов корейского шрифтового набора согласованными глифами; число образцов стиля можно менять. Лицензия — MIT. Модель хорошо подходит для генерации корейских глифов в стилях, близких к обучающим данным. Перенос индивидуального почерка и стилей вне обучающего распределения ненадёжен: генерация может усреднять стиль. Для точного переноса почерка автор README рекомендует DM-Font.

NoobAI XL 1.1 — диффузионная модель генерации изображений по текстовому описанию, разработанная Laxhar Lab. Она дообучена на NoobAI XL 1.0 и основана на Illustrious-XL. При обучении использовались датасеты Danbooru и e621 с теговыми подписями, что ориентирует модель на создание стилизованных изображений по тегам и промптам. Модель предназначена для генерации изображений, в том числе персонажей и сцен в эстетике, представленной в обучающих наборах. Рекомендуемая суммарная площадь изображения — около 1024 × 1024 пикселей; в карточке также приведены несколько подходящих портретных и альбомных разрешений. Указаны параметры CFG 5–6, 25–30 шагов и сэмплер Euler a. Репозиторий содержит веса в форматах Diffusers и Safetensors. Карточка запрещает коммерческое использование модели, производных моделей и созданных с её помощью продуктов, а также требует распространять производные работы на условиях fair-ai-public-license и раскрывать сведения о рабочих процессах. Модель может создавать неожиданные или вредоносные результаты; пользователи несут ответственность за их применение. Метаданные помечают модель как не предназначенную для всех аудиторий.

Nova Flat XL v10 SDXL — модель преобразования текста в изображение, созданная пользователем Crody и опубликованная John6666 на базе OnomaAIResearch/Illustrious-xl-early-release-v0. Модель предназначена для генерации 2D-иллюстраций, аниме-арта, цифровых рисунков и фантазийных пейзажей по текстовым описаниям на английском языке. Модель работает в экосистеме Diffusers через StableDiffusionXLPipeline и относится к семейству Stable Diffusion XL. Она ориентирована на создание ярких, красочных изображений в стилизованной иллюстративной манере; метаданные также отмечают контент для взрослой аудитории. Лицензия указана как faipl-1.0-sd с типом other, поэтому перед использованием необходимо учитывать её условия и ограничения.