I.8Изображения и компьютерное зрение

Anima-2.9B — экспериментальная модель генерации изображений, разработанная автором репозитория как дообучение и расширение слоёв circlestone-labs/Anima. Она предназначена прежде всего для создания аниме-иллюстраций и другого нефотореалистичного арта по текстовым запросам. Архитектура AnimaDiT расширена с 28 до 40 трансформерных слоёв; размер составляет около 2,9 млрд параметров. В версии preview v1 дообучались только новые слои на дополнительных 1,7 млн примеров аниме и иллюстраций. Карточка указывает английский язык; подсказки модели могут включать теги и естественный язык. Модель рассчитана на работу в ComfyUI и Forge-Neo. Автор рекомендует подробные промпты, разрешения от 812×1216 до 1536×1536, 28–50 шагов и CFG 3,5–5. Обучение продолжается, поэтому качество и понимание промптов могут меняться; короткие запросы часто дают простые фоны. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Anything V4.0 — модель латентной диффузии для генерации изображений в аниме-стиле по текстовым запросам. В карточке она представлена как версия семейства Anything; модель распространяется в форматах Diffusers, PyTorch и safetensors и запускается через StableDiffusionPipeline. Модель предназначена для создания детализированных иллюстраций в стилистике аниме по коротким описаниям и тегам Danbooru. Примеры применения — генерация персонажей и фантастических сцен, включая изображения с заданными внешностью, окружением и освещением. Карточка упоминает возможность запуска через Gradio и экспорта в ONNX, MPS и FLAX/JAX. В README заявлено, что Fantasy.ai имеет эксклюзивную лицензию на коммерческое использование через свой сервис; для репозитория указана лицензия CreativeML OpenRAIL-M. Коммерческие права на использование весов следует оценивать с учётом условий этой лицензии и заявления автора. Модель специализирована на аниме-изображениях, поэтому её результаты могут быть менее подходящими для других художественных стилей.

Broken-Mirror-Style — модель генерации изображений, созданная Kagerage методом DreamBooth с использованием ноутбука fast-DreamBooth от TheLastBen. Она обучена на базе Stable Diffusion 2.1 и предназначена для создания изображений с эффектом треснувшего и разбитого зеркала, в том числе портретов и сцен с заданным окружением по текстовому описанию. Модель работает через StableDiffusionPipeline в Diffusers; веса FP16. Автор рекомендует разрешение не ниже 768×768, а для более качественной проработки лиц — сэмплер DPM++ SDE Karras минимум на 25 шагах и CFG 7. Для работы с концептом автор предлагает интерфейс A1111 и запуск через Colab с Diffusers. Лицензия — CreativeML OpenRAIL-M. По опыту автора, выводы FP16 могут отображаться некорректно без Xformers; рекомендуемые параметры генерации являются практическими советами, а не гарантией качества.

Cat Collar — модель генерации изображений по тексту, разработанная nuko masshigura и дообученная на базе Chroma1-HD для усиления аниме-стиля. Она предназначена для создания аниме-иллюстраций по описаниям на английском языке, включая промпты в формате естественного языка и теги Danbooru. Разработчик отмечает, что обучение не было направлено на добавление персонажей. Модель основана на Chroma1-HD, который, согласно метаданным, построен на FLUX.1-schnell. В карточке указаны компоненты T5 XXL или FLAN-T5-XXL в качестве текстового энкодера и Flux.1 AE в качестве автоэнкодера. Для работы предлагаются ComfyUI, Forge Neo или Forge; в README приведены рекомендуемые настройки генерации, включая разрешение около одного мегапикселя. Модель распространяется по лицензии Apache License 2.0.

ColorfulSSD-1B_v04 — модель генерации изображений по текстовому описанию, дообученная recoilme на наборе портретов recoilme/portraits_xs от модели recoilme/ColorfulSSD-1B_v03. Модель предназначена для создания портретных изображений по текстовым запросам и распространяется в формате Diffusers с весами safetensors. Для обучения использовался VAE madebyollin/sdxl-vae-fp16-fix; метаданные указывают на совместимость с Stable Diffusion XL. Модель опубликована по лицензии CreativeML Open RAIL-M. Карточка приводит мало сведений о настройках генерации и качестве результатов, поэтому возможности за пределами портретной генерации не подтверждены.

Yntec/Cryptids — модель генерации изображений по текстовому описанию на основе Stable Diffusion, опубликованная Yntec. В README указано, что стиль LoRA Cryptids от RIXYN с весом 1.0 объединён с HellSKitchen; также в состав входят HELLmix от Barons и Kitsch-In-Sync от iamxenos. В модель встроен VAE MoistMixV2VAE. Модель предназначена для создания стилизованных фантастических иллюстраций, в том числе изображений животных и существ с выразительными глазами. Для генерации используется текстовый промпт; карточка показывает примеры с милым котёнком и сказочным окружением. Репозиторий представлен в формате Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M, её условия необходимо соблюдать при использовании и распространении модели.

CuteYuki2 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec и основанная на Stable Diffusion. Карточка описывает её как особенно «милую» версию CuteYuki; модель предназначена для создания стилизованных изображений по текстовым запросам. Модель распространяется в формате Diffusers и использует библиотеку diffusers. В карточке указана лицензия CreativeML OpenRAIL-M. По описанию автора, в более поздних версиях CuteYuki акцент сместился на связность изображения и анатомию, поэтому CuteYuki2 ориентирована на более выраженную миловидность.

Shivlal6660/DreamShaper — модель генерации изображений по текстовому описанию, представленная в формате Diffusers на основе PyTorch и Safetensors. В метаданных указаны художественная и аниме-тематика, а также английский язык; карточка README не содержит дополнительных сведений о разработчике, архитектуре, размере или контексте модели. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели. Модель подходит для создания художественных и аниме-изображений по текстовым запросам. Данных о специальных ограничениях или гарантиях качества в карточке нет.

Elldreths Retro Mix — модель генерации изображений из текста, основанная на Stable Diffusion и представленная пользователем Yntec. Она предназначена для создания иллюстраций и изображений с ретро- и винтажной эстетикой; примеры в карточке показывают мультяшные и книжные иллюстрации, портреты, пин-ап и стилизацию под кинематографические кадры. Модель доступна в формате Diffusers с весами PyTorch Safetensors. В README указано, что перевыпуск включает встроенный 840K VAE для улучшения детализации. Репозиторий опубликован по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

EvtV2 — модель генерации изображений в стиле аниме, разработанная haor и основанная на animefull-latest. Автор дообучил её на наборе из 15 000 изображений, включая отражённые копии; основная часть примеров отобрана из ежедневного рейтинга Pixiv, также в набор добавлены изображения анимации с откровенным содержанием. Модель принимает текстовые запросы и создаёт изображения. Она распространяется в форматах Diffusers и PyTorch и предназначена для генерации аниме-иллюстраций. Лицензия — CreativeML Open RAIL-M.

Explicit Freedom NSFW WAI — модель для генерации изображений по текстовому описанию, опубликованная stablediffusionapi. Карточка демонстрирует вызов через API ModelsLab и указывает идентификатор модели explicit-freedom-nsfw-wai. В метаданных указан конвейер StableDiffusionXLPipeline и форматы Diffusers и PyTorch. Модель предназначена для создания фотореалистичных изображений по промптам. Пример в карточке показывает портрет в киберпанк-стилистике и настройки генерации, включая негативный промпт, разрешение, число шагов и guidance scale. Метаданные помечают модель как предназначенную не для любой аудитории, а README приводит параметр отключения safety checker. Модель опубликована по лицензии CreativeML Open RAIL-M. Карточка не сообщает размер модели, длину контекста, обучающие данные или перечень языков. Пример API использует английский промпт; поддержка других языков не подтверждена.

Shar514/Flux-Uncensored-V2 — адаптер LoRA, разработанный EnhanceAI для базовой модели black-forest-labs/FLUX.1-dev. Он предназначен для генерации изображений по текстовым описаниям с ослабленными ограничениями на контент, включая NSFW- и другие откровенные изображения. Адаптер подключается к конвейеру FLUX.1-dev через библиотеку diffusers. Версия v2 заявлена как более производительная и стабильная по сравнению с предыдущей, а также как более компактная благодаря оптимизированным LoRA-весам без существенного ухудшения качества. В README указаны файл весов lora.safetensors, рекомендуемый тип данных torch.bfloat16 и использование CUDA-совместимой видеокарты для оптимальной скорости. Поддерживаемые языки, точный размер адаптера, максимальная длина контекста и дополнительные модальности не указаны. Модель подходит для исследовательских и личных сценариев генерации изображений, однако её способность создавать откровенный контент требует соблюдения законодательства, этических норм и правил используемой платформы. Для адаптера указана некоммерческая лицензия FLUX-1-dev Non-Commercial License, поэтому коммерческое применение не разрешено условиями, приведёнными в README.

GenEvolve — дообученная модель-политика MeiGen-AI на базе Qwen3-VL-8B-Instruct, предназначенная для работы как агент подготовки запросов к генераторам изображений. Она принимает текстовый запрос, использует инструменты поиска в интернете и по изображениям, а также обращения к базе знаний, после чего формирует программу из промпта генерации и ссылочных изображений для передачи генератору с поддержкой референсов. Модель сама изображения не генерирует. GenEvolve рассчитана на сценарии, где для создания изображения требуется найти визуальные примеры, учесть внешние сведения или активировать знания о генерации. Одна и та же политика может работать с разными генераторами, включая Qwen-Image-Edit и Nano Banana Pro. Основа — мультимодальная плотная архитектура Qwen3-VL; контрольная точка распространяется в формате safetensors и использует библиотеку Transformers. Модель поддерживает английский язык и обработку изображений. В README заявлены дообучение и самодистилляция по траекториям работы агента; в режиме вывода постоянная память не требуется. Результат зависит от подключённых поисковых инструментов, их доступности и качества, а также от downstream-генератора. В README модель позиционируется для исследований агентов генерации изображений. Лицензия — Apache-2.0.

RF-DETR Medium — детектор объектов, дообученный автором dronefreak на наборе Global Wheat Head Dataset в рамках DetectionBench. Модель находит и локализует на изображениях колосья пшеницы; она рассчитана на анализ полевых снимков, в том числе при высокой плотности объектов и перекрытии соседних колосьев. На тестовой выборке GWHD указаны mAP@50 67,1%, mAP@50–95 27,11% и precision 78,6%. Это одноклассовая модель: все целевые рамки относятся к классу wheat_head. Результаты различаются по странам, а качество на сортах и полевых условиях, не представленных в обучающих данных, не проверено. Базовая архитектура — RF-DETR Medium; модель распространяется в формате PyTorch через библиотеку rfdetr. Лицензия модели — Apache-2.0.

Hassaku XL Illustrious v3.1 — модель генерации изображений по текстовому описанию, опубликованная John6666 в формате Diffusers и Safetensors. Метаданные Hugging Face указывают, что это слияние моделей OnomaAIResearch/Illustrious-XL-v1.0 и OnomaAIResearch/Illustrious-XL-v2.0 на основе SDXL. Модель предназначена для создания изображений в ярком, выразительном аниме-стиле, в том числе персонажей и женских образов. Поддерживает текстовые запросы на английском языке; каталог отмечает семейство Illustrious XL и совместимость с LoRA. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой модели и её лицензией. Hugging Face помечает модель как не для всех аудиторий; теги включают hentai.

IconsMI-AppIconsModelforSD — модель text-to-image на базе Stable Diffusion от автора artificialguybr. Она предназначена для создания изображений иконок мобильных приложений в заданной тематике: например, для новостного, музыкального или спортивного приложения. Для активации обученного стиля в запросе следует использовать слово «IconsMi»; автор рекомендует описывать конкретный объект и визуальный стиль, а не полагаться на абстрактные понятия. В репозитории доступны варианты чекпойнта с разным балансом разнообразия и качества: вариант на 2000 шагах автор считает более разнообразным, а на 5500 шагах — более качественным, но менее способным к абстрактной генерации. Модель обучалась в течение 7200 шагов, а файлы представлены в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

iGPT-fr-cased-base — модель на архитектуре GPT-2, разработанная Laboratoire de Linguistique Formelle (LLF) для генерации изображений по текстовому описанию на французском языке. Она адаптирует iGPT-fr, предварительно обученную авторегрессионную языковую модель французского языка, для генерации изображений по тексту. Модель предназначена для создания изображений по французским текстовым запросам. Для высококачественного синтеза авторы указывают на использование библиотеки Taming Transformers вместе с Transformers. Обучающий корпус состоял из примерно 10,8 млн пар текста и изображения, собранных в том числе из LAION-5B и WIT. Модель имеет контекстное окно 512 токенов, распространяется в формате PyTorch и доступна по лицензии Apache-2.0. В карточке проект обозначен как находящийся в разработке, поэтому качество и пригодность для практического применения могут быть ограничены.

Illumiyume Anime Style NoobAI XL NAI XL v1.0 — модель генерации изображений по текстовому описанию, опубликованная John6666; карточка указывает, что исходная модель создана duongve13112002. Это дообученная модель семейства NoobAI-XL, представленная в формате Diffusers и весах Safetensors. Она предназначена для создания изображений в аниме-стиле, в том числе персонажей и иллюстраций с заданной стилистикой. Размер модели — около 3 млрд параметров, тип весов — F16; карточка поддерживает запуск через StableDiffusionXLPipeline. Модель принимает текстовые промпты на английском языке и выдаёт изображения. Указана лицензия faipl-1.0-sd. Подробные сведения о длине контекста и специальных ограничениях качества в карточке не приведены.

recoilme/insomnia_v2 — модель генерации текста на архитектуре GPT-2, разработанная на основе GPT-2 small. Она предназначена для создания текстовых промптов для SDXL и похожих моделей генерации изображений; добавление описания стиля помогает влиять на желаемый вид результата. Модель обучена на синтетических промптах, созданных с помощью Mistral 7B, из набора recoilme/SyntheticPrompts. Модель использует библиотеку Transformers и распространяется в форматах PyTorch и Safetensors. Метаданные указывают контекст до 1024 токенов и поддержку английского языка. Лицензия — MIT. Карточка не приводит оценок качества или подробностей о безопасной генерации, поэтому применимость результатов стоит проверять на целевых сценариях.

kawaiinimal icons — модель генерации изображений по текстовому описанию на основе Stable Diffusion, опубликованная пользователем proxima. Она предназначена для создания минималистичных и кавайных иконок; автор рекомендует добавлять к запросу фразу «kawaiinimal icon» и подбирать уточняющие стилистические слова, например «flat colors» или «isometric». Примеры изображений дополнительно обрабатывались в Photoshop для получения прозрачного фона. Модель распространяется в форматах Diffusers и PyTorch. Карточка описывает её как работу в процессе улучшения и предупреждает, что для хорошего результата могут понадобиться дополнительные уточнения промпта. Лицензия — CreativeML OpenRAIL-M.

Golden Misty Xianxia — стилевой LoRA-адаптер, разработанный в серии Krea 2 Style LoRA компанией или платформой fal.ai для базовой модели krea/Krea-2-Turbo. Модель предназначена для генерации изображений по текстовому описанию в pipeline text-to-image и добавляет к результатам характерную золотистую туманную эстетику жанра xianxia. Она подходит для иллюстраций самых разных сюжетов, включая пейзажи, городские сцены, животных, портреты и натюрморты. Для активации используется триггерная фраза «golden misty xianxia style», которую рекомендуется добавлять в конец запроса. Рекомендуемый масштаб LoRA составляет от 1,0 до 1,25. Адаптер рассчитан на работу с Krea 2 Turbo через fal.ai и diffusers; также доступна совместимая версия весов для ComfyUI. В README не указаны точный размер адаптера, максимальный контекст, перечень поддерживаемых языков базовой модели или дополнительные модальности, поэтому эти характеристики неизвестны. Модель сильна в стилизации изображений с единым визуальным направлением и может применяться к разнообразным сценам, однако это не самостоятельная генеративная модель, а LoRA, требующая совместимой базовой модели Krea 2 Turbo. Условия использования определяются лицензией Krea 2 Community License; подробные ограничения следует уточнять в тексте этой лицензии.

Quiho/Krea2_NSFW_Uncensored_Complete — производная модель генерации изображений по тексту, опубликованная пользователем Quiho на Hugging Face на основе дообучения Krea/Krea-2-Turbo. Разработчик базовой модели — Krea.ai; базовая Krea 2 Turbo — диффузионный трансформер с 12 млрд параметров. Репозиторий модели использует библиотеку Diffusers и содержит веса Safetensors. Модель предназначена для создания изображений по текстовым описаниям; в карточке указаны английский и китайский языки. Название и метки репозитория указывают на uncensored/NSFW-направленность. Модель распространяется под лицензией Apache-2.0. Подробные сведения о дополнительном обучении, размере именно этой производной модели и её ограничениях в доступных данных отсутствуют.

LLaVA-NeXT-8B — мультимодальный чат-бот от LMMS-Lab, дообученный на базе Meta Llama 3 8B Instruct для следования инструкциям с изображениями. Модель построена на трансформерной авторегрессионной архитектуре LlavaLlamaForCausalLM и содержит около 7,5 млрд параметров; контекст — до 8192 токенов. Модель предназначена для диалога по изображениям и визуальных вопросов и ответов, а также для исследовательских экспериментов с мультимодальными чат-ботами и задач компьютерного зрения. В README указаны обучающие данные с подписями к изображениям, мультимодальными инструкциями, VQA и диалогами. Репозиторий содержит веса в формате Safetensors. README ограничивает назначение исследовательским использованием и запрещает коммерческое применение. Модель унаследовала ограничения базовой Llama 3 и может ошибаться при описании изображений или ответах на визуальные вопросы; отдельные оценки качества в карточке не приведены.

LLaVA-Lightning-7B-delta-v1-1 — дельта-веса модели LLaVA, разработанной как открытый чат-бот с поддержкой изображений. Модель основана на авторегрессионной архитектуре Transformer и LLaMA; для получения рабочих весов дельту необходимо применить поверх исходных весов LLaMA. Размер модели составляет 6,6 млрд параметров, контекст — 2048 токенов. Модель предназначена для диалога по изображениям, их подробного описания и визуальных рассуждений. В обучении использовались пары изображение–текст из LAION, CC и SBU с подписями BLIP, а также данные мультимодального следования инструкциям, созданные GPT. В README описаны предварительные оценки на визуальных вопросах по изображениям COCO и на ScienceQA. Карточка позиционирует LLaVA как инструмент для исследований мультимодальных моделей и чат-ботов, а целевой аудиторией называет исследователей и энтузиастов в области компьютерного зрения и машинного обучения. Репозиторий содержит дельта-веса, которые нельзя использовать отдельно. Лицензия — Apache 2.0.

Lustify SDXL NSFW Checkpoint OLT One Last Time SDXL — модель преобразования текста в изображение на базе Stable Diffusion XL, предназначенная для генерации реалистичных и фотореалистичных изображений по текстовым описаниям. Модель создана coyotte и опубликована на Hugging Face пользователем John6666; для работы используется библиотека Diffusers и конвейер StableDiffusionXLPipeline. Модель ориентирована на англоязычные текстовые запросы, создание фотографий и реалистичных сцен, включая контент для взрослой аудитории. Она распространяется в формате safetensors с лицензией CreativeML OpenRAIL-M. Для запуска требуется совместимый стек Stable Diffusion XL и достаточные вычислительные ресурсы для генерации изображений.

M0nst3rfy3 — модель генерации изображений по текстовому описанию, созданная Yntec на основе DucHaitenLofi R с использованием LoRA M0nst3rfy от LDWorksDervlex; в итоговую сборку также встроен VAE Blessed2. Добавление токена «m0nst3rfy3» в запрос усиливает характерный эффект модели. Модель предназначена для создания стилизованных изображений монстров и персонажей в эстетике аниме и комиксов. В карточке приведены примеры запросов с детализированной кожей, освещением и эффектами окружения. Репозиторий содержит формат Diffusers и веса Safetensors; задача по метаданным — text-to-image. Лицензия — CreativeML OpenRAIL-M.

meiki.text.recognition.v0 — модель распознавания японского текста из видеоигр, разработанная для конвейера meikiocr. Она преобразует распознавание текста в обнаружение отдельных символов: использует дообученный детектор объектов с CNN backbone MobileNetV4 и выдаёт символы, ограничивающие рамки и оценки уверенности. Модель опубликована в формате ONNX и рассчитана на использование с TensorRT; лицензия — LGPL-3.0. Модель предназначена для распознавания горизонтальных строк японского текста на изображениях из видеоигр. Перед обработкой вход нужно масштабировать и дополнить до 960×32 пикселей; модель может обнаружить до 48 символов. Для получения готовой строки требуется постобработка результатов. Разработчик заявляет о выгодном сочетании точности и задержки для японского текста, однако приведённая карточка не содержит численных результатов бенчмарков. Качество за пределами японских видеоигр может снижаться; вертикальный текст не поддерживается.

Midjourney-Shatter — модель генерации изображений по текстовому описанию, созданная ShadoWxShinigamI и дообученная на базе Stable Diffusion v1.5. Для её вызова автор рекомендует начинать запрос с токена mdjrny-shttr; дополнительная настройка запросов обычно не требуется, хотя для некоторых объектов может помочь увеличение веса, например для зданий. Модель обучалась 2500 шагов на 26 изображениях и их отражённых копиях, с размером изображений 512×512 и размером пакета 2. Примеры в карточке включают льва, Бэтмена, голову Медузы, оленя, Эмму Уотсон и Сон Гоку. Модель распространяется в формате Diffusers и Safetensors по лицензии MIT. Описание не содержит сравнительных оценок качества или подробных сведений о поведении на других темах и стилях.

ShadoWxShinigamI/Midjourney-v4-PaintArt — модель генерации изображений по текстовому описанию, созданная ShadoWxShinigamI на базе Stable Diffusion 1.5. Она обучалась 2080 шагов на 26 изображениях с размером пакета 4 и разрешением 512×512, чтобы передавать иллюстративный стиль PaintArt. Для генерации рекомендуется начинать запрос с токена «mdjrny-pntrt»; для сложных объектов автор советует добавлять контекстные детали. Модель рассчитана на создание стилизованных иллюстраций по текстовым запросам. Репозиторий содержит веса в формате safetensors для Diffusers; лицензия — OpenRAIL. Ограниченный объём обучающих данных может сужать разнообразие изображений и приводить к нестабильным результатам для отдельных объектов или композиций.

NoobAI XL V-Pred 0.75s — диффузионная модель генерации изображений по текстовому описанию, разработанная Laxhar Lab. Она дообучена на базе Laxhar/noobai-XL_v1.0 и обучалась на изображениях Danbooru и e621 с исходными тегами и текстовыми подписями. Модель использует предсказание v и формат SDXL; для запуска доступны Diffusers и интерфейсы reForge, ComfyUI и WebUI. Модель предназначена для создания стилизованных иллюстраций по тегам или естественно-языковым запросам. В README рекомендованы CFG 4–5, 28–35 шагов, сэмплер Euler и разрешение около 1024×1024; другие сэмплеры могут работать некорректно. Карточка указывает английский язык и лицензию fair-ai-public-license: коммерческое использование запрещено, а производные модели и работы должны оставаться открытыми. Модель может создавать неожиданный или вредоносный контент.