I.8Изображения и компьютерное зрение

NoobAI XL V-Pred 1.0 — модель генерации изображений по текстовому описанию от Laxhar Lab. Это диффузионная модель на базе SDXL, дообученная на данных Danbooru и e621 с тегами и подписями на естественном языке. Версия использует предсказание v и рассчитана на генерацию иллюстраций, в том числе в аниме-стиле. Для работы автор рекомендует сэмплер Euler, CFG 4–5, 28–35 шагов и разрешения с общей площадью около 1024×1024 пикселей. Модель доступна для Diffusers, ComfyUI и совместимых WebUI; карточка отмечает, что ветка dev WebUI может быть нестабильной. Для других сэмплеров корректная работа не гарантируется. Лицензия указана как other; README запрещает коммерческое использование, требует открывать производные модели, LoRA и продукты, а также соблюдать условия fair-ai-public-license. Модель также запрещено использовать для незаконных, вредоносных или оскорбительных целей. Генерация может давать неожиданные или вредные результаты.

Panchovix/noobai-XL-VPred-cyberfixv2-perpendicularcyberfixv2 — диффузионная модель генерации изображений по тексту, созданная на основе NoobAI XL V-Pred и доработанная методом Cyberfix с использованием версии Cyber Realistic v4 и перпендикулярного слияния через sd_mecha. Карточка описывает обучение на изображениях Danbooru и e621 с тегами и подписями на естественном языке; модель использует предсказание v, а не eps. Модель предназначена для создания стилизованных, в том числе аниме- и фурри-изображений по текстовым промптам. В README рекомендованы сэмплер Euler, 28–35 шагов, CFG 4–5 и разрешение около 1024×1024; другие сэмплеры могут работать некорректно. Указаны форматы запуска через reForge, ComfyUI, WebUI и Diffusers. В метаданных указаны библиотека Diffusers, формат safetensors, английский язык и базовая модель Laxhar/noobai-XL-Vpred-0.75. README также называет Laxhar/noobai-XL_v1.0 как основу семейства. Лицензия обозначена как other; README запрещает коммерческое использование и требует открывать производные модели и соблюдать fair-ai-public-license. Генерации могут быть непредсказуемыми, а сама карточка предупреждает о возможном вредном или оскорбительном содержимом.

Это LoRA-модель для генерации изображений на основе text-to-image, предназначенная для использования с библиотекой Diffusers. Модель разработана пользователем или организацией alexc593 и опубликована под идентификатором alexc593/ofmtech-workflow-models; точное авторство и назначение набора не раскрыты. В качестве базовой модели указана Tongyi-MAI/Z-Image-Turbo. README не содержит подробного описания сценариев применения, архитектуры LoRA-адаптера, количества параметров, поддерживаемых языков, модальностей или размера контекста. Также не приведены примеры промптов и результаты, позволяющие оценить качество или специализацию модели. Указано, что модель может использоваться через Diffusers, а лицензия обозначена как CreativeML Open RAIL-M. Ограничения и дополнительные условия применения в README не описаны.

PinkCherry-NSFW_MiniMax-H3 — модель генерации видео по текстовому описанию, созданная как NSFW-настройка MiniMax H3. Карточка рекомендует для версии 1.5 стандартный шаблон ComfyUI с планировщиком Euler и режимом simple, а также Lightx2v turbo, совместимый с этой версией. Модель предназначена для генерации видео по текстовым запросам. В метаданных указаны архитектура MiniMaxH3 и формат весов safetensors. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает о контенте для взрослой аудитории; сведений о размере модели, длине контекста и поддерживаемых языках нет.

Protogen v2.2 (Anime) — модель генерации изображений по текстовому описанию, выпущенная darkstorm2150. Она создана на основе Stable Diffusion v1.5 и дообучена на данных из крупных наборов, включая новые и популярные материалы с Civitai. Модель работает с текстовыми промптами и генерирует изображения; для вызова характерной фотосъёмочной стилистики в README предлагается добавить фразу «modelshoot style».

Cel100/qwen-2511 — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией Cel100. Модель предназначена для использования с Diffusers и совместимыми инструментами, поддерживающими diffusion LoRA. В качестве базовой модели указана nnndite/QwenEdit_2511_couple_nsfw_v1.safetensors. Для активации адаптера в запросе необходимо использовать триггерное слово «vajza». README не сообщает точные размер адаптера, архитектурные параметры, поддерживаемые языки и ограничения по контексту. Также из карточки следует, что модель ориентирована на сценарии генерации изображений, однако подробные характеристики качества и область применения не описаны. Модель распространяется по лицензии AFL-3.0. README не содержит количественных оценок, сравнений с другими моделями, сведений о рекомендуемых настройках, ограничениях использования или дополнительных модальностях. Поэтому её сильные и слабые стороны можно оценить только в общих чертах: преимущество заключается в адаптации базовой модели через LoRA и наличии явного триггерного слова, а качество, стабильность результатов и совместимость зависят от базовой модели и используемого программного окружения.

Qwen-Image-2.1-PE-T2I-Pocket-0.8B — компактная текстовая модель, разработанная ML-Intern-lab на базе Qwen/Qwen3.5-0.8B от Qwen. Она предназначена для автоматического преобразования коротких пользовательских запросов в развернутые англоязычные промпты для генератора изображений Qwen-Image-2.1, а также для выбора соотношения сторон изображения. Модель возвращает компактный JSON-объект с полями rewritten_prompt и wh_ratio и рассчитана на работу без системного промпта и рассуждений. Это полное дообучение Qwen/Qwen3.5-0.8B без архитектурных изменений, выполненное методом дистилляции по 1 776 отфильтрованным парам данных. Модель текстовая, имеет около 0,8 млрд параметров и ориентирована преимущественно на англоязычный вывод длиной 80–400 слов. В тестах она достигла корректности JSON 99,7%, выбора допустимого соотношения сторон 99,3% и среднего времени генерации 2,81 секунды; средняя длина вывода составила 453 токена. Сильные стороны модели — малый размер, низкие требования к вычислениям, существенно меньшая задержка и токеновая стоимость по сравнению с исходной 9B-моделью-помощником. Ограничения включают редкие ошибки формата JSON, совпадение с эталонным выбором соотношения сторон лишь в 57,7% случаев и неполное сохранение текста, который должен появиться на изображении; особенно низкая точность отмечена для Devanagari и Han в представленном тесте. Модель распространяется для некоммерческого исследовательского использования по Qwen Research License; базовая Qwen/Qwen3.5-0.8B указана под Apache 2.0.

Realistic Vision V5.1 noVAE — модель генерации изображений по текстовому описанию, опубликованная в репозитории scenario-labs на Hugging Face. Карточка предлагает использовать её с Diffusers и StableDiffusionPipeline; файлы репозитория включают веса в форматах Safetensors и checkpoint. Название модели указывает на отсутствие встроенного VAE. Модель предназначена для создания реалистичных изображений по текстовым запросам. Версия Stable Diffusion, число параметров, контекст и поддерживаемые языки в доступных источниках надёжно не установлены. Лицензия — CreativeML Open RAIL-M.

Reanimate — модель генерации изображений по текстовому описанию, собранная автором карточки путём слияния Deliberate от XpucT и ReVAnimated от s6yx. Она предназначена для создания иллюстраций в художественных и аниме-ориентированных стилях; в примере показан запрос на ретро-иллюстрацию обложки. Модель распространяется в формате Diffusers с весами safetensors и использует встроенный zVAE. Карточка не указывает размер модели, поддерживаемые языки или длину контекста. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами репозитория и лицензиями исходных моделей.

RSCoVLM — мультимодальная модель, разработанная Qingyun Li и соавторами для анализа данных дистанционного зондирования. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров; она принимает изображения и текстовые запросы и формирует текстовые ответы. Модель предназначена для понимания спутниковых и аэрофотоснимков, рассуждений по изображениям сверхвысокого разрешения, обнаружения объектов с ориентированными рамками и связанных многозадачных сценариев в дистанционном зондировании. Модель поддерживает контекст до 128 000 токенов и, согласно метаданным, английский язык. Весы опубликованы в формате safetensors. Лицензия MIT. Карточка описывает настройку для дистанционного зондирования, но не приводит количественных результатов; качество на конкретных данных и точный набор поддерживаемых подзадач следует проверять на практике.

SenseNova-SI-1.1-Qwen2.5-VL-3B — мультимодальная модель SenseNova, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct для развития пространственного понимания. Она принимает изображения и текстовые запросы, а ответы формирует на естественном языке; модель подходит для диалогового анализа сцен и решения задач на пространственное мышление. В основе — плотная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов. Карточка SenseNova-SI описывает обучение на корпусе SenseNova-SI-8M и высокие результаты семейства на нескольких бенчмарках пространственного интеллекта, а также сохранение сильного общего мультимодального понимания. В приведённом обзоре эти результаты относятся к семейству в целом, поэтому их нельзя однозначно приписать именно версии 3B. Модель распространяется в формате safetensors по лицензии Apache-2.0.

ashiqabdulkhader/shiba-dog — модель генерации изображений на основе Stable Diffusion, дообученная автором ashiqabdulkhader методом DreamBooth на концепции сиба-ину и изображениях собак из набора ashiqabdulkhader/animals. Она предназначена для создания изображений по текстовым запросам; для вызова обученной концепции в запросе используется формулировка «a photo of shiba dog». Модель распространяется в форматах Diffusers и PyTorch и лицензирована CreativeML OpenRAIL-M.

SomniumSC-v1.1 — модель генерации изображений по тексту от Ketengan-Diffusion, дообученная на Stage C архитектуры Stable Cascade (Würstchen v3) от stabilityai/stable-cascade. Модель размером 3,6 млрд параметров настроена на мультяшный 2D-стиль: она принимает как естественные текстовые описания, так и booru-теги и создаёт стилизованные изображения, преимущественно с людьми и человекоподобными персонажами. В карточке также описан обученный текстовый энкодер и подготовка набора данных из более чем 33 тысяч отобранных изображений с подписями и тегами. Модель предназначена для создания фантазийных иллюстраций и аниме-арта. Для работы с архитектурой Stable Cascade автор указывает ComfyUI; карточка также описывает использование через Diffusers с нужной веткой библиотеки. По заявлению автора, модель пока имеет ограниченное разнообразие поз и стилей, плохо генерирует текст внутри изображения, может давать сжатые лица и менее предсказуемо работает с нечеловеческими персонажами. Лицензия Stability AI Non-Commercial Research Community License запрещает коммерциализацию модели и производных работ без соответствующего разрешения или членства Stability AI.

StaticM Vintage — модель генерации изображений из текста на базе Stable Diffusion, распространяемая в формате Diffusers и Safetensors. По примерам в карточке она предназначена для создания портретов и иллюстраций в эстетике 1950-х и 1960-х годов, включая винтажную фотографию, пин-ап и ретрообразы; среди примеров также есть сцены с киберпанком и фантастическим боем. Модель принимает текстовые запросы и генерирует изображения. Карточка не сообщает размер модели, длину контекста или список поддерживаемых языков. Лицензия — CreativeML OpenRAIL-M; её условия регулируют допустимое использование и распространение модели и созданных с её помощью материалов.

TIPO-500M — языковая модель семейства LLaMA, разработанная KBlueLeaf для подготовки и расширения запросов к генераторам изображений. Она анализирует короткий или неполный промпт и дополняет его текстом, который можно передать модели text-to-image; предполагаемый сценарий использования — этап предварительной обработки промпта в Stable Diffusion WebUI, Forge или ComfyUI через расширение z-tipo-extension. В репозитории указаны архитектура LLaMA и около 467 млн параметров по метаданным. Модель обучалась на данных с описаниями изображений и тегами, включая Danbooru2023 и Coyo-HD; среди датасетов в метаданных также указаны Conceptual Captions и GBC10M. Карточка сообщает контекст 1024 токена для TIPO-500M, тогда как метаданные каталога указывают native context 2048 токенов. Основной язык карточки — английский; отдельной информации о многоязычном обучении нет. TIPO предназначена для генерации текста промптов, а не самих изображений. Приведённые в README сравнительные оценки относятся к TIPO-200M, поэтому их нельзя напрямую считать оценкой версии 500M. Лицензия в метаданных обозначена как other; конкретные условия использования следует проверять в репозитории модели.

URPM-v2.3Final — созданный автором saftle чекпойнт Stable Diffusion 1.5, собранный слиянием моделей и предназначенный для генерации фотореалистичных изображений по текстовым запросам. Модель распространяется в форматах Diffusers и safetensors и подходит для создания взрослых изображений и других реалистичных сцен. В сравнении с версией 2.2 автор отмечает улучшенную анатомию и детализацию лиц, но возможное ухудшение изображения пальцев. README рекомендует осторожно составлять негативный запрос: без него возможны нежелательные сочетания NSFW-контента с изображением людей разных возрастов. Для модели доступна лицензия, указанная в карточке Hugging Face; в предоставленных данных её условия не приведены.

Yaki-Dofu-Mix — слитая модель генерации изображений в аниме-стиле. Она предназначена для создания иллюстраций по текстовым описаниям и распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии CreativeML OpenRAIL-M. В карточке приведены настройки генерации: 20–60 шагов, sampler DPM++ 3M SDE Exponential, CFG 7.5 и Clip skip 2. Для повышения разрешения рекомендованы апскейлер R-ESRGAN 4x+ Anime6B и 20 дополнительных шагов; пример использует размер 768×768. Автор отмечает, что модель выдаёт яркие цвета без VAE. Модель специализируется на стилизованных аниме-иллюстрациях. Карточка не сообщает размер модели и длину контекста; качество анатомии и деталей может требовать негативного промпта и настройки параметров. Языковые теги карточки — японский и английский.

Yiffymix v51-XL — версия модели Yiffymix v51 от chilon249, адаптированная для Diffusers. Это модель семейства Stable Diffusion XL-Lightning для генерации изображений по текстовым описаниям; репозиторий поддерживает Diffusers и формат safetensors. В README рекомендуются 12–25 шагов генерации, низкий guidance scale около 4–6 и clip skip 2. Для Diffusers указан сэмплер DPM++ 2M Karras; можно подключить другие планировщики и отдельный VAE. Модель подходит для создания художественных изображений по текстовым запросам. README ограничивает её использование творческими и художественными целями без намерения причинить вред. Лицензия в метаданных — OpenRAIL++; перед использованием внешнего VAE необходимо соблюдать его лицензию.

Aeterna Opus — диффузионная модель генерации изображений по тексту, разработанная NeverWinter13 для создания аниме-иллюстраций. Она основана на архитектуре SDXL и объединяет веса Ars Divina 7.2.4a, Indominus Rex XL и моделей Illustrious XL; после слияния веса проходили циклическое переобучение на наборах s1k_Korean и 1.2M Ordered Tags. Модель предназначена для иллюстраций с выразительным освещением, устойчивой анатомией персонажей и точным следованием промптам. Она принимает как описания на естественном языке, так и упорядоченные теги Danbooru. В README заявлена поддержка генерации в разрешении до 1536 × 1536; в качестве типовых размеров также приведены квадратные изображения 1024 × 1024 и альбомные варианты. Для запуска предлагаются ComfyUI, Stable Diffusion WebUI и библиотека diffusers. Модель распространяется по лицензии OpenRAIL++. Карточка рекомендует 26–30 шагов сэмплирования и CFG 3,0–6,5; для детализации лиц автор рекомендует ADetailer. Заявления о качестве и стабильности основаны на описании разработчика и не сопровождаются количественными оценками.

FloydianSound/Aoi_Ogata_Artstyle_v1-5 — дообученная модель на основе Stable Diffusion 1.5 для генерации изображений по текстовым описаниям в художественном стиле Аои Огаты. Она обучалась 10 эпох, всего 40 700 шагов, на 407 изображениях художницы; при обучении использовалась группировка изображений по соотношению сторон с разрешением 768 пикселей. Репозиторий содержит веса в форматах Diffusers и PyTorch. Модель предназначена для создания изображений по текстовым запросам с использованием изученного художественного стиля. Карточка указывает английский язык, а лицензия — CreativeML OpenRAIL-M. Результаты зависят от формулировки запроса и выбранных параметров генерации.

Baka-Diffusion — модель генерации изображений из текста на основе Stable Diffusion 1.x, созданная Hosioka с помощью дообучения и слияния блоков U-Net. Она использует систему тегов Danbooru и рассчитана на создание иллюстраций. Вариант General задуман как универсальная основа, совместимая с большинством LoRA и LyCORIS; вариант S3D добавляет мягкую трёхмерную текстуру и естественное освещение и ориентирован на повышенное разрешение, например 600×896. Модель распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Для вариантов модели автор рекомендует CFG 3–9: более высокие значения могут приводить к артефактам, остаточному шуму или перенасыщенным цветам. Результат зависит от варианта, промпта и настроек генерации.

Clandestine XL 1.0 — модель Stable Diffusion XL, разработанная Linaqruf и дообученная на yodayo-ai/kivotos-xl-2.0. Она создаёт аниме-иллюстрации по текстовым запросам, особенно в стилизованной эстетике популярных работ на Pixiv. Модель ориентирована на чёткие контуры, улучшенную анатомию персонажей и прорисовку рук. Модель принимает текстовые промпты и выдаёт изображения. Она поддерживает теги качества, рейтинга, периода создания и эстетики, унаследованные от Animagine XL 3.1; для более управляемого результата рекомендуется структурировать запрос. Доступны форматы Diffusers и safetensors, запуск возможен через ComfyUI, Stable Diffusion WebUI или diffusers. В README рекомендованы CFG около 5–7, 25–30 шагов и сэмплер Euler Ancestral. Конкретные разрешения в доступном описании пропущены. Лицензия — Fair AI Public License 1.0-SD; модель допускает генерацию контента с рейтингами от безопасного до откровенного, поэтому содержание результата зависит от промпта.

Proxima darkvictorian_artstyle — дообученная модель для генерации изображений в тёмной викторианской художественной стилистике. В README указано, что версия v1 обучена на Stable Diffusion 1.4, а v2 — на Stable Diffusion 1.5; для применения стиля в запросе рекомендуется использовать токены «darkvictorian artstyle». Также автор добавил вариант LoRA. Модель предназначена для создания мрачных викторианских иллюстраций по текстовым описаниям. Репозиторий содержит веса в форматах Diffusers и PyTorch; в метаданных указаны библиотека Diffusers и задача text-to-image. Лицензия — CreativeML OpenRAIL-M. Для LoRA-варианта требуется совместимая базовая модель Stable Diffusion.

Detailed Perfection style — это LoRA-модель для генерации изображений по текстовому описанию, размещённая под идентификатором Muapi. В карточке указана совместимость с базовой моделью black-forest-labs/FLUX.1-dev, а также теги Stable Diffusion, Flux и text-to-image. Обучающее ключевое слово — «perfection style». Судя по названию и описанию, адаптер ориентирован на повышение детализации и проработку рук, стоп, лица и тела, а также на применение единого художественного стиля. Модель предназначена для сценариев text-to-image, включая создание персонажей и детализированных иллюстраций. Рекомендуемый пример использует разрешение 1024×1024 и вес LoRA 1.0 через API MUAPI, однако другие параметры совместимости, поддерживаемые языки, размер адаптера, максимальный контекст и результаты сравнительных тестов не указаны. Сильной стороной является объединённая направленность на детализацию ключевых частей тела и стилизацию, но качество зависит от базовой модели, промпта и выбранного веса адаптера; заявленные характеристики не подтверждены количественными оценками. Лицензия указана как OpenRAIL++.

FastH3 V2 GGUFs — это набор квантованных версий трансформера FastVideo FastH3 8-Step V2, подготовленный realrebelai для ComfyUI и ComfyUI-GGUF. Модель основана на 35-миллиардной архитектуре MiniMax-H3 и предназначена для генерации синхронизированных видео и аудио по текстовому описанию. Модель использует дистилляцию Data-Free DMD2, разреженное внимание VSA-H3 с разреженностью внимания 80% и генерирует результат всего за 8 проходов трансформера. В состав GGUF входит только трансформер; для работы требуются совместимые Qwen3-VL text encoder, MiniMax-H3 Video VAE и Audio VAE. Поддерживаются варианты Q3_K_M, Q4_K_M и Q5_K_M: Q3_K_M требует меньше всего памяти, Q4_K_M предлагает рекомендуемый баланс размера и качества, а Q5_K_M обеспечивает более высокое качество при повышенных требованиях к памяти. Модель рассчитана на использование в ComfyUI с соответствующим GGUF-загрузчиком и требует настройки рабочего процесса MiniMax-H3. Основные ограничения — высокая вычислительная и оперативная потребность, необходимость дополнительных компонентов и зависимость от совместимой реализации ComfyUI. В README указана лицензия other; конкретные условия лицензии не уточняются.

Модель manupm87/finetuned-sd-1.4-oldbookillustrations — дообученная на датасете gigant/oldbookillustrations версия Stable Diffusion v1.4 от автора репозитория. Это латентная диффузионная модель для создания изображений по текстовым запросам; дообучена только UNet, а VAE, текстовый энкодер, токенизатор и scheduler сохранены от базовой модели CompVis/stable-diffusion-v1-4. Полный pipeline доступен через библиотеку Diffusers, веса представлены в формате safetensors. Модель предназначена для генерации изображений в стиле иллюстраций старых книг, гравюр и антикварных изданий. Для усиления стиля к запросу рекомендуется добавлять фразу «old book illustration, engraving, antique». В обучении использовались изображения, приведённые к размеру 512×512; основа модели преимущественно рассчитана на текстовые запросы на английском языке. Модель подходит для художественных иллюстраций, например морских сцен, замков и лесных сюжетов. Её специализация ограничена небольшим тематическим набором изображений, и она наследует ограничения и смещения Stable Diffusion v1.4. Распространяется по лицензии CreativeML OpenRAIL-M.

milyiyo/flat-design-icons — модель Stable Diffusion, созданная milyiyo методом DreamBooth с помощью fast-DreamBooth notebook TheLastBen. Она предназначена для генерации изображений в плоском дизайне иконок по текстовым описаниям. Модель распространяется в формате Diffusers/PyTorch и лицензирована CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. Доступны примеры изображений и инструкции по запуску через A1111 или Diffusers; качество и ограничения генерации зависят от исходной Stable Diffusion и текста запроса.

Florence-Chan-2.1 — дообученная на аниме-иллюстрациях версия Florence-2-large, подготовленная как самостоятельный чекпойнт BF16 в формате safetensors. Модель разработана автором репозитория Mitchins на базе microsoft/Florence-2-large; адаптер уже встроен, поэтому для запуска отдельный адаптер не нужен. Она принимает изображение и текстовый промпт, а в ответ генерирует подпись или более подробное описание сцены на английском языке. Модель предназначена для описания персонажей, их внешности, одежды, действий и окружения в аниме-арте. В README приведены сравнения с базовой Florence-2-large, где новая версия точнее описывает детали персонажей и сцены. Обучение опиралось на синтетические подписи от GLM-4.6V и Grok-4.3; карточка сообщает о 980 примерах дополнительного SFT и совокупной линии данных из 44 647 строк. Базовые возможности Florence-2-large при этом стремились сохранить. Использование распространяется по лицензии MIT. Оценка качества в README основана на сравнении на восьми изображениях, поэтому она не устанавливает качество на всех типах аниме-иллюстраций. Подписи могут содержать ошибки в распознавании деталей или интерпретации сцены.

Guohua Diffusion — модель Langboat, полученная дообучением Stable Diffusion на традиционной китайской живописи. Она предназначена для генерации изображений по текстовым запросам с художественным стилем гохуа; для его активации в запросе рекомендуется использовать фразу «guohua style». Модель работает через StableDiffusionPipeline библиотеки Diffusers и также доступна в файле guohua.ckpt для WebUI. Лицензия — CreativeML OpenRAIL-M.

HARDblend — дообученная модель генерации изображений по текстовому описанию, созданная автором theintuitiveye. Она предназначена для создания фотореалистичных портретов, в том числе контента для взрослых. По README, модель обучена примерно на 500 изображениях портретов и объединена с Hassanblend, Aeros, RealisticVision1.2, Delibrate, SxD и f222. Для работы используется Stable Diffusion Pipeline в библиотеке Diffusers; автор рекомендует VAE от Stability AI или версию со встроенным VAE для лучшего результата. Модель распространяется под лицензией CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.