I.8Изображения и компьютерное зрение

rcme-tol-vit-base-patch16 — модель MVRL, представленная в работе Global and Local Entailment Learning for Natural World Imagery. Это vision-language-модель на основе ViT с патчами 16×16, использующая радиальные кросс-модальные эмбеддинги (RCME) для явного представления транзитивных отношений и иерархии понятий. Модель предназначена для классификации видов по изображениям и поиска по иерархии живых организмов; метаданные Hugging Face указывают задачу zero-shot image classification. В опубликованных экспериментах авторы сообщают об улучшении результатов на иерархической классификации видов и поиске по сравнению с существующими моделями. Модель принимает изображения и текстовые описания классов, а для сравнения и классификации использует совместное vision-language-представление. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки.

Rinotuna — модель Stable Diffusion для генерации изображений по текстовому описанию, опубликованная под именем AnimeTest/rinotuna-man. Карточка представляет её как концепт Rinotuna и предлагает пробный запуск через A1111 Colab. Репозиторий содержит модель в форматах Diffusers и PyTorch. Модель предназначена для создания изображений по текстовым запросам в стиле или с концептом Rinotuna. В карточке приведены примеры изображений, но не раскрыты размер модели, базовый чекпойнт, поддерживаемые языки, контекст или конкретные настройки генерации. Указана лицензия CreativeML OpenRAIL-M; условия использования следует сверять с её текстом.

RudolfV 2-B — модель зрения на архитектуре Vision Transformer, разработанная Aignostics для вычислительной патологии. Она использует основу ViT-B/8, содержит 86 млн параметров и дистиллирована из RudolfV 2, предварительно обученной на 300 тысячах полноразмерных гистологических изображений. Модель предназначена для извлечения признаков из небольших фрагментов гистологических изображений и последующего применения в задачах классификации тканей и опухолей, определения степени злокачественности, прогнозирования биомаркеров и анализа целого стекла с помощью multiple instance learning. По данным карточки, она в 2,5 раза быстрее RudolfV 2. Для загрузки требуются Transformers с trust_remote_code=True и библиотека timm. Репозиторий закрыт: доступ запрашивается через Hugging Face и предоставляется Aignostics по своему усмотрению; для заявки требуется академический или некоммерческий адрес электронной почты. Лицензия обозначена как other, а карточка требует атрибуции.

Spatial-SSRL-3B — мультимодальная модель InternLM для понимания пространственных отношений на изображениях. Она построена на Qwen2.5-VL-3B-Instruct и дообучена методом Spatial-SSRL — самонастраиваемым обучением с подкреплением без внешних инструментов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для анализа изображений и ответов на вопросы о пространственном расположении объектов. По данным карточки, дообучение усиливает пространственные способности, сохраняя общие возможности базовой модели для анализа изображений. В README также описана направленность метода на задачи понимания изображений и видео, однако метаданные этой конкретной модели подтверждают задачу image-text-to-text. Модель принимает текст и изображения и выдаёт текстовые ответы; основным языком карточки указан английский. Распространяется по лицензии Apache-2.0. Количественные результаты по бенчмаркам в предоставленной карточке не приведены.

Subtly — модель генерации изображений по текстовому описанию, созданная на основе Waifu Diffusion 1.5. Разработчик описывает её как аниме-модель, обученную без утечек NovelAI; для получения аниме-изображений обычно нужно добавить слово «anime» в запрос, поскольку модель может создавать и реалистичные изображения. Модель предназначена для создания иллюстраций по текстовым промптам. В README отмечены особенности формулировок промптов относительно моделей на основе NAI и возможность влиять на реалистичный стиль через отрицательный промпт, хотя автор не рекомендует использовать для этого «instagram» и «real-life»: они могут ухудшить анатомию и фон. Модель уязвима к NSFW-содержимому. Репозиторий использует Diffusers и формат safetensors; лицензия указана как other, её конкретные условия в предоставленных данных не раскрыты.

John6666/wai-nsfw-illustrious-v80-sdxl — модель генерации изображений по текстовому описанию, размещённая John6666; в карточке указано, что исходную модель создал WAI0731. Это дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 на базе Stable Diffusion XL, рассчитанная прежде всего на создание аниме-иллюстраций, включая контент для взрослых. Модель использует конвейер StableDiffusionXLPipeline из библиотеки Diffusers и распространяется в формате safetensors. Она принимает текстовые промпты на английском языке и выдаёт изображения. Репозиторий помечен как содержащий чувствительный контент. Лицензия — faipl-1.0-sd; условия использования следует сверять с текстом этой лицензии.

Weirdcore — модель генерации изображений, обученная abesmon методом DreamBooth на базовой модели Stable Diffusion v2.1 с разрешением 512 пикселей. Для генерации используется библиотека Diffusers; ключевое слово для вызова изученной визуальной концепции в запросе — «weirdcore».

YAaI (Yet Another Anime Illustrious) — модель для генерации изображений в стиле аниме по текстовым промптам, созданная jorkingtoncityshallwe. Это дообученная версия Illustrious XL, основанной на Stable Diffusion XL; репозиторий содержит файлы для Diffusers в формате safetensors. Автор указывает, что с моделью должны работать персонажи, доступные в WAI-NSFW v20. Модель предназначена для создания аниме-иллюстраций, в том числе изображений персонажей. В карточке указаны английский язык и пометка о контенте не для всех аудиторий; лицензия обозначена как other, поэтому условия использования следует уточнять в материалах репозитория и базовой модели.

Z-Image-Turbo Training Adapter — обучающий адаптер LoRA от ostris для дообучения модели Tongyi-MAI/Z-Image-Turbo. Он предназначен для использования с AI Toolkit и потенциально совместим с другими средствами обучения. Адаптер также может применяться при инференсе как de-distillation LoRA для устранения особенностей режима Turbo у базовой модели. Основная задача адаптера — замедлить разрушение дистилляции, которое обычно быстро происходит при прямом обучении step-distilled-модели. Благодаря этому можно проводить короткие запуски дообучения для стилей, концепций и персонажей, сохраняя высокую скорость генерации исходной модели. Для подготовки адаптера были сгенерированы тысячи изображений разных размеров и соотношений сторон, после чего LoRA обучалась с низкой скоростью обучения 1e-5. Адаптер не устраняет проблему полностью: при длительном обучении дистилляция всё равно постепенно разрушается, а после удаления адаптера могут появляться артефакты. Поэтому он лучше подходит для коротких тренировок. Рекомендуемый сценарий — использовать адаптер во время обучения собственной LoRA, а затем удалить его при инференсе, чтобы сохранить полученные знания и вернуть дистиллированную скорость работы базовой модели. В README не указаны размер, архитектура, языки или модальности базовой модели. Лицензия — Apache-2.0.

AnimeBoysXL v2.0 — модель генерации изображений в эстетике аниме, разработанная автором Koolchh на базе Stable Diffusion XL. Она предназначена прежде всего для создания изображений аниме-мужчин и мальчиков в разных стилях, а также подходит как основа для дальнейшего обучения специализированных моделей и LoRA. Для генерации рекомендуется использовать теговые промпты с указанием числа персонажей и мужского фокуса; порядок тегов влияет на результат. Автор советует применять SDXL VAE и приводит ориентировочные настройки сэмплирования и размеры изображений. Модель не оптимизирована для изображений аниме-девушек. В обучении использовались подмножества с рейтингами от безопасного до откровенного, поэтому результат зависит от промпта и может включать контент для взрослых. Репозиторий распространяется по лицензии OpenRAIL++.

crumb/bloom-560m-RLHF-SD2-prompter — дообученная модель семейства BLOOM от автора crumb для генерации текстовых промптов к Stable Diffusion 2.0. Она продолжает обучение mrm8488/bloom-560m-finetuned-sd-prompts с использованием RLHF: автор ранжировал изображения, а при обучении обновлялись только смещения и параметры нормализации слоёв. Модель принимает текстовое начало «Prompt:» и дополняет его описанием для генерации изображения, например концепт-артом пейзажа. Это причинная плотная языковая модель на 659,6 млн параметров с контекстом до 2048 токенов; доступны веса PyTorch и safetensors. Карточка указывает лицензию BigScience BLOOM RAIL 1.0. Назначение модели узкое: составление промптов для Stable Diffusion 2.0. В README автор называет её первой итерацией проекта и описывает личную ручную настройку, поэтому качество и стабильность результатов могут быть ограничены; иных конкретных ограничений карточка не приводит.

JujoHotaru/BreedSeriesForAnima — это опубликованный JujoHotaru чекпойнт на базе Anima для генерации двумерных иллюстраций. Версия HotaruBreedAnima v1.0 ориентирована на милую стилистику. Модель принимает текстовые запросы и создаёт изображения; в метаданных указаны японский и английский языки. Чекпойнт дообучен на circlestone-labs/Anima и распространяется в формате Safetensors. В README не приведены сведения об архитектуре, размере и длине контекста. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

Civilizations 6 Diffusion — модель генерации изображений по текстовому описанию, обученная автором на портретах лидеров, экранах загрузки и иллюстрациях из Civilization VI. Для воспроизведения художественного стиля в запросе предлагается использовать токен «civsix style»; модель также подходит для генерации портретов и отдельных объектов. Игровая карта в обучающие данные не входила. Модель использует Stable Diffusion Pipeline и распространяется в форматах Diffusers, PyTorch и safetensors. Карточка описывает проект как созданный для исследований и развлечений и указывает лицензию CreativeML OpenRAIL-M. Лицензия допускает гибкое использование и распространение с ограничениями; пользователь отвечает за соблюдение её условий и за применение результатов. Автор не связан с Firaxis Games и предостерегает от создания подделок, нарушающих авторские права или товарные знаки.

Collage Diffusion — модель генерации изображений по тексту от wavymulder, созданная методом DreamBooth на базе Stable Diffusion 1.5 с VAE и обученная на изображениях в стиле коллажа. Для активации характерной стилистики автор рекомендует добавлять в начало запроса фразу «collage style». Модель рассчитана на создание художественных коллажей по простым текстовым описаниям; она допускает вольную интерпретацию запроса и может нестрого следовать его деталям. Распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML OpenRAIL-M.

cyberkongz — модель безусловной генерации изображений на основе LightWeight GAN, созданная Алексеем Коршуком. Она обучена на наборе данных коллекции CyberKongz и предназначена для создания изображений в стилистике этой NFT-коллекции без текстового запроса. Модель принимает изображение не требуется: генерация выполняется безусловно, а результатом является изображение. В репозитории указаны веса PyTorch и лицензия MIT. README отсылает к внешнему проекту за инструкциями по запуску и сведениями об ограничениях; отдельные характеристики архитектуры и качество генерации в карточке не раскрыты. Использовать модель следует с учётом прав на исходную коллекцию и обучающие данные: README отмечает, что модели и наборы данных могут быть удалены по запросу правообладателя.

Hermitage XL — модель Linaqruf для генерации изображений по текстовым запросам на основе латентной диффузии. Она дообучена на Stable Diffusion XL 1.0 на подборке изображений в стиле аниме; для обучения использовались разрешение 1024×1024 и подбор соотношения сторон. Модель рассчитана на генерацию аниме-изображений, в том числе персонажей и сцен, по запросам в формате тегов Danbooru. Доступны форматы Diffusers и safetensors; использовать модель можно через Stable Diffusion WebUI, Diffusers и ComfyUI. Автор описывает модель как предварительную версию для подбора гиперпараметров и конфигурации обучения SDXL. Модель переобучена на небольшом датасете и может плохо следовать запросам. Она наследует ограничения Stable Diffusion XL 1.0. Лицензия — CreativeML Open RAIL++-M.

JWST Deep Space Diffusion — дообученная с помощью DreamBooth модель Stable Diffusion 1.5 для генерации изображений космоса по текстовым запросам. Она обучена на изображениях телескопа James Webb и Judy Schmidt; токен JWST в запросе помогает задать характерный стиль, например при генерации спиральной галактики. Модель распространяется в формате Diffusers/PyTorch и использует архитектуру Stable Diffusion. Модель подходит для создания художественных изображений галактик и других космических объектов. В README указана лицензия CreativeML OpenRAIL-M. Размер изображений, рекомендуемые пределы запросов и другие ограничения качества не описаны.

maxmarcon/klimt-diffusion — безусловная диффузионная модель, обученная имитировать живописный стиль Густава Климта. Автор сообщает, что модель обучалась 500 эпох на картинах с указанного им сайта. Модель построена на Denoising Diffusion Probabilistic Model (DDPM) и распространяется в форматах Diffusers и safetensors. Она генерирует изображения без текстового запроса; в примере из карточки показана генерация нескольких изображений через библиотеку Diffusers. Карточка не сообщает о лицензии или ограничениях использования. Результаты предназначены для стилизации под живопись Климта, однако качество и разнообразие генерации не описаны.

Krea-2-LoRA-darkbrush — адаптер LoRA, разработанный Krea для модели генерации изображений Krea 2. Адаптер предназначен для использования с чекпойнтом krea/Krea-2-Turbo и обучен на krea/Krea-2-Raw; самостоятельной моделью он не является. Основная задача — добавление к текстово-изобразительной генерации характерного монохромного стиля тушевой живописи. Для активации адаптера используется триггер monochrome ink wash style. Он подходит для создания сцен с персонажами, животными, пейзажами, архитектурой и динамическими сюжетами в стилистике тёмной монохромной тушевой иллюстрации. В README указано, что демонстрационные изображения создавались на Krea-2-Turbo за 8 шагов при guidance 0.0 и весе LoRA 1.0. Для работы требуется библиотека Diffusers и пайплайн Krea2Pipeline; файл весов называется darkbrush.safetensors. Сильная сторона адаптера — специализированное стилистическое управление при сохранении текстового управления содержанием исходной модели. Размер весов, точная архитектура базовой модели, поддерживаемые разрешения и полный набор языков не указаны; в метаданных заявлен английский язык. Модель распространяется по лицензии krea-2-community-license, обозначенной как other; условия следует уточнять в приложенном лицензионном документе.

Magic Diffusion от Qilex — дообученная модель Stable Diffusion для генерации изображений в стиле иллюстраций карт Magic: The Gathering. Для задания стиля в запросе рекомендуется использовать токен «mtg style». Модель обучена на сканах иллюстраций карт с помощью DreamBooth и сохранением prior-preservation loss; при обучении также дообучался текстовый энкодер. В качестве основы используется Stable Diffusion, модель работает через Diffusers и принимает текстовые запросы, выдавая изображения. По карточке модель не обладает дополнительными знаниями о терминах Magic: The Gathering. Лицензия — CreativeML OpenRAIL-M.

MiniMax-H3-Prompt-Rewriter-LoRA-8B-GGUF — это конвертированный в формат GGUF LoRA-адаптер, разработанный pytraveler на основе адаптера lightx2v/MiniMax-H3-Prompt-Rewriter-LoRA-8B. Адаптер предназначен для работы с мультимодальной базовой моделью Qwen3-VL-8B-Instruct через llama.cpp и не содержит новых этапов обучения: значения тензоров сохранены, изменён только формат представления. Модель ориентирована на переписывание промптов для генерации аудио и видео в сценариях T2AV, I2AV, L2AV и FL2AV — от текста, одного изображения в качестве первого или последнего кадра либо двух изображений, задающих начало и конец последовательности. Адаптер имеет размерность 8B, использует LoRA-слои ранга 256 и затрагивает текстовую часть модели; vision tower остаётся неизменённой. Доступны варианты F16 размером около 1,30 ГБ и Q8_0 размером около 0,69 ГБ. Для задач с изображениями необходимы базовая Qwen3-VL-8B-Instruct в формате GGUF и совместимый мультимодальный projector; заявлены варианты с потреблением примерно 9–13 ГБ VRAM в зависимости от квантования базовой модели. Указан английский язык. Сильные стороны — поддержка изображений, четыре специализированных режима и совместимость с llama.cpp и ComfyUI. Ограничения — необходимость точно соблюдать исходный системный промпт и формат входа, отсутствие варианта Q4_K_M, а также возможные ошибки в форматировании временных меток и атрибуции кадров. Лицензия в README не указана.

Neuro-JEPA Base — модель представлений для объёмных нейровизуализационных данных, разработанная исследователями NYU Langone Health. Она расширяет предсказательное встраивание V-JEPA 2 на трёхмерные МРТ головного мозга и использует разреженную архитектуру 3D Vision Transformer с Mixture of Experts и обучением по JEPA. Модель содержит 122 млн параметров и обучалась без учителя на примерно 1,55 млн снимков T1w, T2w и FLAIR. Модель извлекает признаки из объёмных изображений мозга для последующего обучения классификаторов и мультимодальных моделей. В README описаны сценарии диагностики заболеваний, прогнозирования, оценки возраста и анализа времени до события; представлены результаты по 47 задачам на исследовательских и клинических когортах. Модель предназначена для работы с нейровизуализацией, в частности с файлами NIfTI. Это исследовательский инструмент, а не средство для клинической диагностики или лечения: модель не имеет разрешения FDA или другого регулятора. Её представления могут отражать смещения исходной когорты NYU Langone. Доступ к весам предоставляется по запросу и при согласии с условиями использования; лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных материалов.

cactusfriend подготовил GPT-Neo — плотную авторегрессионную языковую модель на 137,7 млн параметров, обученную на промптах из собственной папки генераций InvokeAI. Она предназначена для создания новых текстовых промптов, в том числе необычных и сюрреалистичных, для генерации изображений в Stable Diffusion через InvokeAI. Модель принимает текст и генерирует текст; её контекст составляет 2048 токенов. Обучение преимущественно основано на позитивных промптах, но в генерациях могут встречаться слова в квадратных скобках, используемые как негативные промпты. Модель может выдавать конструкции, не вполне соответствующие синтаксису промптов InvokeAI. Распространяется по лицензии OpenRAIL; README предлагает использовать её через pipeline библиотеки Transformers.

Карточка модели votepurchase/NSFW-GEN-ANIME-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-GEN-ANIME-v2, поэтому описание составлено по ней. NSFW-GEN-ANIME-v2 — модель UnfilteredAI для генерации изображений в стиле аниме по текстовым описаниям. Она создаёт как обычные, так и откровенные изображения; в карточке указаны 3,47 млрд параметров и формат вычислений FP16. Модель предназначена для создания иллюстраций по текстовым запросам, в том числе контента для взрослой аудитории. В метаданных указана архитектура StableDiffusionXLPipeline и форматы Diffusers и safetensors. Модель объединена на основе OEvortex/PixelGen и UnfilteredAI/NSFW-gen. Для работы с ней нужны текстовый запрос и среда, совместимая с Diffusers. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории модели.

Карточка модели dcw11/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

Карточка модели kyInfinity/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

Карточка модели ManuelZnnmc/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

Карточка модели Unfilteredai334455/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

Persona-5-Shigenori-Style — модель генерации изображений в стиле Shigenori, обученная Allenbv методом DreamBooth на базе Stable Diffusion. В карточке указаны 3200 шагов обучения, обучение текстового энкодера на 20% и набор из 23 изображений. Для генерации стиль следует обозначать в текстовом запросе фразой «Shigenori Style». Модель предназначена для создания изображений по текстовым описаниям с визуальным стилем, связанным с Persona 5 и Shigenori. Её можно использовать через интерфейс AUTOMATIC1111 или библиотеку diffusers. Репозиторий содержит веса в форматах diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

pingu-nootnoot-diffusion-v2-1 — модель генерации изображений по текстовому описанию, созданная parinzee методом DreamBooth на основе Stable Diffusion. Она предназначена для генерации изображений с персонажем или концепцией Noot Noot при задании текстового запроса. Модель использует Diffusers и PyTorch; в README упоминается запуск через fast-Colab-A1111. Лицензия — CreativeML OpenRAIL-M.