I.8Изображения и компьютерное зрение

SenseNova-U1.5-8B-MoT-SFT — мультимодальная модель SenseNova для генерации и редактирования изображений по текстовым инструкциям и визуальным примерам. Это вариант с supervised fine-tuning из семейства SenseNova-U1.5, построенный на NEO-unify; карточка указывает архитектуру NEOChat и размер 8B в названии. Модель принимает текст и изображения, а выдаёт изображения; официальная карточка также обозначает её как any-to-any. Для запуска предусмотрена реализация на Transformers, а веса опубликованы в формате safetensors. Модель подходит для создания иллюстраций, постеров, инфографики и брендовых материалов, а также для локального редактирования изображений, вставки и замены объектов. Она следует сложным инструкциям с ограничениями по композиции, числу объектов и пространственным отношениям, поддерживает контроль областей через рамки и визуальные маркеры, а также нативную генерацию до 4K. Заявлены английский и китайский языки; модель особенно ориентирована на визуальные задачи с текстом на этих языках. Известные ограничения: надписи, особенно мелкие, длинные и смешанные китайско-английские, могут содержать ошибки; сложная верстка, точные количества объектов, детали людей и редактирование с множеством областей могут быть нестабильны. Лицензия — Apache-2.0.

Это конверсия на Keras 3 многоязычной модели SigLIP Base от Google, подготовленная zeromodels. Модель использует двойной визуально-текстовый энкодер и попарную sigmoid loss; она сопоставляет изображения с текстовыми запросами для классификации без дополнительного обучения. При работе подберите текстовые промпты и изображения для сравнения; для согласования размера изображений и токенизатора рекомендуется использовать соответствующий Processor. Репозиторий предоставляет реализацию, работающую с TensorFlow, PyTorch и JAX. Модель принимает изображения и текстовые промпты и выдаёт оценки соответствия для zero-shot классификации. Лицензия — Apache 2.0.

UForm uform3-image-text-english-small — компактная мультимодальная модель от unum-cloud для кодирования изображений и английского текста в общее векторное пространство. Она предназначена для извлечения признаков, поиска изображений по текстовому запросу и сопоставления изображений с текстами. Лицензия Apache-2.0. Модель использует текстовый энкодер на основе BERT из 4 слоёв, принимающий до 64 токенов, и визуальный энкодер ViT-S/16 для изображений размером 224 × 224. Энкодеры совместно используют два слоя; выходные эмбеддинги имеют размерность до 256. Доступны веса в форматах PyTorch, ONNX и CoreML, включая предварительно квантованные варианты. В карточке приведены результаты zero-shot классификации ImageNet: точность Top-1 36,1%, Top-5 60,8%; для поиска текста по изображениям Recall@10 составляет 86% на Flickr и 64,5% на MS-COCO. Модель компактна и поддерживает совместное представление текста и изображений, но ограничена английским языком, коротким контекстом и входными изображениями 224 × 224; результаты на ImageNet указывают на скромную точность классификации по сравнению с крупными моделями.

DreamFast/gemma-3-12b-it-heretic-v2 — модифицированная версия Google Gemma 3 12B IT, созданная DreamFast с использованием Heretic v1.3.0. Модель предназначена для генерации текста и как текстовый энкодер в видеогенерации, включая сценарии LTX-2 и ComfyUI для text-to-video и image-to-video. Abliteration уменьшает количество отказов модели при сохранении исходного качества; по данным карточки, в выбранном варианте зафиксировано 8 отказов из 100 против 100 из 100 у исходной модели, а KL-дивергенция составляет 0,0801. Модель основана на архитектуре Gemma 3 с 12 млрд параметров и поддерживает текстовую и визуальную составляющие в вариантах для ComfyUI: сохранены vision_model и multi_modal_projector, необходимые для I2V-сценариев. Доступны полная версия bf16 размером около 23 ГБ, а также квантованные варианты FP8, INT8 ConvRot, INT4 W4A4 ConvRot, NVFP4 и MXFP8 размером примерно от 7,7 до 13 ГБ. Квантование выполнено с SVD-guided learned rounding для снижения потери качества; требования к оборудованию зависят от формата, включая поддержку GPU Ada и новее, а для MXFP8 и оптимального NVFP4 требуется Blackwell. В README указан английский язык. Сильные стороны модели — сниженное количество отказов, сохранение качества базовой Gemma 3 12B IT, наличие vision-компонентов и широкий выбор форматов для различных GPU. Ограничения включают зависимость возможностей и производительности от формата квантования, версии ComfyUI и оборудования; для некоторых INT4-слоёв используется bf16 из-за несовместимых размеров. Модель распространяется по лицензии Gemma.

HiDream-O1-Image-Dev-2604-FP8 — квантованная версия в смешанной точности FP8 модели HiDream-ai/HiDream-O1-Image-Dev-2604 от HiDream.ai. Это 9-миллиардная модель для генерации и обработки изображений, рассчитанная на запуск через Diffusers и ComfyUI. Вариант Dev использует дистиллированный 28-шаговый режим; веса FP8 Mixed занимают около 10 ГБ видеопамяти, а чувствительные слои сохраняют более высокую точность. Архитектура исходной модели описана как Pixel-level Unified Transformer, работающий с пикселями, текстом и условиями задач в общем пространстве токенов. Модель предназначена для генерации изображений по тексту, персонализации по изображению-образцу, управления размещением объектов и позой с помощью ограничивающих рамок и скелетных условий. Она поддерживает синтез с разрешением до 2048 × 2048 и многоязычную отрисовку текста. Для редактирования изображений по инструкциям README рекомендует полную версию модели; в Dev-режиме CFG отключён, поэтому негативные промпты не влияют на результат. Репозиторий распространяется по лицензии MIT. README предупреждает о проблемах совместимости с PyTorch 2.9.x и рекомендует версии 2.8.x или ниже; ускорение FP8 зависит от видеокарты, а на старом оборудовании возможно снижение скорости из-за преобразования весов на лету.

LTX-2.3-22b-IC-LoRA-Deblur — адаптер IC-LoRA, разработанный Lightricks для базовой видеомодели LTX-2.3-22B. Модель предназначена для восстановления резкости в видео с расфокусировкой: на вход подаётся один размытый видеоклип, а на выходе генерируется его более чёткая версия с сохранением объекта, композиции, кадрирования и геометрии сцены. Поддерживаются реальные сюжеты в альбомной и портретной ориентации, включая людей, животных, природу, городские виды, еду и ночные сцены. Это video-to-video модель с управлением через пространственное расфокусированное размытие. Рекомендуется использовать стандартный IC-LoRA pipeline при нативном разрешении 1080p; оптимальные параметры обучения и запуска связаны с размером 960×544, длиной 121 кадр и частотой 24 кадра в секунду. Контроль применяется ко всему кадру, маски не поддерживаются, предварительная обработка входного видео не требуется. Модель рассчитана на англоязычное текстовое описание сцены и использует специальный формат промпта DEBLUR. Сильной стороной является восстановление резкости при сохранении идентичности объекта и структуры сцены. Модель не предназначена для удаления смаза от движения, исправления сильных артефактов сжатия, шумоподавления или увеличения разрешения уже резкого видео. При чрезмерном расфокусировании детали могут быть сгенерированы неточно. Поставляемый checkpoint соответствует шагу 1000; разработчик указывает диапазон примерно 800–1000 как оптимальный. Распространение регулируется лицензией ltx-2-community-license.

SenseNova-U1.5-8B-MoT — мультимодальная модель SenseNova на архитектуре NEO-unify, представленная как релиз с обучением на основе RL. Она предназначена для генерации изображений по тексту и редактирования изображений по инструкциям, включая локальные изменения, вставку и замену объектов, работу с несколькими референсами и управление областями через рамки и визуальные маркеры. Модель также поддерживает чат и интерфейс вызова инструментов; веса опубликованы в формате safetensors, лицензия — Apache 2.0. Среди заявленных улучшений — композиция и цветовая гармония, детализация, генерация изображений с разрешением до 4K, отображение английского и китайского текста, следование сложным ограничениям и сохранение неизменённых частей изображения. Карточка ориентирует модель на визуальное создание и редактирование; метаданные также относят её к задачам генерации текста и any-to-any. README не приводит число параметров или длину контекста. Ограничения включают ошибки в мелком и плотном тексте, неточности в строго заданных компоновках и количестве объектов, нестабильность мелких деталей людей и объектов, а также дрейф при сложном многошаговом редактировании. Некоторые запросы могут приводить к чрезмерной детализации или перенасыщенным цветам.

UniPic3-DMD-Model — модель редактирования изображений и композиции из нескольких изображений, обученная Skywork с помощью дистилляции Distribution Matching Distillation (DMD). Она предназначена для получения детализированных и реалистичных результатов за небольшое число шагов генерации, приближая распределение выходов сильной модели-учителя. Модель инициализирована из чекпойнта, обученного методом consistency training, а затем дополнительно уточнена дистилляцией распределения. Карточка описывает задачи редактирования и композиции изображений; в метаданных также заявлен общий режим any-to-any и указаны теги text-to-image и image-understanding. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия — MIT. Размер модели, длина контекста и поддерживаемые языки в предоставленных источниках не указаны.

Это модель обнаружения объектов на изображениях, созданная дообучением DETR с ResNet-50 от nsugianto. Она предназначена для поиска объектов и определения их рамок; в названии указаны наборы LS-TableDet и LSDocElementDet, однако README не описывает классы объектов и конкретные сценарии применения. Модель содержит 6,3 млн параметров, использует архитектуру DETR и распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

FireRed-Image-Edit-1.1-GGUF — это набор квантованных версий модели FireRed-Image-Edit-1.1, разработанной командой FireRedTeam и опубликованной пользователем VantageWithAI. Модель предназначена для редактирования изображений по текстовым инструкциям и изображениям-референсам, включая перенос идентичности, виртуальную примерку, создание групповых фотографий, работу с портретами и косметикой, а также дизайн обложек, постеров и декоративных текстовых композиций. Модель относится к классу image-to-image и использует библиотеку Diffusers. Она поддерживает мультиизображенческое управление, благодаря чему может одновременно учитывать несколько исходных изображений. Заявлена поддержка английского и китайского языков. Среди ключевых улучшений указаны повышенная стабильность идентичности лица и персонажа, сохранение текстур, более реалистичное редактирование макияжа и улучшенная генерация стилизованной типографики. Доступен ускоренный дистиллированный вариант Lightning с восемью шагами инференса, рассчитанный на снижение задержки при сохранении согласованности с инструкцией. Сильными сторонами являются универсальность, сохранение внешности при редактировании, поддержка нескольких изображений и специализированные сценарии для портретов, макияжа и графического дизайна. Ограничения README не описывает: сведения о размере модели, точной архитектуре, максимальном контексте, требованиях к оборудованию и сравнительных результатах отсутствуют. Модель распространяется по лицензии Apache-2.0.

Florence-2-DocLayNet-Fixed — визуальная модель, которую разработчик дообучил на базе microsoft/Florence-2-large-ft с использованием датасета DocLayNet-v1.1. Она предназначена для анализа макета документов: находит области вроде подписей, сносок и формул и возвращает их классы и ограничивающие рамки по изображению страницы. В README сообщается об улучшении mAP50-95 на 7% после переименования классов в короткие токены. На тестовом наборе DocLayNet модель достигла 70%, а на подмножестве научных статей — 87%; авторы отмечают, что рамки получаются аккуратнее, чем у сравниваемых YOLO-моделей. Вес опубликован для дальнейшего исследования. Модель принимает изображение и выдаёт текстовое представление предсказаний; репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

GIT-large-TextCaps — модель Microsoft семейства GenerativeImage2Text (GIT), дообученная на наборе TextCaps для создания описаний изображений, содержащих текст. Архитектура представляет собой трансформерный декодер, который получает визуальные токены изображения от CLIP и текстовые токены; размер модели — 80,1 млн параметров, контекст — до 1024 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель генерирует текст по изображению и подходит прежде всего для подписи изображений с чтением видимых надписей, а также для задач описания сцен. В карточке семейства GIT также упомянуты ответы на визуальные вопросы и классификация через генерацию текста, но этот чекпойнт специально дообучен на TextCaps. Модель ориентирована на английский язык. Ограничения включают зависимость качества от читаемости текста и содержания изображения; результаты оценки для данного чекпойнта в карточке не приведены.

GLM-Image — модель генерации изображений от команды zai-org. Она сочетает авторегрессионный генератор на 9 млрд параметров, инициализированный из GLM-4-9B-0414, и диффузионный декодер на 7 млрд параметров на основе одно поточной архитектуры DiT. Модель принимает текстовые описания для генерации изображений, а также изображения для редактирования, переноса стиля, сохранения идентичности объектов и согласованности нескольких персонажей. GLM-Image рассчитана на создание детализированных изображений и особенно хорошо справляется с точным отображением текста и генерацией, требующей предметных знаний и сложного семантического понимания. В карточке указана поддержка китайского и английского языков; для текста, который должен появиться на изображении, рекомендуется использовать кавычки в запросе. Модель распространяется под лицензией MIT. Ограничения: высокая стоимость инференса из-за ограниченных оптимизаций; целевое разрешение должно делиться на 32. Повышенная температура генерации увеличивает разнообразие, но может снижать стабильность результата.

korean_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из изображений из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для эффективного распознавания корейского текста и может использоваться как модуль распознавания в конвейере PP-OCRv5 вместе с обнаружением текста и, при необходимости, коррекцией ориентации и геометрии изображения. Модель принимает изображение строки и выдаёт распознанный текст. В README приведена точность 88,0% на корейском наборе данных; строка считалась ошибочной при любой неверной букве или знаке препинания. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Метаданные также отмечают английский и китайский языки, однако README описывает назначение модели как распознавание корейского.

PaliGemma 2 28B mix 448 — разработанная Google мультимодальная модель зрения и языка на основе SigLIP и языковой модели Gemma 2. Она принимает изображения и текст, а в ответ генерирует текст; вариант 448 предназначен для обработки изображений с разрешением 448 пикселей. Модель поддерживает несколько языков, однако карточка не перечисляет их коды. Модель рассчитана прежде всего на дообучение для задач взаимодействия с изображениями: создания кратких и подробных описаний, ответов на вопросы по изображению, распознавания текста, поиска объектов с координатами и сегментации. Её также можно адаптировать для анализа коротких видео и специализированных сценариев, например вопросов по снимкам дистанционного зондирования или описания элементов интерфейса. Лицензия — Gemma; перед использованием следует учитывать условия лицензии и политику запрещённого использования Gemma. PaliGemma 2 ориентирована на ясные запросы и специализированное дообучение, а не на роль универсального чат-бота: модель не рассчитана на многоходовой диалог, а её результаты без адаптации могут уступать моделям общего назначения. Она может ошибаться в фактах и сложных рассуждениях, а также воспроизводить предвзятость из обучающих данных.

Карточка модели robhowet/SenseNova-U1.5-8B-MoT на Hugging Face совпадает с карточкой developerjeremylive/SenseNova-U1.5-8B-MoT-etheroi, поэтому описание составлено по ней. SenseNova-U1.5-8B-MoT — мультимодальная модель семейства NEO-unify, опубликованная разработчиками SenseNova. Это чекпойнт с 8 млрд параметров для генерации изображений и редактирования изображений по текстовым инструкциям, включая работу с несколькими референсами и управление объектами или областями изображения. Модель поддерживает диалоговый интерфейс; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для создания визуальных материалов, включая плакаты, инфографику и изображения с текстом, а также для локального редактирования, вставки и замены объектов с сохранением остального содержимого. В README заявлены улучшенная генерация в разрешении до 4K, следование сложным инструкциям и управление композицией через рамки и визуальные маркеры. Указаны английский и китайский языки; карточка не приводит длину контекста. Ограничения включают ошибки в мелком или плотном тексте, несовершенное соблюдение точных требований к количеству объектов и компоновке, нестабильные мелкие детали людей и возможное смещение содержимого при сложном многошаговом редактировании. Изображения также могут получаться перенасыщенными или перегруженными деталями.

SenseNova-U1.5-8B-MoT — мультимодальная модель семейства NEO-unify, опубликованная разработчиками SenseNova. Это чекпойнт с 8 млрд параметров для генерации изображений и редактирования изображений по текстовым инструкциям, включая работу с несколькими референсами и управление объектами или областями изображения. Модель поддерживает диалоговый интерфейс; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для создания визуальных материалов, включая плакаты, инфографику и изображения с текстом, а также для локального редактирования, вставки и замены объектов с сохранением остального содержимого. В README заявлены улучшенная генерация в разрешении до 4K, следование сложным инструкциям и управление композицией через рамки и визуальные маркеры. Указаны английский и китайский языки; карточка не приводит длину контекста. Ограничения включают ошибки в мелком или плотном тексте, несовершенное соблюдение точных требований к количеству объектов и компоновке, нестабильные мелкие детали людей и возможное смещение содержимого при сложном многошаговом редактировании. Изображения также могут получаться перенасыщенными или перегруженными деталями.

Tesseract LSTM OCR — GGUF — это набор моделей распознавания текста по отдельным строкам, созданный на основе языковых данных проекта tesseract-ocr/tessdata и преобразованный в формат GGUF для CrispEmbed. Репозиторий содержит варианты для английского, немецкого, французского, испанского, итальянского, португальского, нидерландского, русского, арабского, упрощённого китайского, японского и корейского языков. Модель предназначена для OCR отдельных текстовых строк: изображение строки следует нормализовать и обрезать перед распознаванием. Для полно页ного OCR её можно объединять с детектором текста, например DBNet. Runtime выполняет нормализацию высоты и жадное CTC-декодирование, однако расстановку пробелов между словами и порядок чтения на странице должна обеспечивать внешняя OCR-система. В граф GGUF не входят языковые модели Tesseract DAWG. Для каждого языка доступны варианты F32, F16, Q8_0 и Q4_K: F32 служит эталоном, F16 предназначен для высокоточного развёртывания, Q8_0 рекомендован как компактный вариант, а Q4_K обеспечивает минимальный размер и требует проверки на целевом корпусе. Квантизуются только рекуррентные матрицы, тогда как выходные веса и смещения сохраняются в исходной точности, что помогает сохранить стабильность CTC-решений. Это конвертация и/или квантизация без дополнительного обучения, дообучения или изменения архитектуры и словаря. Лицензия Apache-2.0; при распространении производных необходимо сохранять атрибуцию upstream и исходную контрольную сумму.

VACE-Wan2.1-1.3B-Preview — модель Tongyi Lab для создания и редактирования видео, дообученная на базе Wan2.1-T2V-1.3B. Она объединяет генерацию видео по референсным изображениям, редактирование видео по видео и редактирование с маской. Можно комбинировать сценарии, например перемещать или заменять объекты, анимировать изображения и расширять видео. Модель принимает текстовый запрос и, в зависимости от сценария, видео, маску и изображения; результатом служит видео. В README для этой версии указан ориентир размера ролика около 81 кадра при разрешении 480 × 832; поддерживаются и другие разрешения, но оптимальные результаты ожидаются в заданном диапазоне. Метаданные указывают английский и китайский языки. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

timm/vit_base_patch16_plus_clip_240.laion400m_e31 — модель семейства CLIP с архитектурой ViT-B/16-plus и разрешением изображения 240 пикселей. Она обучена на наборе LAION-400M и доступна для использования через open_clip и timm. Модель сопоставляет изображения и текстовые описания, поэтому подходит для классификации изображений по текстовым меткам без отдельного дообучения на этих метках. Модель принимает изображения и текстовые варианты классов, а для классификации оценивает их соответствие. Веса опубликованы в форматах PyTorch и safetensors; лицензия — MIT. Карточка не приводит подробностей об ограничениях точности, языковом охвате или длине контекста.

ViT-L-14-CLIPA-datacomp1B — контрастивная модель семейства CLIP для сопоставления изображений и текста и классификации изображений без предварительного обучения на заданных классах. Модель разработана в рамках проекта CLIPA-v2; в карточке указано обучение на датасете DataComp-1B. Архитектура ViT-L-14 объединяет визуальный энкодер Vision Transformer и текстовый энкодер CLIP. Для запуска подходит библиотека OpenCLIP, веса доступны в форматах PyTorch и safetensors. Модель предназначена для классификации изображений по текстовым описаниям классов и оценки соответствия изображения тексту. Она применима, например, для категоризации изображений по произвольным спискам меток и поиска изображений по текстовым запросам. Карточка сообщает об оценке CLIPA-v2 на ImageNet, но не приводит отдельные результаты именно этой конфигурации. Указанная лицензия — Apache-2.0; языки текста и длина контекста в предоставленных данных не описаны.

Zen Image Edit — модель генерации и редактирования изображений, созданная AiArtLab на основе Qwen-Image-2.1. Она работает через конвейер Diffusers и принимает текстовые инструкции вместе с исходными изображениями и референсами: первое изображение предназначено для редактирования, последующие используются как референсы. Модель также поддерживает генерацию изображений с прозрачностью RGBA. Вместо исходного текстового энкодера Qwen3-VL-8B используется Qwen3.5-0.8B с 158-миллионным адаптером слияния текста и изображения внутри DiT-трансформера. В комплект также входит дообученный декодер VAE, уменьшающий регулярный двухпиксельный узор на выходных изображениях. Для редактирования предусмотрена передача нескольких изображений; README приводит примеры генерации при разрешении 1024 пикселя и указывает, что размер холста зависит от последнего изображения, если явно не задать ширину и высоту. Модель ориентирована на текстовое создание изображений, редактирование персонажей и сцен, а также перенос визуальных признаков с референсов. README сообщает, что адаптер обучался и проверялся только на английском языке; надписи с числами могут генерироваться неверно, а сходство с нетекстовыми фото референсами ограничено возможностями исходного энкодера. При пакетной обработке более одного изображения на разрешении 1024 пикселя пиковое потребление памяти достигает примерно 28 ГБ. Модель распространяется на условиях Qwen Research License Agreement; энкодер Qwen3.5-0.8B — по Apache License 2.0.

Bernini-R-1.3B-bf16 — порт рендерера Bernini от ByteDance в формате MLX, подготовленный mlx-community для запуска на Apple Silicon. Это генератор и редактор видео на основе архитектуры Wan2.1-T2V-1.3B: модель содержит один эксперт и использует Segment-Aware 3D RoPE для работы с несколькими эталонными изображениями и задачами редактирования. Вариант bf16 занимает 2,6 ГБ для трансформера; общие компоненты Wan2.1 — VAE и текстовый энкодер UMT5 — требуют ещё около 11,1 ГБ. Модель поддерживает генерацию видео по текстовому запросу, создание видео с заданным объектом по референсным изображениям и редактирование исходного видео по запросу. Также заявлены преобразование текста в изображение, перенос стиля, удаление субтитров и водяных знаков и локальное редактирование; на простых задачах малый вариант, по описанию проекта, близок к версии 14B. Порт использует только текстовое обусловливание UMT5: семантический планировщик Qwen2.5-VL-7B, описанный в статье, не входит в выпуск. Модель основана на Wan2.1-T2V-1.3B и преобразована из исходной версии ByteDance в bf16. Лицензия — Apache-2.0. Запуск рассчитан на Apple Silicon через MLX и mlx-video; опубликованная проверка проведена на CPU-потоке, поэтому качество и производительность на конкретном устройстве могут отличаться.

Bernini-R-1.3B-int4 — это 4-битная версия модели-видеогенератора Bernini Renderer от ByteDance, подготовленная сообществом mlx-community для запуска на Apple Silicon через MLX. Модель основана на Wan2.1-T2V-1.3B и предназначена для генерации и редактирования видео по тексту, изображению или исходному видео. Архитектура включает один экспертный блок Transformer на 1,3 млрд параметров; веса трансформера квантизированы до int4 с группами по 64, а общие компоненты VAE и UMT5 оставлены без квантизации. Модель поддерживает генерацию видео по текстовому запросу, создание видео с объектом по нескольким референсным изображениям, а также редактирование исходного видео по текстовой инструкции. Малый вариант рассчитан на экономичный запуск и, по описанию, близок к версии 14B на простых задачах вроде переноса стиля, удаления субтитров и водяных знаков и локального редактирования. Доступен только Renderer: семантический планировщик на Qwen2.5-VL-7B не выпущен, поэтому здесь используется только текстовое кондиционирование UMT5. Лицензия — Apache-2.0.

Boogu/Boogu-Image-0.1-Edit — вариант семейства Boogu-Image-0.1 для редактирования изображений, разработанный командой Boogu и распространяемый в формате Diffusers с весами Safetensors. Модель принимает изображение и текстовую инструкцию и предназначена для вставки, замены и удаления объектов, изменения атрибутов и материалов, замены фона и переноса художественного стиля. Также заявлено точечное редактирование китайского и английского текста внутри изображения. Модель относится к семейству генерации и редактирования изображений; README указывает на использование FLUX.1 VAE. Поддерживаемые языки интерфейса и карточки — английский и китайский. Лицензия — Apache-2.0. README обозначает проект как исследовательский и предупреждает, что это не официальный релиз модели. Среди ограничений — нестабильное сохранение идентичности объекта, композиции и мелких деталей при редактировании; длинный или мелкий текст может содержать ошибки и смещение макета. В сложных позах возможны артефакты анатомии, а небольшие лица и конечности могут терять детализацию. Модель отстаёт в сценариях, требующих обширных знаний о мире и сложного контекстного понимания.

CamSFT-8B — мультимодальная модель для понимания движения камеры в видео, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. На вход она принимает видео и выдаёт структурированный JSON с сегментами движения камеры: временными интервалами, типом, направлением и скоростью базового движения, а также специальными приёмами съёмки. Модель предназначена для анализа видеоматериалов и временной разметки операторских движений. Для воспроизведения результатов статьи нужны рекомендованные в проекте CamDistill промпт и параметры обработки видео, включая частоту кадров, максимальное число кадров и разрешение. Модель распространяется по лицензии Apache-2.0.

Это конверсия CLIP ViT-B/32 от OpenAI для библиотеки Keras 3, подготовленная командой zeromodels. Модель использует два энкодера — изображений и текста — обученных сопоставлять пары «изображение — подпись» в общем пространстве эмбеддингов. Репозиторий содержит версию в формате TensorFlow; реализация Keras может работать с TensorFlow, Torch и JAX. Модель предназначена для классификации изображений по текстовым запросам без дообучения: при выводе ей передают изображения и текстовые подсказки, между которыми она оценивает соответствие. Архитектура также поддерживает поиск изображений по тексту и получение эмбеддингов изображений и текста. Лицензия — MIT. Качество результатов зависит от формулировок текстовых подсказок и соответствия изображений данным обучения. Модель сопоставляет изображения с текстом, поэтому не заменяет специализированный детектор объектов или систему распознавания текста на изображениях.

EVA02-Large-CLIP — модель сопоставления изображений и текста, опубликованная командой PyTorch Image Models (timm) и доступная через OpenCLIP. Она предназначена для классификации изображений без специального дообучения: модель сравнивает изображение с текстовыми описаниями категорий и оценивает соответствие. Архитектура относится к семейству EVA-02 и CLIP; вариант рассчитан на изображения 224×224 пикселя и использует патч 14×14. Входы — изображения и текст, выходы — оценки сходства, пригодные для ранжирования вариантов или выбора метки. Модель имеет лицензию MIT. Её результат зависит от формулировки текстовых меток и охвата обучающих данных; это не универсальный распознаватель объектов и он может ошибаться на необычных доменах или тонких различиях между категориями.

Карточка модели Jinstudio/GLM-Image на Hugging Face совпадает с карточкой zai-org/GLM-Image, поэтому описание составлено по ней. GLM-Image — модель генерации изображений от команды zai-org. Она сочетает авторегрессионный генератор на 9 млрд параметров, инициализированный из GLM-4-9B-0414, и диффузионный декодер на 7 млрд параметров на основе одно поточной архитектуры DiT. Модель принимает текстовые описания для генерации изображений, а также изображения для редактирования, переноса стиля, сохранения идентичности объектов и согласованности нескольких персонажей. GLM-Image рассчитана на создание детализированных изображений и особенно хорошо справляется с точным отображением текста и генерацией, требующей предметных знаний и сложного семантического понимания. В карточке указана поддержка китайского и английского языков; для текста, который должен появиться на изображении, рекомендуется использовать кавычки в запросе. Модель распространяется под лицензией MIT. Ограничения: высокая стоимость инференса из-за ограниченных оптимизаций; целевое разрешение должно делиться на 32. Повышенная температура генерации увеличивает разнообразие, но может снижать стабильность результата.

HiDream-O1-Image — модель генерации и редактирования изображений от HiDream, построенная на Pixel-level Unified Transformer (UiT). Она обрабатывает текст и пиксели в общем пространстве токенов, без внешнего VAE и отдельного текстового энкодера. В карточке семейства указана версия на 8 млрд параметров; модель создаёт изображения напрямую с разрешением до 2048 × 2048. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображения по инструкции, персонализации с сохранением заданного персонажа или объекта, управления композицией и создания раскадровок. Встроенный агент рассуждений помогает уточнять требования к композиции и надписям; заявлена поддержка длинного текста и многоязычных надписей на изображениях. Метаданные классифицируют модель как image-text-to-image. В README описаны полная и дистиллированная Dev-версии; результаты и характеристики могут различаться между ними. Для запуска требуется GPU с поддержкой CUDA; авторы отмечают проблему с PyTorch 2.9.x и рекомендуют полную версию для редактирования. Репозиторий модели распространяется по лицензии MIT.