I.8Изображения и компьютерное зрение

Карточка модели ganbatteyo/Hunyuan3D-1 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-1, поэтому описание составлено по ней. Hunyuan3D-1.0 — модель Tencent для генерации 3D-объектов по изображению или текстовому запросу. Она использует двухэтапную схему: сначала диффузионная модель создаёт изображения объекта с нескольких ракурсов, затем сеть реконструкции восстанавливает по ним 3D-структуру. Доступны lite- и standard-версии, а также модель реконструкции sparse-view; стандартная версия примерно втрое больше lite-версии по числу параметров. Модель предназначена для быстрого создания 3D-ассетов и поддержки рабочих процессов художников. По README, генерация меша из одного изображения занимает около 10 секунд для lite-версии и 25 секунд для standard на NVIDIA A100. Для текстовой генерации поддерживаются английский и китайский языки. В метаданных указан формат safetensors и библиотека hunyuan3d-2. Лицензия обозначена как other; конкретные условия следует сверить с лицензией репозитория.

latin_PP-OCRv3_mobile_rec — модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR. Это специализированная латинская версия, дообученная на основе PP-OCRv3_mobile_rec; она принимает изображения строк и возвращает распознанный текст. Модель предназначена для распознавания латинских надписей и может использоваться как модуль распознавания в конвейере OCR вместе с обнаружением текста и другими модулями обработки изображений. Модель рассчитана на латинский алфавит; метаданные также отмечают английский и китайский языки. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Она распознаёт текстовые строки, но сама по себе не выполняет полный цикл OCR: для извлечения текста из произвольного изображения обычно требуется отдельное обнаружение строк. Оценки точности в предоставленном README опущены.

LongCat-Image-Edit-Turbo — дистиллированная версия модели LongCat-Image-Edit для редактирования изображений. Она предназначена для преобразования входного изображения по текстовому запросу и выполняет генерацию за 8 вызовов модели, что снижает задержку вывода. Модель особенно поддерживает добавление текста на изображение: целевой текст следует заключать в одинарные или двойные кавычки, в том числе в китайском стиле кавычек. В карточке указаны форматы Diffusers и Safetensors и лицензия Apache-2.0.

Distilled MetaCLIP 2 ViT-S/16 (384px) worldwide — мультиязычная модель семейства MetaCLIP 2 от Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-384-worldwide оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах. Модель принимает изображения и текстовые метки классов, сопоставляет их и позволяет выбирать наиболее подходящие описания. Архитектура — MetaClip2Model; файлы представлены в формате safetensors и доступны для использования через Transformers. Карточка отмечает модель как мультиязычную, но не приводит конкретный перечень языков. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Это конвертация модели nomic-ai/nomic-embed-vision-v1.5 в формат GGUF для CrispEmbed. Модель преобразует изображения в 768-мерные L2-нормализованные эмбеддинги, совместимые с пространством эмбеддингов nomic-embed-text-v1.5, что позволяет искать изображения по текстовым запросам. Репозиторий содержит варианты GGUF в точности F16 и F32. Для сопоставления с текстовыми эмбеддингами README описывает дополнительную нормализацию LayerNorm без обучаемых параметров перед L2-нормализацией. По карточке заявлено совпадение результатов с Transformers на проверочных изображениях. Модель распространяется по лицензии Apache-2.0 с атрибуцией Nomic AI.

PaliGemma 2 10B — мультимодальная модель Google на основе компонентов SigLIP и Gemma 2. Она принимает изображения размером до 896 × 896 пикселей и текстовые последовательности до 512 токенов, а на выходе генерирует текст. Модель поддерживает несколько языков; конкретные языки в карточке не перечислены. Это базовая предварительно обученная модель, предназначенная прежде всего для дообучения под задачи компьютерного зрения и языка: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Веса представлены в формате bfloat16 для дообучения; для данного репозитория указана библиотека Transformers и формат safetensors. Без дообучения результаты на специализированных задачах могут быть слабее, чем у моделей, настроенных для них, а модель рассчитана на один раунд ввода, а не на многоходовый диалог. Она может ошибаться в фактах, рассуждениях и понимании языковых нюансов. Использование регулируется условиями Gemma; перед применением следует учитывать политику запрещённых способов использования Gemma.

PaliGemma 2 3B Mix 448 — мультимодальная модель Google для работы с изображениями и текстом. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma 2 и принимает изображение вместе с текстовым запросом, выдавая текст. Версия Mix поддерживает несколько языков; вариант 448 рассчитан на изображения с разрешением 448 пикселей. Модель предназначена прежде всего для дообучения под задачи понимания изображений: создания подписей и описаний, визуальных вопросов и ответов, чтения текста на изображении, обнаружения объектов с координатами и сегментации. Также она может описывать короткие видео и служить основой для специализированных решений, например вопросов по спутниковым снимкам или интерфейсам. PaliGemma 2 лучше работает с чёткими запросами и задачами, заданными шаблонами. Это предварительно обученная модель, поэтому её результаты без дообучения на специализированных задачах могут уступать моделям общего назначения; она не является многоходовым чат-ботом и может ошибаться в фактах, сложных рассуждениях и интерпретации нюансов. Модель распространяется по лицензии Gemma с ограничениями, изложенными в политике допустимого использования Gemma.

SenseNova-U1.5-8B-MoT-Preview — предварительная версия унифицированной мультимодальной модели SenseNova на архитектуре NEO-unify с классом NEOChatModel. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений по инструкциям, включая работу с несколькими референсами, масками, ограничивающими рамками и визуальными маркерами. Заявлены создание изображений в разрешении до 4K, улучшенная передача текстур, материалов и освещения, а также генерация сложных композиций и текста на китайском и английском языках. Модель поддерживает текстовые диалоговые сценарии и интерфейс вызова инструментов, а веса доступны в формате safetensors. Карточка описывает её как preview-релиз: короткие и недостаточно точные запросы могут приводить к лишнему тексту на изображении, ошибки возникают в мелком и плотном тексте и сложных макетах, а детализированные изображения людей и многоэтапное редактирование могут быть нестабильными. Лицензия — Apache-2.0.

Это конверсия SigLIP 2 от zeromodels в формат Keras 3 на основе google/siglip2-base-patch16-256. Модель предназначена для классификации изображений по текстовым подсказкам без отдельного обучения на заданных классах: на вход подаются изображения и текстовые описания классов, а на выходе — оценки соответствия изображения каждому описанию. SigLIP 2 использует визуально-языковой энкодер с sigmoid loss; при предобучении применялись генерация описаний, самодистилляция и masked prediction. Текстовая часть использует многоязычный словарь Gemma размером 256 тысяч токенов. Реализация Keras 3 работает с TensorFlow, Torch и JAX; для выбора размера изображения и токенизатора рекомендуется соответствующий Processor. Лицензия — Apache 2.0.

Модель timm/ViT-SO400M-14-SigLIP2 — контрастивная модель «изображение—текст» семейства SigLIP 2, обученная на наборе WebLI и подготовленная timm для использования в OpenCLIP. Она предназначена для классификации изображений без специального обучения на каждом наборе классов: модель сопоставляет изображение с текстовыми описаниями возможных категорий и оценивает их соответствие. Архитектура — vision-language encoder с визуальной частью ViT; модель использует формат PyTorch и веса safetensors. Модель подходит для поиска изображений по текстовым категориям и построения классификаторов с произвольными метками. SigLIP 2 описана как мультиязычное семейство, однако карточка этой конкретной версии не уточняет поддерживаемые языки. Лицензия — Apache-2.0.

p1atdev представляет конвертированную в формат библиотеки Transformers версию WD SwinV2 Tagger v3 от SmilingWolf. Это модель классификации изображений на архитектуре SwinV2 с 58,7 млн параметров, которая автоматически присваивает изображениям рейтинговые, персонажные и общие теги, включая метки для каталогизации изображений Danbooru. Репозиторий содержит веса Safetensors и ONNX и распространяется по лицензии Apache-2.0. Для ускорения можно использовать вариант через 🤗 Optimum: в README заявлены примерно на 30% более высокая скорость и на 50% меньший размер модели по сравнению с вариантом Transformers, при небольшом снижении точности. Модель предназначена для присвоения тегов изображениям; README приводит примеры рейтинговых меток general и sensitive, а также тегов персонажей. Она не генерирует описания изображений.

Карточка модели Onelove21/animate на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

arabic_PP-OCRv3_mobile_rec — компактная модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR на основе PP-OCRv3_mobile_rec и обученная для распознавания арабского алфавита. Она принимает изображение с текстовой строкой и возвращает распознанный текст; модель предназначена для использования как модуль распознавания в OCR-сценариях на базе PaddleOCR. Модель подходит для извлечения текста из изображений, когда строки уже выделены или их выделяет отдельный модуль обнаружения текста. Полный конвейер PP-OCRv3 может дополнительно выполнять коррекцию ориентации и деформации изображения, обнаружение строк и распознавание. В карточке приведены метрики точности, где строка считается ошибочной при неправильном распознавании любого символа, включая пунктуацию. Модель распространяется по лицензии Apache-2.0 и использует библиотеку PaddleOCR. Доступные сведения указывают на поддержку арабского алфавита; компактная мобильная версия предназначена для распознавания строк, а не для полного OCR-конвейера сама по себе.

CLIP ViT-B/16 — мультимодальная модель сопоставления изображений и текста, обученная Mehdi Cherti с помощью OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. Репозиторий распространяет веса в форматах PyTorch и safetensors; в карточке указана лицензия MIT. Модель предназначена для классификации изображений по произвольным текстовым меткам без дополнительного обучения, а также для поиска изображений по тексту и поиска текстов по изображению. Её можно применять в исследованиях и как основу для дальнейшей адаптации задач компьютерного зрения. В README указана точность zero-shot top-1 70,2% на ImageNet-1k. Модель рассчитана на англоязычные запросы: она не обучалась и не оценивалась целенаправленно на других языках. Авторы не рекомендуют развёртывание и неконтролируемое применение без тщательной проверки на конкретной таксономии; распознавание лиц и наблюдение отнесены к недопустимым сценариям. Обучающие данные собраны из интернета без полной фильтрации и могут содержать вредоносный или неприятный контент.

Репозиторий philschmid/clip-zero-shot-image-classification — форк openai/clip-vit-base-patch32, настроенный для задачи классификации изображений без предварительного обучения на заданных классах. Он предназначен для вызова через Hugging Face Inference Endpoints: запрос содержит изображение в Base64 и список текстовых кандидатов, а модель определяет соответствие изображения этим описаниям. В основе лежит архитектура CLIP; в метаданных указан формат PyTorch. README не сообщает размер модели, длину контекста или языковые ограничения. Лицензия в предоставленных данных не указана.

EGM-8B — мультимодальная модель семейства Efficient Visual Grounding Language Models, разработанная NVIDIA на базе Qwen3-VL-8B-Thinking. Она предназначена прежде всего для визуального поиска объектов по текстовым описаниям: модель анализирует изображение и связывает выражение с нужной областью. Модель дообучена в два этапа — с помощью supervised fine-tuning и reinforcement learning с GRPO. Модель использует архитектуру Qwen3VLForConditionalGeneration и принимает изображения вместе с текстовыми запросами, выдавая текстовый ответ с визуальной привязкой. В RefCOCO карточка сообщает средний IoU 91,4; результат выше показателя базовой модели и приведённых крупных моделей Qwen3-VL. Лицензия — Apache-2.0. Заявленные результаты относятся к бенчмарку RefCOCO; карточка не описывает качество на других задачах и наборах данных.

PromeAI FLUX.1-controlnet-lineart-promeai — модель ControlNet, разработанная PromeAI на базе black-forest-labs/FLUX.1-dev. Она предназначена для генерации изображений по текстовому описанию с управлением композицией и формами через входное изображение с линейным рисунком или lineart-условием. Модель интегрируется с библиотекой Diffusers и может использоваться через ComfyUI. Архитектурно это набор весов ControlNet для FLUX.1-dev. В README не указаны точный размер модели, поддерживаемые языки и максимальная длина контекста; по приведённому примеру модель работает с текстовыми промптами на английском языке. Для запуска рекомендуется использовать torch_dtype=torch.bfloat16, GPU и примерно 28 шагов генерации; пример рассчитан на видеопамять уровня A100 80 ГБ. Обучение проводилось на одной A100-80G на отобранном проприетарном наборе реальных изображений: сначала с разрешением 512 и batch size 3, затем с разрешением 1024 и batch size 1; checkpoint на 14 000 шагов обучался около трёх дней. Сильная сторона модели — возможность сохранять структуру и контуры исходного lineart-изображения при создании детализированной сцены по текстовому описанию. Ограничения включают возможное несоответствие результата промпту, зависимость качества от стиля формулировки запроса и усиление существующих социальных предубеждений. Модель не предназначена для предоставления фактической информации. Лицензия в README не указана.

FLUX.2 [klein] 9B Base — генеративная модель Black Forest Labs для создания и редактирования изображений. Она преобразует текстовые описания в изображения и поддерживает редактирование с несколькими референсными изображениями, поэтому предназначена для text-to-image и image-to-image сценариев, включая создание визуального контента и интерактивное редактирование. Модель построена на архитектуре rectified flow transformer и содержит около 9 миллиардов параметров. Данная версия представляет собой FP8-квантованный вариант весов; основная версия доступна в формате BF16. В карточке указаны поддержка английского языка и интеграция с библиотекой Diffusers. Для работы требуется около 29 ГБ VRAM; заявлена доступность на NVIDIA RTX 4090 и более производительных видеокартах. Ограничения включают возможное несоответствие результата запросу, зависимость качества следования промпту от стиля формулировки, искажения или ошибки в отображаемом тексте, а также возможное воспроизведение предвзятостей из обучающих данных. Модель не предназначена для предоставления фактической информации и не должна использоваться для незаконных, вредоносных, обманных или высокорисковых сценариев, включая полностью автоматизированные решения, затрагивающие юридические права. Модель распространяется по лицензии FLUX Non-Commercial License, допускающей некоммерческое использование; применение фильтров или ручной проверки входных и выходных данных является обязательным согласно условиям лицензии.

OmniWeaving — модель генерации и редактирования видео, разработанная командой Tencent Hunyuan совместно с исследователями Zhejiang University и Nanyang Technological University. Она построена на базе HunyuanVideo-1.5 и сочетает мультимодальную языковую модель для интерпретации запросов, MMDiT для генерации и VAE для работы с визуальными данными. В каталоге Hugging Face представлены веса safetensors; лицензия указана как other. Модель предназначена для создания видео по тексту и изображениям, интерполяции между ключевыми кадрами и редактирования существующего видео по текстовой инструкции. Она принимает комбинированные текстовые, графические и видеовходы, связывает их во времени и может использовать режим рассуждения для уточнения намерения пользователя перед генерацией. В README заявлена высокая точность композиции и сильные результаты на предложенном бенчмарке IntelligentVBench. Для запуска требуются зависимости HunyuanVideo-1.5 и значительные вычислительные ресурсы: README описывает настройки для случаев нехватки GPU- и CPU-памяти. Конкретные размер модели, длина контекста и языковая поддержка в предоставленных источниках не приведены. Лицензия обозначена как other, поэтому условия использования следует проверить в файлах лицензии репозитория.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-1024 на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Distilled MetaCLIP 2 ViT-M/16 с входным разрешением 384 пикселя — мультимодальная модель Meta для классификации изображений без обучения на заданных классах. Этот чекпойнт соответствует варианту ViT-M-16-384-worldwide из оригинальной реализации и представлен в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Модель сопоставляет изображения с текстовыми описаниями классов, чтобы выбрать наиболее подходящие метки. Модель предназначена для мультиязычной классификации изображений по пользовательским текстовым категориям. Её можно применять для поиска изображений по смыслу и быстрой разметки наборов изображений без отдельного обучения под каждый набор классов. Репозиторий содержит веса в формате safetensors; карточка демонстрирует использование через Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства при соблюдении некоммерческих условий. Карточка не сообщает размер модели и длину контекста; производительность на конкретных наборах данных и языках требует отдельной проверки.

Карточка модели wazimondo/Qwen-Image-2.1-viggle-turbo на Hugging Face совпадает с карточкой Viggle/Qwen-Image-2.1-viggle-turbo, поэтому описание составлено по ней. Qwen-Image-2.1-viggle-turbo — LoRA-адаптер, обученный Viggle на основе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсных изображений. Версия v0.2.1 использует адаптер ранга 256 в формате bf16 и рассчитана на 6 проходов трансформера без classifier-free guidance; также доступен вариант ранга 128. По заявлению разработчика, генерация примерно в пять раз быстрее базовой модели с 40 шагами, при этом качество на большинстве проверенных примеров сопоставимо. Адаптер рассчитан на работу поверх базового трансформера Qwen-Image-2.1 через Diffusers; в репозитории также приведены workflows для ComfyUI. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. Ограничения заметнее при рендеринге мелкого плотного текста и сложном редактировании, включая композицию по нескольким референсам, замену лиц, сохранение идентичности и инструкции с множеством ограничений; в этих случаях базовая модель может справляться лучше. Для ComfyUI автор предупреждает о возможных шероховатостях интеграции.

RefControl FLUX.2 Klein 4B Reference Depth LoRA — адаптер LoRA для базовой модели black-forest-labs/FLUX.2-klein-base-4B, разработанный пользователем или организацией thedeoxen. Он предназначен для image-to-image генерации и редактирования изображений: объединяет референсное изображение с картой глубины, сохраняя идентичность и стиль объекта или персонажа из референса и перенося его в позу, композицию или сцену, заданную картой глубины. Модель ориентирована прежде всего на людей, но также поддерживает объекты и стилизованных персонажей; возможные сценарии включают портреты в разных позах, согласованный дизайн персонажей, трансформацию объектов, раскадровки, комиксы и генерацию кадров для анимации. Это специализированная LoRA для FLUX.2 Klein Base 4B, используемая через библиотеку Diffusers или совместимые workflow, включая ComfyUI. Для работы требуется референсное изображение, карта глубины и текстовый триггер refcontrol; рекомендуемый вес LoRA составляет 0,8–1,0. Лучшие результаты ожидаются при близких пропорциях и масштабе референса и карты глубины. Адаптер может сочетаться с другими совместимыми LoRA семейства RefControl, однако README не содержит сведений о точной архитектуре адаптера, размере его параметров, поддерживаемых языках или максимальной длине контекста. Для базовой недистиллированной модели указаны ориентиры около 50 шагов инференса и guidance_scale около 4,0. Сильная сторона модели — контролируемое сочетание сохранения внешнего вида и идентичности с управлением позой и пространственной структурой через глубину. Ограничения включают чувствительность к сильным различиям масштаба и пропорций между входами, а также то, что обучение в основном проводилось на людях. Модель распространяется по лицензии Apache-2.0.

zeromodels/siglip2_so400m_p14_224 — конверсия модели SigLIP 2 Google в формат Keras 3 для библиотеки zeromodels. Это мультимодальная модель нулевой классификации изображений: при инференсе она сопоставляет изображение или изображения с текстовыми подсказками и оценивает, какие из них лучше соответствуют содержимому. Реализация работает с TensorFlow, PyTorch и JAX. Модель основана на google/siglip2-so400m-patch14-224. SigLIP 2 использует мультиязычный словарь Gemma на 256 тысяч токенов; предварительное обучение включает обучение по подписям, самодистилляцию и предсказание маскированных областей для улучшения семантических и плотных визуальных признаков. Для загрузки рекомендован соответствующий Processor, чтобы согласовать размер изображений и токенизатор. Модель подходит для классификации изображений по заданным текстовым меткам и сопоставления изображений с текстовыми описаниями. В репозитории указана лицензия Apache 2.0. Конкретные показатели качества и контекстные ограничения в предоставленных данных не приведены.

th_PP-OCRv5_mobile_rec — компактная модель распознавания строк текста из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения тайского текста из изображений и может использоваться как модуль распознавания в конвейере OCR, включающем обнаружение текста и, при необходимости, коррекцию ориентации и геометрических искажений. Для модели указана точность распознавания строк 82,68%; строка считается распознанной неверно, если ошибочен хотя бы один символ или знак пунктуации. Модель принимает изображения текстовых строк и выдаёт распознанный текст. Репозиторий предназначен для использования с библиотекой PaddleOCR; лицензия — Apache-2.0. В README не приведены дополнительные ограничения по качеству или условия использования.

VelaVec-T2I — компактная гибридная модель для поиска изображений по тексту, разработанная автором репозитория xagent2025. Текстовая часть содержит 9,8 млн параметров: замороженную таблицу представлений размером 30 522 × 256, три двунаправленных блока внимания и два слоя пулинга. Дополнительная проекционная голова переводит признаки изображений CLIP в пространство текстовых эмбеддингов VelaVec, поддерживая поиск в обоих направлениях; модель оптимизирована прежде всего для поиска изображений по тексту. В тесте на Flickr30k автор сообщает Recall@1 0,560 для поиска изображения по подписи и 0,619 для поиска подписи по изображению. Обучение проекционной головы проводилось на Flickr30k с контрастивной функцией InfoNCE. Для обработки изображений при инференсе требуются PyTorch, Transformers и признаки двух моделей CLIP — openai/clip-vit-base-patch32 и openai/clip-vit-large-patch14; их веса не включены в репозиторий. Лицензия — MIT.

timm/ViT-SO400M-16-SigLIP2-512 — преобразованная для OpenCLIP модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI. Исходные контрольные точки JAX из Big Vision были конвертированы для использования с OpenCLIP; модель использует контрастивное сопоставление изображений и текста и предназначена для классификации изображений без дополнительного обучения по текстовым описаниям классов. Модель подходит для поиска изображений по текстовым меткам и для классификации с произвольным набором категорий. Карточка указывает многоязычную направленность SigLIP 2, но конкретные поддерживаемые языки и размер модели здесь не приведены. Репозиторий содержит веса PyTorch и Safetensors, библиотека — OpenCLIP. Лицензия — Apache-2.0.

Карточка модели servantofares/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

FLUX.2 [klein] 4B Base — генеративная модель Black Forest Labs для создания и редактирования изображений. Она предназначена для генерации изображений по текстовым описаниям, а также для редактирования с использованием нескольких референсных изображений. Модель поддерживает сценарии text-to-image и image-to-image и поставляется в данном репозитории в формате FP8. Модель построена на архитектуре rectified flow transformer и содержит около 4 миллиардов параметров. Она работает с текстовыми и визуальными входными данными; заявленный язык — английский. Размер контекста и другие параметры контекстного окна в карточке не указаны. Версия FP8 требует около 13 ГБ видеопамяти и доступна на видеокартах NVIDIA уровня RTX 3090/4070 и выше. Сильными сторонами модели являются поддержка генерации изображений и многореференсного редактирования при сравнительно умеренных аппаратных требованиях. Ограничения включают возможные ошибки следования запросу, зависимость результата от стиля формулировки промпта и искажения при генерации текста внутри изображений. Модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать смещения из обучающих данных. Модель распространяется по лицензии Apache 2.0. Запрещено использовать её и производные модели для незаконных, вредоносных, мошеннических, дискриминационных или связанных с эксплуатацией несовершеннолетних сценариев, создания несогласованных интимных изображений, причинения вреда через персональные данные и полностью автоматизированного принятия решений в областях высокого риска.

HunyuanImage-2.1 — модель генерации изображений по тексту, разработанная Tencent. Она предназначена для создания детализированных изображений высокого разрешения, включая 2K, по запросам на английском и китайском языках. Модель использует диффузионный трансформер с одно- и двухпоточной архитектурой и 17 млрд параметров, два текстовых энкодера, VAE со сжатием 32× и этап доработки изображений. Модуль PromptEnhancer может автоматически расширять запросы, а обучение с обратной связью от людей и дистилляция MeanFlow направлены на повышение качества и эффективности генерации. Модель рассчитана на разные композиции и соотношения сторон, точную передачу деталей сцен и генерацию текста внутри изображений. В README указана поддержка английских и китайских запросов. Рекомендуется использовать полный конвейер с улучшением запроса и доработкой изображения; генерация в разрешении 1K может приводить к артефактам. Репозиторий использует лицензию с меткой other, конкретные условия которой следует проверять в лицензии проекта.