I.8Изображения и компьютерное зрение

Würstchen — диффузионная модель генерации и изменения изображений по текстовым запросам, разработанная Pablo Pernias и Dominic Rampas. Она использует фиксированный предварительно обученный текстовый энкодер CLIP ViT-bigG/14 и работает в сильно сжатом латентном пространстве изображений. Архитектура включает двухэтапное сжатие: Stage A на основе VQGAN и Stage B на основе Diffusion Autoencoder; Stage C генерирует латентные представления. Пространственное сжатие достигает 42 раз, что снижает вычислительные затраты при обучении и генерации. Модель рассчитана на создание и изменение изображений по англоязычным промптам. Она обучалась на разрешениях от 1024×1024 до 1536×1536; README также сообщает о хороших результатах при 1024×2048. Для запуска этого декодера требуется совместный prior. Лицензия — MIT. Восстановление из латентного пространства с потерями: Stage B может упускать детали, особенно на лицах и руках.

Boogu-Image-0.1-Edit-Turbo — вариант семейства моделей Boogu-Image-0.1, разработанный командой Boogu для быстрого редактирования изображений. Это унифицированная модель генерации и редактирования изображений; карточка описывает вставку, замену и удаление объектов, изменение атрибутов и материалов, замену фона и перенос художественного стиля. Для работы используется библиотека Diffusers, веса представлены в формате safetensors. Модель рассчитана на текстовые запросы на английском и китайском языках и входные изображения. Модель предназначена для творческого редактирования фотографий, изображений с текстом, постеров и предметных визуализаций. Лицензия — Apache-2.0. README обозначает проект как исследовательский и предупреждает, что это не официальный релиз модели. Среди ограничений — нестабильное сохранение идентичности, композиции и мелких деталей при редактировании. Длинный текст, мелкий шрифт и сложная вёрстка могут содержать ошибки; тела в сложных позах и мелкие лица или конечности также могут выглядеть неестественно.

FastWan2.1-T2V-1.3B-Diffusers — модель FastVideo Team для генерации видео по текстовому описанию. Она дообучена на основе Wan-AI/Wan2.1-T2V-1.3B-Diffusers с применением стратегии Sparse-distill, объединяющей DMD-дистилляцию и разреженное внимание. Модель поддерживает трёхшаговый вывод и обучена на видео размером 61×448×832. На H100 заявлена скорость до 16 кадров в секунду; доступны варианты запуска на разных GPU, включая RTX 4090, а также на Mac. Можно запрашивать другие разрешения, но качество при этом может снижаться. Для работы с репозиторием используются Diffusers и формат safetensors. Лицензия — Apache-2.0.

Карточка модели 1c1/fg_hg на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

FLUX.2 [klein] 4B NVFP4 — модель генерации и редактирования изображений от Black Forest Labs. Это 4-миллиардная rectified flow transformer, сжатая до формата NVFP4; репозиторий содержит эту версию весов, а полновесная модель выпущена отдельно. Модель создаёт изображения по текстовому описанию и поддерживает редактирование с несколькими референсными изображениями. Модель предназначена для генерации изображений по промптам и преобразования изображений с учётом текстовых инструкций и нескольких визуальных образцов. Карточка указывает английский язык; текст, встроенный в изображения, может отображаться неточно. Для запуска требуется около 13 ГБ видеопамяти, например на NVIDIA RTX 3090 или RTX 4070 и выше. Модель может не следовать запросу, а результат зависит от формулировки промпта. Она не предназначена для получения фактической информации и может отражать предвзятости обучающих данных. Лицензия — Apache 2.0; карточка также описывает ограничения на отдельные виды использования.

FLUX.2 [klein] 9B — модель Black Forest Labs на основе 9-миллиардного rectified flow transformer с текстовым энкодером Qwen3 на 8 млрд параметров. Это компактная дистиллированная модель генерации и редактирования изображений: она создаёт изображения по текстовым описаниям и редактирует их с использованием одного или нескольких референсов. Дистилляция рассчитана на четыре шага инференса, что позволяет использовать модель для быстрых генеративных функций в приложениях и творческого перебора вариантов. Модель поддерживает генерацию по тексту и редактирование изображений в одной архитектуре, доступна через Diffusers, ComfyUI и API Black Forest Labs. Карточка указывает лицензию для некоммерческого использования и приводит требования около 29 ГБ видеопамяти. Модель не предназначена для получения фактических ответов; следование запросу может быть нестабильным, а текст внутри изображений — искажённым. Результаты могут отражать смещения обучающих данных.

HiDream-O1-Image-Dev-2604 — модель генерации изображений по текстовому описанию из семейства Qwen3-VL, размещённая командой HiDream-ai. README описывает запуск через inference.py; для генерации в примере используется недистиллированная версия, а также упоминается вариант dev. Для инференса требуется CUDA-совместимый GPU. Модель предназначена для создания изображений по текстовым запросам, в том числе сложным композиционным инструкциям. Дополнительный Prompt Agent HiDream-ai/Prompt-Refine может преобразовать запрос в подробный английский промпт, проясняя компоновку, атрибуты объектов, физическую логику и отображение текста; сам агент является отдельной моделью. В репозитории указано 28 шагов инференса. Весовой формат — safetensors, лицензия — MIT.

Kolors-IP-Adapter-Plus — веса IP-Adapter-Plus и код вывода для генерации изображений на основе базовой модели Kolors. Модель использует OpenAI CLIP-336 как кодировщик изображения, чтобы лучше сохранять детали референса; авторы также сообщают об обучении на более разнообразных парных данных. Модель предназначена для генерации изображения по текстовому запросу с опорой на референсное изображение: она помогает сохранить его визуальные особенности и согласовать результат с текстом. В оценке авторов система показала наивысшую общую удовлетворённость среди сравнивавшихся вариантов; оценивание проводилось экспертами на наборе из более чем 200 референсов и запросов. Для работы требуются базовая модель Kolors и библиотека Diffusers; веса распространяются по лицензии Apache-2.0. В описании приведены результаты оценки, но нет количественных сведений о размере модели или длине контекста. Качество сохранения референса и следования тексту зависит от входного изображения и запроса; результаты сравнения получены при конкретных условиях, включая использование китайских запросов для Kolors-IP-Adapter-Plus.

LongCat-Next — мультимодальная авторегрессионная модель, разработанная Meituan и построенная на базе MoE-модели LongCat-Flash-Lite. Она обучается предсказывать единый поток дискретных токенов для текста, изображений и аудио. В репозитории указано 3B параметров, а контекст составляет 131 072 токена. Модель предназначена для чата, понимания и генерации изображений, понимания речи, голосового общения с низкой задержкой и клонирования голоса. Также заявлена конкурентоспособность на мультимодальных задачах и качество генерации изображений при сильном сжатии представления. Поддерживаются интерфейс вызова инструментов и работа с Transformers; для запуска README рекомендует не менее трёх GPU с 80 ГБ видеопамяти каждый. Модель распространяется по лицензии MIT. Разработчики отмечают, что её не проектировали и всесторонне не оценивали для всех возможных прикладных сценариев.

LongCLIP-B — модель семейства LongCLIP, представленная в репозитории creative-graphic-design. Она расширяет возможности CLIP для сопоставления изображений и текста: текстовый энкодер принимает до 248 токенов вместо 77 у исходного CLIP, что помогает учитывать подробные описания. Вариант Base использует 12-слойный текстовый энкодер размерности 512 и 12-слойный визуальный энкодер размерности 768; в README для него указано около 150 млн параметров. Веса размещены в формате safetensors. Модель предназначена прежде всего для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска соответствий между изображениями и длинными подписями. Её также можно использовать как основу для мультимодального поиска и оценки качества автоматических подписей; README упоминает интеграцию с генерацией изображений и визуальными вопросами, но не приводит подробностей реализации этих сценариев. Карточка заявляет прирост Recall@5 на задачах поиска по длинным подписям и на обычном поиске. Модель связана с OpenAI CLIP и описана как совместимая замена CLIP в существующих сценариях. Лицензия — MIT. По карточке и метаданным основной язык — английский. В оценках и применении следует учитывать, что приведённые показатели относятся к retrieval-бенчмаркам, а поддержка визуальных вопросов и генерации не подтверждена отдельными данными в карточке.

LTX-2.3-IC-LoRA-Colorizer — адаптер LoRA, опубликованный DoctorDiffusion для модели Lightricks/LTX-2.3. Он предназначен для видеогенерации video-to-video и добавления цвета к чёрно-белым видеозаписям в рабочих процессах LTX-2.3 IC-LoRA. Модель рекомендуется использовать с IC-LoRA workflow от Lightricks, отключив часть с ControlNet. Для управления результатом можно указывать желаемые цвета в запросе и использовать уже раскрашенный кадр как дополнительный ориентир. Для сохранения мелких деталей исходного видео рекомендуется наложить итоговый результат на оригинал в режиме смешивания «color». Карты цветов можно генерировать в половинном от целевого разрешении для ускорения обработки. Проект находится в разработке, поэтому результаты не всегда идеальны. В README не указаны размер адаптера, точная архитектура базовой модели, поддерживаемые языки, максимальный контекст или системные требования. Модель распространяется по лицензии Apache-2.0.

MangaLens — модель компьютерного зрения, созданная автором репозитория huyvux3005 и дообученная на базе YOLO11n для поиска и сегментации речевых пузырей в изображениях манги и комиксов. Она использует архитектуру YOLO11n Nano и библиотеку Ultralytics, принимает RGB-изображения и выдаёт рамки объектов и маски экземпляров для одного класса — речевого пузыря. Модель предназначена для подготовки страниц манги к извлечению и переводу текста, анализа расположения диалогов, разметки наборов данных и создания функций доступности, например озвучивания текста. В README приведены результаты оценки на 44-й эпохе: mAP@50 99,10% для рамок и 99,13% для масок; заявленная скорость составляет около 15–25 мс на изображение на T4, 8–12 мс на V100 и 200–400 мс на CPU. Эти показатели приведены автором и не описывают независимую проверку. Обучение проводилось на MS92/MangaSegmentation и Manga109. Основная специализация — речевые пузыри в манге, поэтому качество на других типах изображений и графических элементов может быть ниже. Репозиторий указывает лицензию Apache-2.0.

Карточка модели chiharoong/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Карточка модели hvcgvvgg7/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Карточка модели MJlohfg/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Карточка модели 0xSojalSec/Qwen-Image-2.1-viggle-turbo-5x 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.

SIDA-13B — мультимодальная модель на базе LISA, дообученная для обнаружения и локализации областей изображения, подвергшихся подделке или изменению. Разработчики обучили её на наборе SID_Set, включающем реальные, изменённые и полностью синтетические изображения. Модель предназначена для проверки изображений на предмет манипуляций и выделения подозрительных участков. Она принимает изображения и текстовые запросы, а результатом служат текстовый ответ и сегментация области. Архитектура основана на LLaVA, число параметров — 12,9 млрд, контекст — 4096 токенов; в метаданных указан английский язык. Модель дообучена на xinlai/LISA-13B-llama2-v1 и опубликована в формате PyTorch. Лицензия — Llama 2. Карточка не сообщает результаты оценки качества, поэтому точность обнаружения манипуляций по ней определить нельзя.

SkyCaptioner-V1 — модель Skywork для структурированного описания видео, основанная на архитектуре Qwen2.5-VL и дообученная на видеоданных с экспертной разметкой. Она формирует подписи с деталями о субъектах и их действиях, типе и ракурсе кадра, положении камеры, движении камеры, окружении и освещении. Модель насчитывает 7,1 млрд параметров, принимает видео и выдаёт текст; заявленная длина контекста составляет 128 000 токенов. Модель предназначена для плотного описания видео и подготовки кратких текстовых подсказок для задач генерации видео из текста или изображения. Для объединения структурированных полей в связное описание авторы предлагают использовать отдельную модель Qwen2.5-32B-Instruct. В README заявлено обучение примерно на двух миллионах видео и улучшение результатов на специализированных задачах описания кинематографических планов и движений камеры. Модель доступна по лицензии Apache-2.0. Карточка описывает её возможности для видео; поддержка других языков или режимов ввода здесь не подтверждена.

fancyfeast/so400m-long — это дообученная модель SigLIP 2 So400m для сопоставления изображений с текстом и классификации изображений по текстовым меткам без заранее заданного набора классов. Автор увеличил максимальную длину текста с 64 до 256 токенов, оставив визуальную башню замороженной и дообучив часть текстовой башни. Модель принимает изображения и текстовые описания, кодирует их в общее пространство и позволяет сравнивать соответствие изображения текстовым меткам. Модель подходит для классификации изображений по пользовательским категориям и поиска подходящих изображений по длинным описаниям. При дообучении использовались пары изображение–текст, включая подписи, теги, промпты и примеры вопросов и ответов по изображениям. Автор отмечает, что результаты немного лучше базовой SigLIP 2 So400m, однако модель склонна отдавать предпочтение более коротким описаниям; распознавание списков booru-тегов на фотореалистичных изображениях остаётся несовершенным. Лицензия — Apache-2.0.

Stable Diffusion v1-2 — модель генерации изображений по текстовому описанию, разработанная CompVis. Это латентная диффузионная модель, опубликованная в формате Diffusers и PyTorch; репозиторий также содержит веса Safetensors. Чекпойнт продолжает обучение Stable Diffusion v1-1: его дообучали 515 тысяч шагов при разрешении 512×512 на отфильтрованной эстетически оценённой подвыборке LAION-2B. Модель предназначена для создания изображений по текстовым запросам, включая фотореалистичные изображения. Обучающие данные описаны как подмножество LAION-2B-en, поэтому основная языковая ориентация — английский. В README приведена оценка на случайных запросах из COCO2017 при разрешении 512×512; она не была оптимизирована для метрики FID. Модель распространяется по лицензии CreativeML Open RAIL-M. Она генерирует изображения из текста; качество и соответствие результата запросу зависят от формулировки запроса и настроек генерации.

Карточка модели alpacaml/stable-diffusion-v1-5 на Hugging Face совпадает с карточкой botp/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому запросу, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером CLIP ViT-L/14. Чекпойнт основан на Stable Diffusion v1.2 и дообучен на 595 тысячах шагов при разрешении 512×512 на данных LAION-Aesthetics v2 5+; в 10% случаев текстовое условие отключалось для улучшения classifier-free guidance. Модель доступна в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, концепт-арта и изображений для творческих и образовательных инструментов по англоязычным промптам. Она хуже работает с другими языками, может ошибаться в композиционно сложных сценах, не обеспечивает надёжный фотореализм и обычно не создаёт читаемый текст. Разработчики указывают, что обучающие данные содержат материалы для взрослых, а модель может воспроизводить предвзятости и запоминать дубли изображений; для использования рекомендуется применять Safety Checker. Лицензия — CreativeML OpenRAIL-M.

facebook/timesformer-hr-finetuned-k600 — базовая модель TimeSformer, дообученная для классификации видео на 600 категорий набора Kinetics-600. Архитектура использует пространственно-временное внимание; модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для присвоения видеоролику одной из 600 меток Kinetics-600. Её можно применять для распознавания действий и событий в видео. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

timm/vit_huge_patch14_clip_224.metaclip_altogether — модель семейства CLIP, доступная для использования через open_clip и timm. Это двухкомпонентная архитектура ViT-H-14: визуальный энкодер сопоставляет изображения с текстовыми описаниями в общем пространстве представлений. В карточке указан вариант предобучения metaclip_altogether. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения под каждый набор классов. Её можно применять для поиска подходящей категории среди заданных описаний и для прототипирования задач распознавания изображений. Метаданные связывают её с задачей zero-shot-image-classification; доступны веса PyTorch в формате safetensors. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит конкретные показатели качества или сведения о наборе Altogether, поэтому оценить точность для конкретных данных по имеющейся информации нельзя.

Карточка модели Edoudom98/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Карточка модели jacklyu1989/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Карточка модели Minifutz/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Z-Image-Turbo — модель генерации изображений по тексту, опубликованная проектом Z-Image. Она использует архитектуру Scalable Single-Stream Diffusion Transformer (S3-DiT) с объединённым потоком текстовых, семантических и VAE-токенов изображения. Версия Turbo является дистиллированной версией Z-Image и создаёт изображения за 8 вызовов модели; в README заявлены субсекундная генерация на H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Модель предназначена для фотореалистичной генерации и хорошо следует инструкциям. Среди заявленных сильных сторон — создание изображений с английским и китайским текстом и высокая скорость генерации. Репозиторий использует Diffusers и формат Safetensors. Лицензия — Apache-2.0.

Z-Image-Turbo Realism — объединённая модель диффузии от beycanai для генерации реалистичных изображений по текстовым запросам. Это UNet на 6,15 млрд параметров, основанный на Tongyi-MAI/Z-Image-Turbo; в веса встроены realism LoRA и flow-DPO LoRA. Модель предназначена для ComfyUI и распространяется в формате safetensors: доступны вариант BF16 и конверсия INT8 ConvRot. Для генерации требуется загрузить файл через узел UNETLoader; текстовый энкодер Z-Image и VAE используются отдельно. В README приведён пример генерации изображений 1024×1536 за 9 шагов с последующим увеличением разрешения. Карточка и метаданные указывают английский язык; отдельные сведения о длине контекста не применимы к модели генерации изображений. Лицензия — Apache-2.0.