I.8Изображения и компьютерное зрение

NLLB-CLIP-SigLIP — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Она предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах и для поиска соответствий между изображениями и текстом. Модель расширяет мультиязычные возможности CLIP до 201 языка набора Flores-200 и, согласно карточке, особенно хорошо работает на языках с малым объёмом ресурсов. На наборе Crossmodal-3600 она достигла лучших на момент публикации результатов. Модель доступна в формате PyTorch и интегрирована с OpenCLIP. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка отмечает, что существует более сильная версия; результаты классификации могут зависеть от формулировок текстовых меток и от того, насколько они соответствуют обучающим данным.

Qwen3-VL-4B-Thinking-abliterated-v1-GGUF — мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная prithivMLmods на основе Alibaba Qwen3-VL-4B-Thinking. Это вариант в формате GGUF для запуска через совместимые инструменты, включая llama.cpp. Модель принимает изображения и текст и генерирует текстовые ответы, поддерживая анализ, описание и рассуждения по сложному визуальному и мультимодальному содержимому. Основной язык — английский, при этом заявлена адаптация к многоязычным запросам. Контекстное окно и точный перечень поддерживаемых языков в README не указаны. Модель предназначена для визуального captioning, анализа изображений, творческого повествования, работы с художественными, техническими, абстрактными и чувствительными материалами, а также для исследовательских задач, red-teaming и подготовки визуальных наборов данных. К заявленным сильным сторонам относятся мультимодальное рассуждение, следование инструкциям, вариативная детализация ответов и работа с разными соотношениями сторон и разрешениями. При этом это abliterated-версия, ориентированная на менее ограниченные ответы, поэтому она может генерировать явный контент и не рекомендуется для систем, где требуется строгая модерация. Доступны варианты с разными уровнями квантования, включая IQ, Q2–Q8 и F16, с размером файлов примерно от 1,06 до 8,05 ГБ. Лицензия — Apache-2.0.

unsloth/Qwen-Image-2512-GGUF — это GGUF-квантизированная версия фундаментальной модели Qwen-Image-2512 для генерации изображений по текстовому описанию. Базовую модель разработала команда Qwen, а данную версию подготовила Unsloth с использованием методологии Unsloth Dynamic 2.0. Модель предназначена для сценариев text-to-image, включая создание реалистичных изображений людей, природных сцен, животных, иллюстраций и композиций с текстовыми элементами. Модель поддерживает английский и китайский языки. Она ориентирована на повышение реалистичности людей, детализацию природных объектов, а также точность и качество отображения текста и мультимодальных композиций. GGUF-квантизация снижает требования к ресурсам, а критически важные слои переведены в более высокую точность; конкретный размер модели, параметры, контекст и варианты квантования в README не указаны. Для запуска рекомендуются ComfyUI или stable-diffusion.cpp; также упоминается интеграция с инструментами ComfyUI-GGUF. Ограничениями являются зависимость от совместимого программного обеспечения и отсутствие в карточке подробностей о производительности, требованиях к оборудованию и точной конфигурации. Модель распространяется по лицензии Apache-2.0.

Re3Cap-SC-InternVL3-8B — мультимодальная модель на основе InternVL3-8B-Instruct, дообученная методом GRPO с наградой keyword-level self-correction и стратегией Re³Cap для уточнения описаний изображений. Разработчики применили Caption Refinement Suggester и Caption Quality Assessor, чтобы выявлять галлюцинации и пропущенные детали в исходных подписях. Модель предназначена для создания и уточнения подписей к изображениям: retrieval-guided refinement помогает получать более точные и подробные описания без дополнительных аннотаций. Она принимает изображения и текстовые запросы, а выдаёт текст. Репозиторий содержит веса в формате safetensors; модель основана на InternVL3-8B-Instruct и распространяется по лицензии Apache-2.0.

SAIL-7B — мультимодальная модель ByteDance-Seed для задач зрения и языка. Это единая плотная Mistral-архитектура на 7,1 млрд параметров: модель кодирует исходные пиксели и генерирует текст в рамках одной архитектуры, без предварительно обученного визуального энкодера. Она предназначена для задач, где нужно отвечать на вопросы об изображениях и связывать визуальную информацию с текстом; авторы также сообщают о сильных визуальных представлениях, включая результаты в семантической сегментации. Модель работает через Transformers, использует формат PyTorch и поддерживает контекст до 32 768 токенов. Лицензия — Apache-2.0.

SDXL 360 Diffusion — дообученная модель ProGamerGov на базе Stable Diffusion XL Base 1.0, предназначенная для генерации сферических панорам 360° по текстовому описанию. Веса содержат 3,5 млрд параметров; модель обучали на разнообразных равноугольных изображениях с пейзажами, интерьерами, людьми, животными и предметами, приведённых к разрешению 2048×1024. Для генерации панорамы в запрос рекомендуется включать фразу «equirectangular 360 view» или «360 panorama». Модель подходит для создания панорамных окружений, интерьеров и сцен с разными объектами; полученные изображения можно просматривать и редактировать инструментами для 360-медиа. Основное назначение — генерация изображений по тексту, а не видео. Как и другим моделям SDXL, ей могут потребоваться несколько попыток, чтобы получить желаемый результат. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

Карточка модели kp-forks/stable-diffusion-1.5 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.

Stable Diffusion v1-5 — латентная диффузионная модель для создания и редактирования изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий содержит повторно загруженные веса в форматах Diffusers, PyTorch и safetensors; для работы поддерживается библиотека Diffusers. Модель основана на Stable Diffusion v1-2 и дообучена в течение 595 тысяч шагов на разрешении 512×512 с использованием набора LAION Aesthetics v2 5+ и отключением текстового условия в 10% случаев для улучшения classifier-free guidance. В текстовом тракте используется предварительно обученный CLIP ViT-L/14. Лицензия — CreativeML OpenRAIL-M. Модель подходит для создания изображений по англоязычным описаниям, художественных работ и материалов для дизайна, а также для творческих и образовательных инструментов. Она также может редактировать изображения по текстовым запросам. Модель не гарантирует фотореализм, плохо воспроизводит читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Она обучалась преимущественно на английских описаниях и хуже справляется с другими языками; в обучающих данных присутствует контент для взрослых, поэтому для прикладного использования предусмотрена проверка Safety Checker в Diffusers. Возможны предвзятость и запоминание дублированных изображений из обучающих данных.

Карточка модели xyn-ai/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.

Карточка модели talhadon123/stable-video-diffusion-img2vid-xt 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.

Step-Video-T2V — модель генерации видео по текстовому описанию, разработанная StepFun. Она создаёт видеоролики длиной до 204 кадров; заявленная конфигурация модели содержит 30 млрд параметров. Для кодирования видео используется VAE со сжатием 16×16 по пространству и 8× по времени, а генерацию выполняет DiT с 48 слоями, 48 головами внимания и 3D full attention. Текстовые запросы кодируются двумя предварительно обученными двуязычными энкодерами для английского и китайского языков. Модель предназначена для создания динамичных видеороликов по текстовым запросам, включая сцены с людьми, животными, пейзажами, спортом и анимацией. В финальном этапе обучения применялся Direct Preference Optimization для улучшения визуального качества и согласованности кадров. Репозиторий содержит веса в формате safetensors для Diffusers и PyTorch и распространяется по лицензии MIT. Для запуска авторы рекомендуют Linux и NVIDIA GPU с 80 ГБ памяти; в приведённых замерах генерация видео 544×992 пикселей занимала сотни секунд на 50 шагах.

timm/ViT-L-16-SigLIP2-384 — модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX Big Vision для использования в OpenCLIP. Она сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому варианту. Модель можно применять для категоризации изображений, поиска изображений по текстовому запросу и построения прототипов визуальной классификации. Репозиторий содержит веса PyTorch в формате safetensors; заявлена лицензия Apache-2.0. Карточка не приводит сведения о размере модели, длине контекста и конкретном перечне поддерживаемых языков, поэтому эти характеристики не уточняются. Указано обучение на WebLI и мультиязычное направление семейства SigLIP 2, но это не определяет точный список языков, доступных в этой версии.

Карточка модели Poij134/Wan2.2-I2V-A14B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Карточка модели tanzeme/Wan2.2-I2V-A14B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

bullerwins/Wan2.2-I2V-A14B-GGUF — вариант модели Wan2.2-I2V-A14B в формате GGUF, разработанной командой Wan-AI и связанной с проектом Wan-Video. Модель предназначена для генерации видео из одного изображения, включая создание движения, развитие сцен и работу со стилизованными визуальными материалами. Заявлена поддержка разрешений 480p и 720p, а также английского и китайского языков. Модель использует архитектуру Mixture-of-Experts (MoE), в которой разные экспертные компоненты применяются на различных этапах диффузионного устранения шума. Такой подход увеличивает общую емкость модели и направлен на более стабильную генерацию, уменьшение нереалистичных движений камеры и улучшение работы со сложным движением и разнообразной эстетикой. Для запуска требуются две части модели: high-noise для первых этапов и low-noise для детализации. Для использования предусмотрена интеграция с ComfyUI через расширение ComfyUI-GGUF; файлы моделей необходимо разместить в каталоге ComfyUI/models/unet. Ограничениями являются необходимость загрузки и настройки обеих частей модели, а также требования к вычислительным ресурсам, которые в README не уточняются. Модель распространяется по лицензии Apache-2.0.

lopho/Wan2.2-T2V-A14B-Diffusers_nf4 — это 4-битная NF4-квантизированная версия модели Wan2.2 T2V-A14B, разработанной командой Wan-AI. Модель предназначена для генерации видео по текстовому описанию и распространяется в формате, совместимом с Diffusers. Она поддерживает создание видеороликов длительностью около 5 секунд в разрешениях 480p и 720p. Модель использует архитектуру Mixture-of-Experts (MoE) в составе видеодиффузионной системы: специализированные экспертные модели разделяют обработку различных этапов денойзинга, что позволяет увеличить общую емкость модели при сохранении сопоставимых вычислительных затрат. Заявлены улучшенные генерация сложного движения, обобщение по семантике и эстетике, а также управление кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. В метаданных указана поддержка английского и китайского языков. К преимуществам относятся высокое качество генерации видео, поддержка двух разрешений и сниженные требования к памяти благодаря 4-битной NF4-квантизации. Ограничения включают текстово-видеовый сценарий без заявленной поддержки изображений в данной модели, ограниченную длительность генерируемого видео и отсутствие в представленном описании точных требований к оборудованию, размеру контекстного окна и производительности квантизированной версии. Модель распространяется по лицензии Apache-2.0.

Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

BlackStone-Yu/Z-Image-Turbo-GGUF — квантованная версия модели Z-Image-Turbo, разработанной командой Tongyi-MAI. Это генеративная модель преобразования текста в изображение, предназначенная для создания изображений по текстовым описаниям, включая фотореалистичные сцены, а также изображения с текстом на английском и китайском языках. Модель основана на архитектуре Single-Stream Diffusion Transformer и содержит 6 миллиардов параметров. Z-Image-Turbo — дистиллированный вариант Z-Image, рассчитанный на генерацию всего за 8 NFE (Number of Function Evaluations). Заявлены субсекундная задержка на GPU H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Модель поддерживает английский и китайский языки и отличается высокой эффективностью, качественной фотореалистичной генерацией и хорошим следованием инструкциям. К ограничениям относятся отсутствие в README подробностей о точных требованиях к аппаратному обеспечению для GGUF-версии, поддерживаемых разрешениях, качестве на других языках и особенностях запуска. Лицензия модели — Apache-2.0.

vantagewithai/Z-Image-Turbo-GGUF — квантованная версия Z-Image-Turbo, разработанного командой Tongyi-MAI. Это модель генерации изображений по текстовому описанию, реализованная на архитектуре single-stream Diffusion Transformer и содержащая около 6 миллиардов параметров. Данная версия распространяется в формате GGUF. Модель предназначена для создания фотореалистичных изображений по промптам, хорошо следует инструкциям и поддерживает двуязычный рендеринг текста на английском и китайском языках. Дистиллированная версия Z-Image-Turbo выполняет генерацию примерно за 8 NFE; заявлены задержка менее секунды на GPU H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Сильными сторонами модели являются высокая скорость, эффективное использование памяти, фотореалистичная генерация и качественное отображение английского и китайского текста. README не содержит сведений о разрешениях, длине контекста, поддерживаемых сценариях редактирования изображений или ограничениях, связанных с квантованием. Модель распространяется по лицензии Apache 2.0.

AnalogMadness-realistic-model-v7 — модель для генерации изображений по текстовому описанию, опубликованная пользователем или организацией digiplay на Hugging Face. Модель относится к экосистеме Stable Diffusion и предназначена для использования с библиотекой Diffusers и конвейером StableDiffusionPipeline. Модель подходит для создания реалистичных изображений по текстовым промптам, концепт-артов, иллюстраций и визуальных прототипов. В метаданных указан тип задачи text-to-image, а также форматы и технологии diffusers и safetensors. Дополнительные сведения о размере модели, архитектурных настройках, поддерживаемых языках, длине контекста и точных характеристиках реалистичного стиля в карточке не приведены. Лицензия обозначена как other, поэтому перед использованием необходимо ознакомиться с условиями лицензирования, связанными с моделью и её исходным распространением.

AnyFlow-Wan2.1-T2V-1.3B-Diffusers — видеодиффузионная модель AnyFlow, разработанная авторами проекта AnyFlow и основанная на Wan2.1-T2V-1.3B-Diffusers. Это двунаправленная модель с 1,3 млрд параметров в формате Diffusers, дообученная методом дистилляции flow map для генерации видео по текстовым запросам. Она поддерживает выбор произвольного числа шагов вывода: модель рассчитана на качественную генерацию за несколько шагов, а увеличение числа шагов может улучшать результат. Модель предназначена для создания коротких видео по текстовому описанию; карточка указывает разрешение 480p для семейства AnyFlow. AnyFlow также поддерживает генерацию видео по изображению и преобразование видео в рамках других моделей семейства, но для этого чекпойнта README заявляет только задачу text-to-video. В карточке модели не приведены сведения о длительности роликов и поддерживаемых языках запросов. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

AuraFlow v0.3 — открытая модель генерации изображений по текстовому описанию, разработанная fal. Это flow-based модель для преобразования текстовых запросов в изображения; по сравнению с AuraFlow v0.2 она обучалась с большими вычислительными затратами и дополнительно дообучалась на эстетических наборах данных. Модель поддерживает разные соотношения сторон и генерацию изображений шириной и высотой до 1536 пикселей. В карточке заявлены результаты уровня state of the art на GenEval. Модель находится в бета-версии, поэтому качество и поведение могут меняться по мере дальнейшей разработки. Распространяется по лицензии Apache-2.0.

zer0int/CLIP-SAE-ViT-L-14 — это дообученная zer0int модель CLIP ViT-L/14 для классификации изображений без примеров обучения: она сопоставляет изображение с текстовыми категориями. Модель основана на openai/clip-vit-large-patch14 и использует архитектуру CLIP с плотными весами в формате Safetensors; обучение описано как adversarial fine-tuning с учётом sparse autoencoder (SAE). Модель предназначена для zero-shot классификации и оценки соответствия изображения текстовым меткам. В README автор сообщает о результатах на ImageNet и ObjectNet, линейном пробнике в CLIP_benchmark и использовании с Flux.1 и HunyuanVideo; эти сценарии могут требовать отдельных интеграций или версий модели. В метаданных указаны датасеты adversarial typographic attack text-image и SPRIGHT COCO. Модель принимает изображения и текстовые описания категорий и выдаёт оценки их соответствия. Лицензия — MIT. Заявленные в README метрики приведены автором; независимая проверка этих результатов в предоставленных материалах не описана.

openthaigpt/CLIPTextCamembertModelWithProjection — текстовый энкодер для CLIP, разработанный командой OpenThaiGPT. Модель преобразует текст в векторное представление, согласованное с пространством изображений CLIP, и предназначена для поиска изображений по тексту и классификации изображений без дополнительного обучения. В README описан двухэтапный подход: дистилляция языкового энкодера для тайского и двуязычного англо-тайского текста с последующим продолжением обучения CLIP с замороженным энкодером изображений. Модель имеет 132,5 млн параметров, поддерживает контекст до 512 токенов и принимает текст; векторное представление выдаётся через проекционную голову. В карточке указана лицензия MIT. README описывает предполагаемое применение в составе CLIP-подобных систем, но не приводит численных результатов оценки качества.

ContentV-8B — модель генерации видео по текстовому описанию, представленная ByteDance. Она использует архитектуру DiT и рассчитана на повторное использование предварительно обученных моделей генерации изображений; в карточке указаны Stable Diffusion 3.5 Large и Wan-VAE как основы. Обучение сочетает многоэтапную стратегию с flow matching и оптимизацию с обратной связью от людей. Модель содержит 8 млрд параметров. Модель предназначена для создания видеороликов по текстовым запросам. Авторы сообщают о результате 85,14 на VBench после четырёх недель обучения на 256 ускорителях NPU с памятью по 64 ГБ каждый. Для использования опубликованы код инференса и контрольные точки. Репозиторий распространяется по лицензии Apache-2.0.

control-r3 — модель обнаружения объектов, разработанная на основе DETR с backbone ResNet-50 и дообученная для анализа газетных страниц. Она находит ограничивающие рамки семи типов областей макета: например, заголовков, фотографий, иллюстраций, карт, объявлений и комиксов. Модель принимает RGB-изображение страницы, изменяет его размер до 600 × 600 и возвращает метки классов с рамками объектов. Модель предназначена для анализа оцифрованных исторических и современных газет, архивной каталогизации и предварительной разметки страниц. Она обучена на наборе biglam/loc_beyond_words; на валидационной выборке качество заметно различается между классами: заголовки и объявления обнаруживаются хорошо, фотографии и комиксы — приемлемо, а редкие классы, включая карты и иллюстрации, распознаются ненадёжно. Это детектор областей макета, а не система OCR или распознавания рукописного текста; результаты для редких классов и страниц, отличающихся от обучающих данных, следует проверять. Модель использует архитектуру DETR с ResNet-50, 100 запросами и шестью слоями энкодера и декодера. Она дообучена от facebook/detr-resnet-50 и распространяется по лицензии Apache 2.0.

Это веса модели EVA02 Enormous Patch14 CLIP 224, опубликованные в репозитории timm и совместимые с библиотекой OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без обучения на целевых классах: она сопоставляет изображение с кандидатными подписями и оценивает их соответствие. Архитектура использует визуальный энкодер EVA02 с патчами 14 × 14 и CLIP-сопоставление изображения и текста; размер входного изображения — 224 пикселя. Веса связаны с обучающей выборкой LAION-2B и доступны в форматах PyTorch и Safetensors. Модель принимает изображения и текстовые варианты классов, а выдаёт оценки соответствия для выбора наиболее подходящего описания. Карточка не сообщает языковую специализацию, поэтому область поддержки языков по ней определить нельзя. Лицензия репозитория — MIT.

HiDream-I1-Full — модель генерации изображений по текстовому описанию, разработанная HiDream.ai и перепубликованная Unsloth с неизменёнными весами. Это полноразмерная версия семейства HiDream-I1 с 17 млрд параметров; модель использует архитектуру Sparse Diffusion Transformer и запускается через библиотеку Diffusers. Модель предназначена для создания изображений по текстовым запросам в фотореалистичном, мультяшном и художественном стилях. В карточке заявлены высокое качество генерации и точное следование запросам; приведены результаты сравнений на HPS v2.1, GenEval и DPG-Bench. Указан английский язык. Для работы требуются Flash Attention и рекомендуется CUDA 12.4. Репозиторий распространяется по лицензии MIT; README указывает, что условия upstream-лицензии сохранены.

HunyuanDiT-v1.2-Diffusers-Distilled — дистиллированная модель генерации изображений по текстовому описанию, разработанная Tencent Hunyuan и опубликованная в формате Diffusers. Она создаёт изображения по запросам на китайском и английском языках; в карточке отмечены поддержка длинных текстовых запросов и китайских элементов. Модель предназначена для генерации изображений за 25 шагов. В README описана оценка по соответствию изображения запросу, отсутствию артефактов, ясности объектов и эстетике. Репозиторий содержит веса в формате Diffusers и Safetensors; лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Это репак модели Tencent HY-OmniWeaving для использования в ComfyUI. Репозиторий добавляет поддержку узлов HunyuanVideo 15 Omni Conditioning и Text Encode HunyuanVideo 15 Omni, которые позволяют задавать изображения и видео как опорные материалы. Модель предназначена для генерации и редактирования видео по тексту, изображениям и видеокадрам, включая генерацию видео по изображению, работу с несколькими изображениями и сочетание изображений с видео.