I.8Изображения и компьютерное зрение

Isaac-0.1-Base — базовая мультимодальная модель PerceptronAI для совместной обработки изображений и текста. В карточке она описана как модель на 2 млрд параметров, предназначенная для визуальных вопросов и ответов, пространственного рассуждения, локализации объектов, распознавания мелкого текста и анализа сложных сцен. Метаданные указывают 1,7 млрд параметров и контекст до 40 960 токенов; архитектура — плотная IsaacForConditionalGeneration, формат весов — Safetensors. Модель объединяет Qwen/Qwen3-1.7B и визуальную основу google/siglip2-so400m-patch14-384. Модель рассчитана на сценарии, где текстовые ответы должны быть привязаны к содержимому изображения: например, поиск дефектов оборудования, определение расположения объектов и чтение текста в загруженных сценах. README отмечает поддержку локализации с выделением областей, работы с примерами прямо в запросе и диалогового взаимодействия. Указанная лицензия CC BY-NC 4.0 разрешает использование на её условиях, включая ограничения для коммерческого применения.

Juggernaut X Hyper — модель KandooAI и RunDiffusion для генерации изображений по текстовым запросам. Она основана на Stable Diffusion XL Base 1.0 и представляет собой скоростной вариант Juggernaut X v10, дистиллированный с использованием Hyper-SD для генерации за несколько шагов. Модель предназначена для пакетной генерации, быстрой проверки вариантов промпта и демонстраций в реальном времени, где важна низкая задержка. Модель рассчитана на фотореалистичный стиль, понимает запросы на естественном языке и в виде тегов, а также умеет отображать короткие надписи и классифицировать тип кадра, например портрет или план в полный рост. В README рекомендуются 4–8 шагов генерации, sampler DPM++ SDE или TCD и CFG 1.0–2.0. По сравнению со стандартной Juggernaut X v10 она ориентирована на скорость и меньшее потребление видеопамяти, но может уступать ей в максимальной детализации. Модель распространяется в форматах Diffusers и Safetensors под лицензией CreativeML OpenRAIL-M. README указывает, что для размещения за платным API требуется отдельное разрешение; личное и творческое использование разрешено на условиях лицензии.

Карточка модели sunflower2332/Krea-2-Turbo на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

LTX-2.5 — модель генерации видео и аудио с открытыми весами от Lightricks, предназначенная для локального запуска и дообучения. Этот репозиторий содержит разделённые компоненты семейства LTX-2.5 в формате safetensors; в README описаны трансформеры DiT на 22 млрд параметров, текстовый энкодер Gemma 4 12B и видео-декодер DiffVAE. Карточка указывает генерацию видео по изображению и тексту, а также работу с видео и аудио как входами и выходами. Модель рассчитана на создание синхронизированных видео и аудио, включая генерацию нескольких связанных кадровых сцен за один проход, сохранение идентичности персонажей и визуального стиля между сценами, а также управление движением и деталями через промпт. Среди сценариев — преобразование изображения в видео и создание клипов с заданными сценами, действиями и камерой. README описывает дистиллированный вариант для более быстрой генерации, усилитель промптов и необязательный предсказатель длительности. В README перечислены ограничения: модель не предназначена для предоставления фактической информации, может отражать общественные предубеждения, не всегда точно следует промпту и может создавать неподходящий или оскорбительный контент. Лицензирование регулируется LTX-2.x Community License: при годовой выручке организации до 10 млн долларов допускается коммерческое и производственное использование без оплаты, а для более крупных организаций требуется коммерческое соглашение; передача дообученных моделей может требовать отдельной лицензии.

Карточка модели fwwrsd/lightricks-ltx-video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

LTX-2.5 — видеомодель с открытыми весами от Lightricks для локального запуска и дообучения. Она генерирует синхронизированные видео и аудио по текстовым, графическим и видеоусловиям; также README указывает на новые возможности многокадровой генерации с сохранением персонажей и стиля между сценами. Применение в робототехнике и физическом ИИ пока развивается. Модель семейства LTX использует диффузионный трансформер и набор отдельных компонентов в формате safetensors. В состав входят текстовый энкодер Gemma 4 12B и видеодекодер DiffVAE; доступны полная и дистиллированная версии трансформера, включая ускоренный 8-шаговый вариант. README описывает обработку текста, изображений и видео, а метаданные перечисляют языковые теги en, de, es, fr, ja, ko, zh, it и pt. Длина контекста не указана. Модель рассчитана на создание видеороликов по текстовым запросам и исходным изображениям или видео, в том числе сцен с несколькими связанными планами. README предупреждает, что точное следование запросу не гарантируется, результат зависит от формулировки запроса, а модель не предназначена для получения фактической информации и может воспроизводить предвзятость или создавать неподходящий контент. Лицензия LTX-2.x Community License разрешает бесплатное коммерческое и производственное использование организациям с годовой выручкой менее 10 млн долларов; для более крупных организаций требуется платное соглашение, а передача дообученных моделей может требовать отдельной лицензии.

Abiray/LTX-2.5-Distilled-GGUF — это набор квантизированных GGUF-весов дистиллированного трансформера LTX-2.5, разработанного Lightricks и опубликованного в этой сборке пользователем Abiray. Модель предназначена для локальной генерации видео и синхронизированного аудио по тексту, изображению и видео, включая сценарии text-to-video, image-to-video, video-to-video и audio-to-video. Она поддерживает нативную многокадровую генерацию связанных сцен с сохранением идентичности персонажей, окружения, освещения, голоса и визуального стиля между монтажными переходами. Доступны варианты квантизации от Q3_K_S размером 12,6 ГБ до Q8_0 размером 23,6 ГБ. Более компактные варианты подходят для систем с ограниченной VRAM, но сильнее теряют в качестве; Q4_K_M заявлен как сбалансированный базовый вариант, а Q6_K и Q8_0 обеспечивают качество, близкое к исходным весам. Модель основана на архитектуре LTX-2.5 DiT и является дистиллированной версией полной модели размером 22B. Заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Для работы требуются отдельные текстовый энкодер Gemma 4 12B, видео- и аудио-VAE; для наилучшей детализации и плавности рекомендуется использовать латентные пространственный и временной апскейлеры. Необходима совместимость инференс-среды, например llama.cpp или ComfyUI с загрузчиком GGUF, поддерживающим архитектуру LTX-2.5 DiT, а также достаточный объём оперативной памяти или VRAM. Лицензия указана как ltx-2-community-license-agreement; применяются условия лицензии LTX-2 от Lightricks.

FrankDase/LTX-2.5-MLX — неофициальная конверсия Lightricks/LTX-2.5 для локального запуска через MLX на компьютерах Apple Silicon. Это дистиллированная модель генерации видео и синхронизированного аудио; репозиторий содержит веса и компоненты видеокодека, аудиокодека, вокодера и повышения пространственного и временного разрешения. Трансформер и текстовый энкодер Gemma 4 представлены в 8-битном формате MLX, остальные компоненты — в BF16. Модель предназначена для генерации видео по изображению, в том числе с начальным и конечным кадрами или интерполяцией между ними, а также для генерации видео с аудиовходом и совместной генерации синхронизированных видео и аудио. README также перечисляет генерацию по тексту. Доступность отдельных режимов зависит от используемой версии среды выполнения; для работы требуются Apple Silicon, ARM64 Python, MLX 0.31 или новее и совместимая среда LTX 2.5 MLX. Автор сообщает о локальном тестировании на Mac с M4 и 64 ГБ объединённой памяти; на системах с меньшей памятью может потребоваться снизить разрешение и число кадров. Это конверсия формата, а не дообучение: модель преобразована из официального выпуска BF16, новых обучающих данных не добавлено. В README указана лицензия репозитория как other; конкретные условия следует проверять в карточке и файлах лицензии. Репозиторий не включает опциональный перезаписыватель промптов.

Карточка модели Resgard/LTX-Video на Hugging Face совпадает с карточкой Lightricks/LTX-Video, поэтому описание составлено по ней. LTX-Video — диффузионная модель генерации видео на основе архитектуры DiT, разработанная Lightricks. Этот репозиторий предназначен для создания видео по входному изображению; модель также описана как генератор видео с несколькими условиями, включая изображения и короткие видеосегменты. В карточке указаны версии на 2B и 13B параметров, а также варианты distilled и модели для рабочих процессов с разным балансом скорости и качества. Модель ориентирована на генерацию видео высокого разрешения и заявляет скорость, позволяющую создавать ролики быстрее их просмотра; для одной из конфигураций указаны 30 кадров в секунду и разрешение 1216×704. Лучше использовать разрешения ниже 720×1280 и менее 257 кадров; разрешение должно делиться на 32, а число кадров иметь вид 8n+1. Для управления генерацией рекомендуется подробно формулировать промпты на английском. LTX-Video подходит для создания визуальных сцен и коротких видеороликов по изображению и текстовому описанию. Результат может не полностью соответствовать промпту, а стиль формулировки заметно влияет на следование инструкции; модель не предназначена для получения фактических сведений и может усиливать социальные предубеждения. Лицензия в метаданных указана как other; README перечисляет отдельные лицензии для разных версий, поэтому условия использования зависят от конкретного чекпойнта.

Lynx-GGUF — квантованная в формате GGUF версия модели Lynx, разработанная авторами Shen Sang, Tiancheng Zhi, Tianpei Gu, Jing Liu и Linjie Luo и опубликованная Vantage with AI. Модель предназначена для персонализированной генерации видео из одного входного изображения с сохранением идентичности изображённого объекта или человека. В основе Lynx лежит архитектура Diffusion Transformer (DiT), дополненная лёгкими ID-adapter для сохранения идентичности и Ref-adapter для улучшения пространственных деталей. В репозитории представлены варианты Full Ref Model с полным набором функций и максимальным качеством, а также IP Lite Model с меньшим числом параметров, ориентированный на более эффективную генерацию видео с частотой 24 кадра в секунду и длиной 121 кадр. Модель основана на Wan2.1-T2V-14B; сведения о поддерживаемых языках, точном размере квантованных файлов и размере контекста не указаны. К сильным сторонам относятся высокоточная персонализация видео, сохранение идентичности по одному изображению и усиление пространственных деталей. Вариант IP Lite обеспечивает более эффективное выполнение задач за счёт уменьшенного числа параметров, однако может уступать полной версии по качеству и функциональности. Модель ориентирована на сценарии image-to-video и не предназначена для задач, для которых в README не указана поддержка других модальностей. Распространяется по лицензии Apache License 2.0.

Карточка модели A1Azmi/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели baharedorsa/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели BIGJUTT/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели CRullo/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели Ismailsalman444/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Она создаёт видео со стереозвуком по текстовым инструкциям и визуальным, видео- или аудиореференсам. В карточке представлены два чекпойнта: H3-Base-FL2VA для генерации по первому и последнему кадрам и H3-Base-Ref2VA для мультимодальных референсов. Модель объединяет текстовые и визуальные энкодеры, Visual VAE, Audio VAE и Omni Transformer, который совместно предсказывает видео- и аудиолатенты. H3-Base выдаёт видео в разрешении 768p продолжительностью 4–15 секунд; система также описывает модуль H3-Regenerate-2K для повторной генерации в разрешении до 2K. Поддерживаются разные соотношения сторон. Входные данные могут включать текст, изображения, видео и аудио. Система рассчитана на генерацию роликов по мультимодальным инструкциям и референсам. Для сложных входов рекомендована предварительная обработка через H3-Context-IR, однако этот хостируемый компонент не входит в открытый релиз. В открытой реализации доступен только полный режим внимания; sparse attention заявлен как будущая функция. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели misstoyou/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели Nadun29/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Карточка модели wudingdeet/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MiniMax H3 — мультимодальная генеративная модель общего назначения, разработанная MiniMaxAI. Репозиторий molbal/MiniMax-H3-GGUF содержит её квантованные варианты в формате GGUF и необходимые файлы компонентов, включая модели FL2VA для генерации по первому и последнему кадру и Ref2VA для работы с омни-референсами. Модель предназначена для text-to-video, image-to-video, image-text-to-video, video-to-video и мультимодальной генерации аудио-видео. Она понимает контексты, объединяющие текст, изображения, видео и аудио, и создаёт видео с синхронизированным стереозвуком. Поддерживаются сценарии без изображений, с одним или двумя изображениями, а также использование до 9 изображений, 3 видеофрагментов и 3 аудиофрагментов в режиме Ref2VA при ограничениях по длительности и общему числу файлов. Выходные ролики имеют длительность 4–15 секунд, частоту 24 FPS, звук 32 кГц в стерео и различные соотношения сторон; заявлена генерация до 2K с использованием H3-Regenerate-2K. Стабильно поддерживаются диалоги на 11 языках, включая русский, английский, китайский, японский, корейский, арабский и европейские языки. Доступны квантования Q4_0, Q8_0, Q8_CR и U16G размером примерно от 11,4 до 21,4 ГБ. Q4_0 экономичнее, Q8_0 обеспечивает высокое качество, а U16G ориентирован на комфортную работу на видеокартах с 16 ГБ VRAM. Q8_CR и U16G созданы для узлов ComfyUI-GGUF и, вероятно, несовместимы с другими средами. Модель распространяется по MiniMax H3 Community License Agreement; это пользовательское соглашение, поэтому условия коммерческого и иного использования следует проверять отдельно.

pi-r2 — модель компьютерного зрения на архитектуре DETR с ResNet-50, дообученная на датасете biglam/loc_beyond_words для поиска элементов макета на сканах исторических газет. Она обнаруживает семь классов: фотографии, иллюстрации, карты, комиксы и карикатуры, редакционные карикатуры, заголовки и объявления, возвращая классы и ограничивающие рамки объектов. Модель предназначена для автоматического разбора газетных страниц и подготовки архивных материалов к поиску и анализу. На отложенной выборке из 712 изображений достигла AP@[IoU .50:.95] 0,423 и AP@IoU .50 0,566. Обучение выполнено на преимущественно чёрно-белых сканах; результаты на цветных документах могут быть хуже. Из-за дисбаланса классов редкие карты и редакционные карикатуры могут распознаваться слабее, а небольшие текстовые области могут пропускаться при разрешении входа 480–800 пикселей. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

prithivMLmods разработал Qwen3-VL-8B-Instruct-c_abliterated-v3 — дообученную мультимодальную модель семейства Qwen3-VL с 8 млрд параметров. Она принимает изображения и текстовые инструкции, а отвечает текстом; поддерживает анализ изображений разных разрешений, подробное описание сцен и визуальное рассуждение. Для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для генерации подробных подписей и описаний изображений, визуального анализа и исследований отказов и предвзятостей мультимодальных моделей. README указывает, что последовательное abliteration-настройка ослабляет механизмы отказа, поэтому модель может выдавать откровенные или оскорбительные описания. Для инференса требуется значительная видеопамять, особенно при обработке изображений высокого разрешения и длинного текста. Лицензия — Apache-2.0.

Q-Judger — дообученная мультимодальная модель оценки изображений, созданных по текстовому запросу. Она основана на Qwen3.6-27B и принимает описание запроса вместе с сгенерированным изображением, после чего формирует JSON с оценками по иерархии критериев. Модель доступна в формате safetensors и использует библиотеку Transformers. Модель предназначена для автоматизированного сравнения и анализа качества генерации изображений. Она оценивает визуальное качество, композицию и эстетику, соответствие изображения запросу, правдоподобие, безопасность и творческие аспекты, включая отрисовку текста и визуальное повествование. Итоговые оценки агрегируются по уровням критериев; в README также описана проверка согласованности ранжирования с оценками экспертов. В метаданных указаны английский и китайский языки. Модель выпущена под лицензией Apache-2.0. Она является оценщиком изображений, а не моделью для их генерации; результаты следует трактовать как структурированную автоматическую оценку, а не как гарантированную замену экспертной проверке.

Realistic Vision 5.1 — модель Stable Diffusion для генерации фотореалистичных изображений по текстовому описанию, опубликованная stablediffusionapi. В карточке приведён пример работы через API ModelsLab с настройками размера изображения, числа шагов генерации и guidance scale; также указаны параметры negative prompt и усиления промпта. В метаданных указаны формат Diffusers/PyTorch и лицензия CreativeML OpenRAIL-M. Модель подходит для создания реалистичных портретов и сцен по промптам. Пример карточки демонстрирует генерацию изображения 512×512 за 30 шагов, однако это настройки примера, а не заявленные ограничения модели. Карточка не сообщает размер модели, длину контекста и подтверждённый список языков. Условия лицензии CreativeML OpenRAIL-M применяются к использованию весов; генерация через API ModelsLab может также регулироваться условиями этого сервиса.

Realistic_Vision_V2.0 — модель генерации изображений по текстовому описанию в формате Stable Diffusion, опубликованная пользователем votepurchase. Она предназначена для создания фотореалистичных изображений, в частности портретов и сцен с детализированной кожей. В карточке рекомендованы VAE для повышения качества и устранения синих артефактов, а также сэмплеры Euler A или DPM++ 2M Karras и последующее увеличение разрешения. Модель принимает текстовые промпты и генерирует изображения. Автор советует использовать CFG Scale 3,5–7 и 25 шагов; для Hires.fix указаны ноль дополнительных шагов, denoising strength 0,25–0,45 и увеличение в 1,1–2 раза. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Stable Diffusion 3.5 Medium — модель генерации изображений по тексту от Stability AI на архитектуре Multimodal Diffusion Transformer MMDiT-X. Она использует три предварительно обученных текстовых энкодера: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В README описаны механизмы QK-нормализации и блоки внимания, рассчитанные на повышение устойчивости обучения и согласованности изображений. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель предназначена для создания иллюстраций, дизайна, творческих и образовательных инструментов, а также исследований генеративных моделей. Обучение на смешанных разрешениях поддерживает генерацию с разными размерами и соотношениями сторон; среди заявленных сильных сторон — качество изображений, типографика и понимание сложных запросов. Модель не предназначена для достоверного изображения реальных людей и событий. В README указаны контекстные пределы текстовых энкодеров: 77 токенов для CLIP и 77/256 для T5 на разных этапах обучения. При превышении 256 токенов T5 у изображений могут появляться артефакты по краям. Модель выпущена по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Для применения следует соблюдать Acceptable Use Policy и предусматривать собственные меры безопасности.

Stable Diffusion 3 Medium — модель Stability AI для генерации изображений по текстовым запросам. Она построена на архитектуре Multimodal Diffusion Transformer (MMDiT) и использует три предварительно обученных текстовых энкодера: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В карточке заявлены улучшенное качество изображений, работа с типографикой и сложными запросами, а также эффективность использования ресурсов. Модель подходит для создания иллюстраций и художественных работ, дизайнерских процессов и творческих или образовательных инструментов. Репозиторий содержит веса в формате safetensors и несколько вариантов комплектации текстовыми энкодерами; для полного набора компонентов требуется больше ресурсов, а варианты без T5-XXL могут давать другие результаты. Модель принимает текстовые запросы и генерирует изображения; в README также упоминается поддержка image-to-image через Diffusers. Модель не предназначена для достоверного изображения реальных людей или событий. Она может создавать предвзятый, токсичный или иной нежелательный контент, поэтому для приложений нужны собственные меры безопасности. Лицензия — Stability Non-Commercial Research Community License; коммерческое использование требует соответствующей коммерческой лицензии Stability AI.

Stable Diffusion v1.3 — модель генерации изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером CLIP ViT-L/14; веса представлены в формате PyTorch. Версия 1.3 инициализирована весами Stable Diffusion v1.2 и дообучена на 195 000 шагах при разрешении 512×512 на подмножестве laion-improved-aesthetics с отключением текстового условия в 10% случаев для улучшения classifier-free guidance. Модель подходит для создания художественных изображений и иллюстраций по английским промптам, а также для творческих и образовательных инструментов и исследований генеративных моделей. Лицензия CreativeML OpenRAIL-M устанавливает условия использования и ограничения на отдельные сценарии применения. Модель не обеспечивает идеальный фотореализм, плохо передаёт читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Она лучше работает с английскими описаниями; обучение на данных LAION-5B, содержащих материалы для взрослых, а также отсутствие дедупликации создают риски нежелательных результатов и запоминания отдельных изображений, поэтому для практического развёртывания нужны дополнительные меры безопасности.

Карточка модели bdsqlsz/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 cutilagememanicure/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.