I.8Изображения и компьютерное зрение

Карточка модели nitishmouryaa/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.

Карточка модели ogbeatzofficial1/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.

delpot/steganograph-ia-detector — дообученный Vision Transformer (ViT), разработанный в рамках проекта SteganographIA (MIAGE TPI), для бинарной классификации изображений на реальные фотографии и изображения, созданные ИИ. Модель содержит 113,2 млн параметров и обучена на наборе Defactify; в описании указана проверка на сбалансированной тестовой выборке из 15 000 изображений. Среди генераторов в обучении названы Stable Diffusion 2.1, SDXL, Stable Diffusion 3, DALL·E 3 и Midjourney v6. На тестовой выборке точность составила 0,923. Модель редко помечает реальные фотографии как сгенерированные ИИ: доля ложноположительных срабатываний указана как 1,4%; при этом она пропускает около 14% изображений, созданных ИИ. Изображения перед классификацией масштабируются до 224×224 пикселей, поэтому детали, заметные только в высоком разрешении, могут теряться. Качество на генераторах, не представленных в обучении, включая Flux и новые модели, не гарантировано. Лицензия — MIT.

UltraFlux-v1-1-Transformer — дообученная на базе Black Forest Labs FLUX.1 [dev] модель диффузионного трансформера для генерации изображений по текстовым описаниям. Разработчики позиционируют её для нативной генерации изображений в разрешении 4K с сохранением качества при разных соотношениях сторон, включая квадратные, портретные и сверхширокие форматы. В описании заявлены специализированный для 4K DiT, набор данных MultiAspect-4K-1M, постобучение VAE и целевые функции, учитывающие высокое разрешение и разные пропорции кадра. Модель рассчитана на создание изображений из текстовых запросов; для запуска авторы предлагают библиотеку Diffusers. В репозитории указаны веса Safetensors, лицензия Apache-2.0. Заявления о качестве и поддержке нативного 4K приведены в карточке модели.

Карточка модели kato96/Viggle-Animate-ComfyUI на Hugging Face совпадает с карточкой drbaph/Viggle-Animate-ComfyUI, поэтому описание составлено по ней. Viggle-Animate — это конверсия модели Viggle/Viggle-Animate для работы в ComfyUI, созданная на основе полноразмерного дообучения трансформера ref2va из MiniMax-H3. Модель предназначена для замены персонажа в видео: она переносит движение, ракурс камеры, фон и освещение из исходного ролика на персонажа с референсного изображения. Текстовый энкодер не используется: модель получает фиксированное встраивание длиной 362 токена. Ускоренный режим с дистилляцией DMD2 выполняет генерацию за 4 шага с тремя прямыми проходами. Для запуска нужны специальные узлы ComfyUI Viggle Animate, а также веса модели, VAE и готового текстового кондиционирования. Доступны варианты BF16 и INT8, включая облегчённый по памяти вариант; указанный в README размер полной модели BF16 — 66,3 ГБ. Качество сохранения внешности снижается, когда персонаж выходит из кадра и возвращается, сильно отклоняется от позы референса или делает резкие крупные движения. Лицензия указана как other, поэтому конкретные условия использования следует проверять у правообладателя.

VIT_AI_image_detector — модель классификации изображений, разработанная mmanikanta и дообученная на основе google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров. Модель предназначена для отнесения изображений к категориям; конкретные классы и область применения не описаны. В README указаны точность 0,9924 и значение loss 0,0295 на оценочном наборе, однако состав набора и методика оценки не приведены. Модель принимает изображения и выдаёт предсказанные классы. Лицензия — Apache-2.0.

hamzenium/ViT-Deepfake-Classifier — модель компьютерного зрения, дообученная авторами карточки на базе google/vit-base-patch16-224-in21k. Она использует Vision Transformer (ViT) с архитектурой ViTForImageClassification и содержит 113,2 млн параметров. Модель классифицирует изображения по двум категориям: реальные и поддельные — сгенерированные ИИ или изменённые. Модель предназначена для выявления дипфейков, проверки подлинности медиаматериалов и исследовательских задач. В README указаны точность 96,56% на тестовой выборке OpenForensics и предпочтительный размер изображений около 224×224 пикселей. Язык модели не применим: входом служит изображение, выходом — метка класса. Обучение проведено на OpenForensics, поэтому результаты могут ухудшаться на изображениях и методах подделки, отсутствовавших в обучающих данных. Устойчивость к состязательным атакам не проверялась; возможны ошибки и смещения в зависимости от источника, качества и содержания изображения. Модель не следует использовать как единственное основание для важных решений об аутентичности. Метаданные указывают лицензию MIT, тогда как README — Apache 2.0; лицензию следует сверить с файлами репозитория.

Карточка модели Sweeney666999/Wan2.1-I2V-14B-480P-l40 на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию, разработанная командой Wan-AI. Она создаёт ролики длительностью около 5 секунд в разрешении 480p или 720p. Модель построена на архитектуре диффузии с механизмом Mixture-of-Experts (MoE), который распределяет этапы денойзинга между специализированными экспертами. Модель предназначена для создания видеосцен по текстовым запросам, в том числе с контролем кинематографической эстетики: освещения, композиции, контраста и цветового тона. По данным авторов, обучение на расширенном наборе изображений и видео улучшило генерацию сложного движения, семантики и визуального стиля. Для расширения и детализации запросов можно подключить prompt extension через Dashscope. Для запуска авторы указывают требование видеокарты с 80 ГБ VRAM для однокарточного инференса; выгрузка частей модели на CPU и другие параметры могут снизить потребление памяти. Модель распространяется под лицензией Apache-2.0. В карточке нет данных о поддерживаемых языках запросов и частоте кадров именно этой модели; указанное в README значение 24 кадра/с относится к отдельной модели TI2V-5B.

Карточка модели visualisecrypto/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

X-CLIP — видеоязыковая модель Microsoft на архитектуре XCLIP, основанная на CLIP и обученная с учителем на наборе Kinetics-600. Она сопоставляет видео и текст и предназначена для классификации видео без дополнительного обучения, с небольшим числом примеров или в полностью контролируемом режиме, а также для поиска видео по текстовому описанию. Модель обрабатывает 8 кадров размером 224×224; обучение построено на контрастивном сопоставлении пар «видео — текст». Для оценки на Kinetics-600 указаны точность top-1 88,3% и top-5 97,7%. Репозиторий содержит веса PyTorch, лицензия — MIT.

agentyaya/yaya-image — перепакованная копия Qwen/Qwen-Image-2512: в репозитории изменены название и внутренние имена файлов, а веса оставлены без изменений. Исходную модель разработала команда Qwen; она предназначена для генерации изображений по текстовым описаниям. Карточка указывает на использование библиотеки Diffusers и форматов Safetensors и Diffusers. Модель подходит для создания реалистичных изображений людей, детализированных природных сцен и изображений с текстом — эти характеристики указаны для базовой модели Qwen-Image-2512. Репозиторий распространяется по лицензии Apache-2.0.

ATI (Any Trajectory Instruction) — модель ByteDance, созданная командой Intelligent Creation Team на основе Wan2.1. Она предназначена для генерации видео по изображению с управляемым движением: траектории задают перемещение объектов, отдельных областей и камеры. Для подготовки управления в комплекте есть интерактивный редактор, в котором можно рисовать и менять траектории, задавать панорамирование и эффекты приближения или удаления. Модель использует архитектуру image-to-video Wan2.1 I2V-14B-480P и распространяется в формате safetensors для Diffusers. ATI подойдёт для создания роликов с заданным направлением и скоростью движения, а также с контролем движения камеры. Базовая модель Wan2.1 I2V-14B-480P генерирует видео в разрешении 480p по исходному изображению и текстовому запросу. Репозиторий модели распространяется по лицензии Apache-2.0. README не описывает конкретные ограничения качества или поддерживаемую длительность видео.

AuraFlow v0.2 — открытая модель генерации изображений по текстовому описанию, разработанная fal. Это flow-based модель, обученная с большими вычислительными затратами по сравнению с AuraFlow-v0.1. Авторы сообщают о результатах уровня state of the art на бенчмарке GenEval. Модель предназначена для создания изображений по текстовым запросам. В README указано, что версия находится в бета-стадии и продолжает развиваться; авторы приглашают сообщество оставлять отзывы. Репозиторий использует формат Diffusers и веса safetensors. Лицензия — Apache-2.0.

Карточка модели stronman/Bernini-R на Hugging Face совпадает с карточкой ByteDance/Bernini-R, поэтому описание составлено по ней. Bernini-R — видеорендерер от ByteDance для генерации и редактирования видео. Он входит в систему Bernini, которая объединяет семантический планировщик на основе мультимодальной языковой модели и рендерер на основе DiT. В репозитории представлены веса рендерера в формате safetensors; для работы также нужны компоненты Wan2.2, включая VAE, текстовый энкодер UMT5 и токенизатор. Модель поддерживает генерацию видео по текстовому описанию и исходному изображению, а также редактирование изображений и видео. Примеры запуска включают задачи text-to-video, image-to-video, video-to-video и редактирование видео. По умолчанию результат имеет разрешение 480p и частоту 16 кадров в секунду. Для запуска рекомендована видеокарта NVIDIA Hopper, например H100, с CUDA; для улучшения запросов предусмотрена необязательная интеграция с совместимым с OpenAI API сервисом. В README заявлены высокие результаты редактирования видео по внутренней пользовательской оценке авторов, но независимые подробности оценки в предоставленной карточке отсутствуют. Для использования весов указана лицензия Apache-2.0. Для запуска требуется значительная вычислительная мощность; качество результата зависит от запроса и конфигурации, а улучшение промпта требует отдельного API endpoint.

Карточка модели Mooshie/caformer_b36.dbv4-full на Hugging Face совпадает с карточкой animetimm/caformer_b36.dbv4-full, поэтому описание составлено по ней. animetimm разработала модель многометочной классификации изображений на основе CAFormer, предназначенную также для извлечения визуальных признаков. Это дообученная версия timm/caformer_b36.sail_in22k_ft_in1k_384, адаптированная на наборе animetimm/danbooru-wdtagger-v4-w640-ws-full для предсказания 12 476 тегов, включая общие теги, персонажей и рейтинговые категории. Модель содержит 134 млн параметров и рассчитана на изображения 384 × 384 пикселя. Её можно использовать с timm и PyTorch для обучения и оценки, а также выполнять инференс в формате ONNX. В README приведены метрики на тестовой выборке: micro F1 0,689 при пороге 0,40; качество различается между категориями тегов. Модель подходит для автоматической разметки изображений в стиле Danbooru и поиска изображений по предсказанным тегам. Она ориентирована на соответствующий набор тегов, поэтому качество на иных типах изображений и вне этой таксономии не подтверждено. Лицензия — GPL-3.0.

CyberRealistic V2 — модель генерации изображений по текстовому описанию в формате Stable Diffusion, опубликованная Yntec и предназначенная для использования с Diffusers. Карточка демонстрирует генерацию детализированной сцены по составному промпту; название и примеры указывают на фотореалистичный стиль, хотя пример также смешивает живописные и стилизованные элементы. Модель подходит для создания изображений по текстовым промптам, включая персонажей и сцены с множеством визуальных деталей. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — CreativeML OpenRAIL-M.

EpicRealism XL — модель преобразования текста в изображение, опубликованная stablediffusionapi и предназначенная для генерации фотореалистичных изображений по текстовым запросам. Пример в карточке показывает создание детализированного портрета с настройками размера, числа шагов генерации и guidance scale; также предусмотрены отрицательный запрос и параметры для подключения LoRA и эмбеддингов. Модель распространяется в форматах Diffusers и PyTorch и предназначена для использования через ModelsLab API. В карточке приведена лицензия CreativeML OpenRAIL-M. Пример API позволяет отключить safety checker, поэтому при развёртывании следует учитывать настройки фильтрации контента.

FastWan2.2-TI2V-5B-MLX — модель генерации видео по изображению для компьютеров Apple с Apple Silicon, подготовленная для Videoboom. Это MLX-порт FastVideo/FastWan2.2-TI2V-5B-FullAttn-Diffusers с дистилляцией DMD: генерация выполняется за три шага денойзинга. В составе — диффузионный трансформер DiT в формате bf16, текстовый энкодер UMT5 и VAE; файлы весов поставляются вместе. Модель принимает изображение и текстовое описание и создаёт видеоклип; заявленный размер — около 832×480 пикселей, длительность — до 121 кадра. Она рассчитана на ускоренную генерацию видео на Apple Silicon. Лицензия — Apache-2.0, унаследованная от базовой модели.

FastWan-QAD-1.3B — модель генерации видео по текстовому описанию из серии FastWan-QAD. Она основана на Wan-AI/Wan2.1-T2V-1.3B-Diffusers и предназначена для быстрого создания коротких видео на видеокартах RTX 5090 поколения Blackwell. Модель использует линейные слои в формате NVFP4 и механизм внимания SageAttention3 FP4. Квантизационно-ориентированная дистилляция позволяет выполнять генерацию за три шага; заявлено создание видео длительностью пять секунд в разрешении 480p за 1,78 секунды. Обучение проводилось для 81 кадра с частотой 16 кадров в секунду, а при генерации не требуется classifier-free guidance. Для работы требуется RTX 5090 с поддержкой NVFP4; более старые видеокарты не поддерживаются этой версией. Модель распространяется по лицензии Apache-2.0.

FastWan-QAD-FP8-1.3B — модель генерации видео по текстовому описанию из серии FastWan-QAD, разработанная FastVideo. Она основана на Wan-AI/Wan2.1-T2V-1.3B-Diffusers и предназначена для быстрого локального создания коротких видеороликов. Модель использует дистилляцию с учётом квантования (QAD) для вывода за три шага и FP8-квантованные линейные слои. Модель обучена генерировать видео в разрешении 832×480: 81 кадр, около пяти секунд при 16 кадрах в секунду. Для вычислений внимания используется SageAttention2++, а для декодирования — компактный автоэнкодер TAEHV. По данным карточки, на RTX 4090 генерация такого ролика занимает примерно 3,4 секунды; заявлена совместимость с GPU поколений Ampere, Ada и Hopper. Для работы требуется поддерживаемая GPU и соответствующая среда инференса. Лицензия — Apache-2.0.

Florence-2-large-hf — модель семейства Florence-2, опубликованная на Hugging Face как совместимая с библиотекой Transformers. По метаданным она относится к задачам image-text-to-text, то есть предназначена для преобразования визуального содержимого изображения в текстовый ответ или описание. Модель может применяться в сценариях, где требуется анализ изображений с формированием текста, например для генерации описаний изображений, визуальных вопросов и ответов или извлечения сведений из визуального содержимого. README является автоматически созданной карточкой и не содержит подтверждённых сведений о разработчике, архитектуре, числе параметров, поддерживаемых языках, длине контекста, обучающих данных, результатах оценки или лицензии. Основное ограничение — недостаток технической и эксплуатационной документации в карточке модели; фактические возможности, качество на конкретных наборах данных и условия использования требуют дополнительной проверки.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, представленная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для запуска через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по текстовым запросам, включая творческие проекты и приложения, которым важны качество результата и следование описанию. Лицензия Apache-2.0 разрешает личное, научное и коммерческое использование. Для производных моделей также перечислены ограничения на незаконное использование, вред несовершеннолетним, создание вредоносной дезинформации и другие виды злоупотребления. Модель не предназначена для предоставления фактической информации. Результат может не соответствовать запросу, а следование промпту зависит от его формулировки; модель также может усиливать общественные предубеждения.

Gemini 3.1 Flash Image, также известная как Nano Banana 2, — модель Google для генерации и редактирования изображений. В карточке она описана как модель с визуальным качеством уровня Pro и высокой скоростью работы линейки Flash. Модель предназначена для создания изображений по запросу и изменения существующих изображений. Данных о поддерживаемых языках, размере, контексте и лицензии в предоставленных источниках нет.

HiDream-I1-Full — полноразмерная версия открытой модели генерации изображений HiDream-I1, разработанная HiDream.ai. Это генеративная модель с разреженным диффузионным трансформером и 17 млрд параметров; она работает в библиотеке Diffusers и создаёт изображения по текстовым запросам. Модель рассчитана на генерацию в разных стилях, включая фотореализм, мультфильм и художественные изображения, с акцентом на качество и точное следование запросу. Модель подходит для создания иллюстраций, концепт-арта, изображений для творческих проектов и коммерческих материалов. В README заявлены высокие результаты на бенчмарках качества и соответствия запросам. Для запуска требуется Flash Attention; авторы рекомендуют CUDA 12.4. Модель распространяется по лицензии MIT, а README допускает личное, научное и коммерческое использование созданных изображений.

Juggernaut XL Lightning — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на базе SDXL Lightning и Stable Diffusion XL Base 1.0. Это ускоренный вариант семейства Juggernaut, ориентированный на фотореалистичные изображения и быстрый цикл генерации. Модель предназначена для пакетного создания вариантов, быстрой проверки промптов, интерактивной генерации и демонстраций с низкой задержкой. В README указано, что обычно достаточно 5–7 шагов инференса вместо 30–40 у стандартных вариантов; рекомендуются DPM++ SDE или DPM++ SDE Karras и CFG 1,5–2,0. Меньшее число шагов также может снизить нагрузку на видеопамять. Используется через Diffusers и интерфейсы ComfyUI, Forge, Automatic1111, Fooocus, InvokeAI и SwarmUI. Модель рассчитана на англоязычные текстовые запросы и выдаёт изображения. По сравнению с полношаговым Juggernaut XL v9 README отмечает небольшую потерю деталей ради скорости. Лицензия CreativeML Open RAIL-M допускает личное и творческое использование; размещать модель за платными API-сервисами нельзя без отдельного разрешения.

Kandinsky 5.0 T2I Lite SFT — модель генерации изображений по текстовому описанию от команды Kandinsky Lab. Это облегчённая модель семейства Kandinsky 5.0 с 6 млрд параметров, дообученная под контролируемым обучением на основе Kandinsky-5.0-T2I-Lite-pretrain-Diffusers. Модель использует латентный диффузионный конвейер с Flow Matching и Diffusion Transformer (DiT), который взаимодействует с текстовыми представлениями через cross-attention. Для кодирования текста применяются Qwen2.5-VL и CLIP, а для кодирования и декодирования изображений — Flux VAE. Модель предназначена для создания изображений по текстовым запросам; в README она обозначена как вариант с наивысшим качеством генерации среди перечисленных моделей Image Lite. Репозиторий распространяется в формате Diffusers и под лицензией MIT. В README указано, что на момент обновления модели поддержка ещё не была включена в основной Diffusers и предлагалось использовать форк; это может влиять на настройку и запуск.

Krea 2 Edit Outfit Transfer — это LoRA-адаптер, опубликованный под идентификатором AliveAi, для модели Krea 2 Edit на базе Krea/Krea-2-Raw. Он предназначен для редактирования изображений с переносом одежды с референсного изображения на сгенерированного персонажа при сохранении его внешности и позы. Модель используется в рабочих процессах Krea 2 Edit и требует специального формата референсных изображений одежды, а также одного из узлов ComfyUI: comfyui-krea2edit или ComfyUI-Krea2-Ostris-Edit. Для активации в запрос необходимо включать фразу «transfer the outfit». Предусмотрены два workflow: вариант с comfyui-krea2edit обеспечивает более точный перенос одежды, но работает медленнее; вариант с ComfyUI-Krea2-Ostris-Edit значительно быстрее, однако может хуже сохранять соответствие наряду. Модель в основном обучалась на женской одежде, поэтому для таких сценариев ожидаются лучшие результаты. Иногда изображение может содержать двух людей вместо одного; это можно исправить сменой seed или явным указанием единственного человека в запросе. Данные о размере, языках, максимальном контексте и лицензии в README не указаны.

Карточка модели thfzjj/Krea2_FP8 на Hugging Face совпадает с карточкой AlperKTS/Krea2_FP8, поэтому описание составлено по ней. AlperKTS/Krea2_FP8 — созданная сообществом квантизированная версия Krea 2 OSS Turbo от KREA.ai для генерации изображений по текстовым запросам. Модель использует архитектуру Krea2 на базе трансформера; репозиторий содержит веса FP8 в формате safetensors. Избирательная квантизация 266 матриц снижает размер с 24,76 до 12,01 ГиБ, сохраняя в исходной точности векторы, смещения, нормализации и чувствительные слои. По README модель можно запускать в ComfyUI 0.25.0 и новее; приведённый рабочий процесс использует 8 шагов и разрешение 1280×720. Модель предназначена для создания изображений по текстовым описаниям, включая иллюстрации, аниме и 3D-сцены. FP8-вариант рассчитан на запуск на потребительских видеокартах с 16 или 24 ГБ памяти. README сообщает, что примеры получены исходными весами BF16, поэтому качество конкретно этой квантизированной версии отдельно не подтверждено. Лицензия — KREA 2 License Agreement; перед использованием необходимо соблюдать её условия.

Krea 2 Turbo MLX-Serve mixed-4/8 — независимый неофициальный порт базовой модели Krea-2-Turbo, разработанный ddalcu и предназначенный для нативного запуска на Apple Silicon через mlx-serve. Модель создаёт изображения по текстовому описанию и рассчитана на использование в приложении mlx-serve или через его OpenAI- и Anthropic-совместимый HTTP API. Комплект включает все необходимые компоненты и не требует Python или сборки из нескольких загрузок. В основе лежит 12,9-миллиардная single-stream MMDiT-модель с diffusion и flow-matching, дистиллированная для Turbo-генерации за 8 шагов без guidance. Трансформер представлен в смешанной 4/8-битной квантизации, текстовый энкодер Qwen3-VL-4B-Instruct — в 8-битном формате, а Qwen-Image VAE работает в bf16. Поддерживаются размеры, кратные 16, от 256 до 2048 пикселей; в README язык модели указан как английский. Общий размер комплекта составляет около 15 ГБ и требует Apple Silicon. Сильные стороны модели — единый готовый к запуску комплект, высокая скорость 8-шаговой генерации и близость результатов к исходной MLX- и PyTorch-реализациям. Ограничения включают зависимость от Apple Silicon, крупный объём загрузки и отсутствие встроенной фильтрации контента в mlx-serve; при развёртывании необходимо самостоятельно реализовать разумные меры безопасности и раскрывать факт генерации, если этого требует закон. Модель распространяется по Krea 2 Community License. Коммерческое использование разрешено при годовой выручке менее 1 000 000 долларов США; при превышении этого порога требуется корпоративная лицензия Krea. Производные названия должны начинаться с «Krea», а использование также должно соответствовать Acceptable Use Policy. Компоненты Qwen распространяются по Apache-2.0. Порт не является официальным продуктом Krea и не поддержан компанией.