I.8Изображения и компьютерное зрение

Qwen-Image-2512 — модель генерации изображений по текстовому описанию, выпущенная командой Qwen и переизданная Unsloth как зеркало с неизменёнными весами. Это обновлённая версия базовой модели Qwen-Image, ориентированная на фотореалистичное изображение людей, детальную передачу природных сцен и более точное размещение текста в изображениях. Модель принимает текстовые запросы на английском и китайском языках и создаёт изображения, лучше соблюдая описанные детали сцены, позы и композиции. В карточке она предназначена для генерации изображений общего назначения; для работы используется библиотека Diffusers и формат Safetensors. Лицензия — Apache 2.0. В README заявлено улучшение реалистичности людей, детализации природных элементов и рендеринга текста по сравнению с исходной Qwen-Image; эти заявления основаны на оценках разработчиков и не гарантируют одинаковое качество для всех запросов.

Frederic75/Qwen-Image-2512-GGUF — это квантизированная версия фундаментальной text-to-image-модели Qwen-Image-2512, разработанной командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и распространяется в формате GGUF через библиотеку Diffusers. Модель ориентирована на создание реалистичных изображений людей, сцен природы и повседневных сюжетов, а также на формирование композиций с текстовыми элементами. По сравнению с базовой версией Qwen-Image она заявляет более естественную передачу человеческой внешности, мелких деталей природных объектов, волос, лиц и улучшенное рендеринг текста и компоновки. Заявлены поддержка английского и китайского языков, однако сведения о размере модели, точной архитектуре, максимальном контексте и дополнительных модальностях в README не приведены. К преимуществам относятся повышенный фотореализм, детализация и качество отображения текста внутри изображений. К ограничениям относятся отсутствие в предоставленных данных подробных характеристик производительности, требований к оборудованию и описания возможных ограничений генерации. Модель распространяется по лицензии Apache-2.0.

vantagewithai/Qwen-Image-2512-GGUF — это квантизированная версия модели Qwen-Image-2512, разработанной командой Qwen и распространяемой пользователем VantageWithAI в формате GGUF. Модель предназначена для генерации изображений по текстовому описанию и интегрируется с экосистемой Diffusers. Заявленные языки — английский и китайский. Модель ориентирована на создание реалистичных изображений людей, природных сцен, животных и композиций с текстовыми элементами. По сравнению с базовой версией Qwen-Image, обновление 2512 улучшает реалистичность человеческих лиц и внешности, детализацию природных объектов, включая шерсть и ландшафты, а также качество размещения и отображения текста на изображениях. Отдельно отмечается более точная мультимодальная композиция текста и изображения, однако в предоставленных данных не указаны конкретные архитектурные параметры, размер модели, максимальное разрешение или длина контекста. К сильным сторонам относятся повышенная фотореалистичность, детализация мелких элементов и улучшенное рендеринг текста. Ограничения связаны с отсутствием подробных сведений о производительности GGUF-квантизации, требованиях к оборудованию и поддерживаемых режимах работы; фактическое качество может зависеть от выбранной степени квантизации и программного окружения. Модель распространяется по лицензии Apache-2.0.

Realistic Vision v6.0 — модель генерации изображений по текстовому описанию, опубликованная под именем stablediffusionapi. Карточка предлагает использовать её через API ModelsLab; в примере можно задавать положительный и отрицательный промпты, размер изображения, число шагов генерации и guidance scale. В README модель описана как ориентированная на фотореалистичные изображения, включая портреты с детализированным освещением и внешностью. Репозиторий Hugging Face содержит веса в форматах Diffusers и PyTorch, а модель использует StableDiffusionPipeline. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, максимальное разрешение или поддерживаемые языки промптов.

Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель: она использует фиксированный текстовый кодировщик CLIP ViT-L/14 и создаёт изображения в разрешении 512×512. Чекпойнт основан на Stable Diffusion v1.2 и дообучен на 595 тысячах шагов на данных LAION-Aesthetics v2 5+ с отключением текстового условия в части примеров для улучшения classifier-free guidance. Модель подходит для создания иллюстраций, художественных изображений и материалов для творческих инструментов. Лучше всего она работает с англоязычными запросами. Доступны веса в формате Diffusers и safetensors; для использования указан лицензией CreativeML OpenRAIL-M, условия которой следует соблюдать. Модель может ошибаться в деталях и композиции, плохо рисует читаемый текст, лица и людей, а фотореализм не всегда точен. Обучающие данные содержали материалы для взрослых и могли закрепить социальные предубеждения; карточка рекомендует использовать Safety Checker из Diffusers и не применять модель для выдачи вымышленных изображений за достоверные изображения людей или событий.

Photoreal v2.7 — модель, дообученная на базе Stable Diffusion 1.5 для генерации фотореалистичных изображений по текстовым запросам. Она предназначена для создания реалистичных изображений и художественных работ. Модель распространяется в форматах Diffusers и PyTorch и использует библиотеку Diffusers. Лицензия — GPL-3.0.

DESSEP/SDXL-v1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Evgeniy Pantin на основе Stable Diffusion XL Base 1.0 от Stability AI. Это диффузионная модель в формате Diffusers с весами Safetensors; для текстового кодирования используются OpenCLIP-ViT/G и CLIP-ViT/L. Модель предназначена для создания изображений по промптам и изменения изображений. Версия «a12» прошла 12 шагов дообучения на специально отобранных 80 изображениях; автор рекомендует использовать последнюю доступную версию репозитория. Основной язык промптов — английский. Лицензия CreativeML Open RAIL++-M разрешает коммерческое и некоммерческое использование с соблюдением её условий и ограничений. Модель может плохо отображать читаемый текст, сложные пространственные композиции, лица и людей; автоэнкодер вносит потери. Она не предназначена для достоверного воспроизведения людей или событий, а результаты на других языках могут быть хуже. Обучающие изображения, согласно карточке, не содержали NSFW-данных.

Карточка модели hyf015/seine_weights 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.

Shuttle 3 Diffusion — модель генерации изображений по текстовому описанию от ShuttleAI, предназначенная для создания детализированных и разнообразных изображений за четыре шага. Она работает через библиотеку Diffusers и доступна в вариантах bfloat16, FP8 и GGUF для разных аппаратных условий. В карточке заявлено улучшенное качество изображений, работа с типографикой и сложными промптами, а также эффективность использования ресурсов; приведено сравнение с Flux Dev, но независимые результаты оценки не указаны. Модель принимает текстовые промпты и выдаёт изображения. Лицензия Apache 2.0 разрешает использование и распространение на её условиях. Поддерживается английский язык; сведения о других языках и длине контекста не приведены.

SkyReels-V2-I2V-1.3B-540P-Diffusers — модель генерации видео из изображения из семейства SkyReels-V2, разработанного командой Skywork. Этот вариант предназначен для image-to-video-синтеза: он принимает исходное изображение и создаёт на его основе видеоряд. Для запуска требуется передать изображение; для I2V в README рекомендованы guidance scale 5.0 и shift 3.0. Модель использует архитектуру AutoRegressive Diffusion-Forcing, предназначенную для генерации длинных видео с сохранением движения и визуальной согласованности. Репозиторий предоставляет веса в формате Diffusers и SafeTensors. В README описаны сценарии сторителлинга и кинематографичной генерации, однако отдельные характеристики этого варианта — разрешение, число параметров и длина контекста — в использованных данных не подтверждены. Модель разработана Skywork. Метаданные указывают лицензию «other», но конкретные условия лицензии в предоставленных данных не раскрыты; перед использованием следует проверить лицензионный файл репозитория.

Карточка модели jobs-git/SkyReels-V2-I2V-14B-720P на Hugging Face совпадает с карточкой Skywork/SkyReels-V2-T2V-14B-720P, поэтому описание составлено по ней. SkyReels-V2-T2V-14B-720P — модель генерации видео по текстовому описанию, разработанная командой Skywork. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательной генерацией кадров. В основе модели лежит плотная архитектура text-to-video с авторегрессионным Diffusion Forcing; репозиторий содержит веса в формате safetensors. В названии указаны размер 14B и разрешение 720P. Модель рассчитана на генерацию видео по текстовым промптам, создание сюжетных роликов и сцен с движением камеры. Авторы описывают обучение с несколькими этапами предобучения, подкреплением и supervised fine-tuning для улучшения визуального качества и динамики движения. README также описывает задачи image-to-video и генерацию с несколькими согласованными объектами для серии SkyReels-V2, но этот репозиторий классифицирован как text-to-video. В README приведены код и инструкции для инференса на одной или нескольких GPU, включая ускорение через xDiT USP. Для использования требуются вычислительные ресурсы с GPU. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

small-sd — модель генерации изображений по текстовому описанию, опубликованная Segmind. Это дистиллированная дообученная версия SG161222/Realistic_Vision_V4.0, созданная на подмножестве набора recastai/LAION-art-EN-improved-captions и предназначенная для работы с Diffusers. В обучении использовались изображения разрешением 512 пикселей и точность fp16. Модель подходит для создания изображений по текстовым запросам. Веса доступны в форматах Diffusers и PyTorch. Карточка указывает лицензию CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения. В README не приведены сведения о длине контекста и поддержке языков.

Карточка модели radames/stable-diffusion-2-1-img2img на Hugging Face совпадает с карточкой Charles-Elena/stable-diffusion-2-1, поэтому описание составлено по ней. Stable Diffusion 2.1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Версия 2.1 дообучена на базе Stable Diffusion 2 дополнительными шагами обучения; карточка описывает вариант с разрешением 768 пикселей. Модель доступна в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, художественных изображений и материалов для дизайна, а также для творческих и образовательных инструментов. Она принимает текстовые запросы, лучше всего понимает английский язык и выдаёт изображения. Лицензия — CreativeML Open RAIL++-M; карточка ограничивает применение исследовательскими целями и описывает недопустимые сценарии использования. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Качество генерации по неанглийским запросам ниже; обучающие данные могут отражать культурные и социальные предубеждения.

Stable Diffusion 3 Medium — модель генерации изображений по текстовому описанию, разработанная Stability AI и повторно размещённая в репозитории v2ray. Это мультимодальный диффузионный трансформер MMDiT с тремя предобученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-xxl. Репозиторий содержит веса в формате Diffusers и Safetensors. Модель предназначена для создания иллюстраций и других изображений по текстовым запросам, включая творческие и дизайнерские сценарии, а также образовательные инструменты и исследования генеративных моделей. В карточке заявлены улучшения качества изображения, обработки типографики, понимания сложных запросов и эффективности использования ресурсов. Модель не предназначена для создания фактически достоверных изображений людей или событий; генерация может быть предвзятой, токсичной или иным образом нежелательной, поэтому для приложений нужны собственные меры модерации. Англоязычные оценки безопасности не охватывают все возможные риски. Лицензия — Stability Non-Commercial Research Community License; коммерческое использование требует подходящей коммерческой лицензии Stability AI.

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.

UniAVGen — контрольная точка модели для совместной генерации аудио и видео, разработанная MCG-NJU и Tencent Hunyuan. Она представлена в работе «UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions» и предназначена для создания согласованных аудиовизуальных материалов. Модель основана на Wan2.2-TI2V-5B и дообучена для генерации видео по изображению. В карточке также заявлена единая генерация аудио и видео с акцентом на синхронизацию движений губ, смысловую согласованность и обобщение на разные задачи. Файлы представлены в формате safetensors; лицензия — Apache-2.0. Описание не уточняет способ подачи аудио, поддерживаемые языки, длительность или разрешение генерируемых материалов и системные требования. В метаданных основная задача указана как image-to-video, поэтому поддержка совместной генерации аудио-видео здесь следует из карточки проекта, но не отражена отдельным pipeline-тегом.

Uni-MoE 2.0-Image — модель генерации изображений по текстовому описанию из семейства Uni-MoE 2.0, разработанного командой HIT-TMG. Это версия Uni-MoE 2.0-Omni, дообученная на данных визуальной генерации. В метаданных указаны архитектура GrinQwen2VLForConditionalGeneration, 7,1 млрд параметров и контекст до 128 000 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для создания изображений по текстовым запросам. Семейство Uni-MoE 2.0 описано как мультимодальное и ориентированное на понимание, рассуждение и генерацию; для этой версии карточка заявляет специализированное дообучение на визуальной генерации. Метаданные указывают английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

Карточка модели aiinfluencer00/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.

Карточка модели alibaba-pai/Wan2.1-Fun-V1.1-14B-Control на Hugging Face совпадает с карточкой alibaba-pai/Wan2.1-Fun-V1.1-1.3B-InP, поэтому описание составлено по ней. Wan2.1-Fun-V1.1-1.3B-InP — модель семейства Wan2.1-Fun, представленная в карточке Alibaba PAI и распространяемая по лицензии Apache 2.0. Это вариант для генерации видео по тексту и изображениям; в README он описан как модель с обучением на нескольких разрешениях и поддержкой задания начального и конечного кадров. В репозитории указаны веса в формате safetensors и библиотека videox_fun. Модель подходит для создания коротких видеосцен по текстовому описанию, а также анимации изображения с управлением начальным и конечным кадрами. README проекта также описывает сценарии image-to-video, однако конкретные возможности зависят от выбранной модели и файла запуска. Вариант 1,3B требует значительных вычислительных ресурсов: документация предлагает режимы переноса модели в CPU, а квантование float8 может снизить качество генерации.

Карточка модели wan-world/Wan2.1-I2V-14B-480P 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.

Wan2.1-VACE-1.3B-GGUF — это прямая конверсия модели Wan2.1-VACE-1.3B в формат GGUF, опубликованная samuelchristlie на основе исходной модели Wan-AI. Модель предназначена для генерации и редактирования видео, включая сценарии text-to-video и image-to-video, а также генерацию визуального текста. Она относится к открытому семейству видеомоделей Wan2.1 и совместима с библиотекой Diffusers. Модель имеет размер 1,3 млрд параметров. В карточке указана поддержка английского языка и категория text-to-video; другие языки и точный размер контекста не раскрыты. Заявлена пригодность для работы на потребительских GPU, однако конкретные требования к памяти, производительность и дополнительные ограничения не приведены. Модель распространяется по лицензии Apache 2.0, унаследованной от исходной модели. Для использования необходимо скачать файлы репозитория и настроить совместимое программное окружение; подробные параметры запуска в карточке не указаны.

magespace/Wan2.2-I2V-A14B-Lightning-Diffusers — версия Wan2.2 Image-to-Video, оптимизированная Lightx2v для быстрой генерации видео из изображения. Она принимает исходное изображение и текстовое описание движения или сцены, а также поддерживает генерацию видео только по тексту. Модель использует архитектуру диффузии с Mixture-of-Experts (MoE); заявлены варианты генерации в разрешении 480p и 720p. Модель предназначена для создания коротких видеороликов с заданной сценой и движением, включая кинематографическую стилизацию. В карточке базовой Wan2.2 указана генерация роликов длительностью около пяти секунд для A14B; отдельные возможности Lightning-варианта могут отличаться. Для запуска используется библиотека Diffusers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. Генерация видео требует значительных вычислительных ресурсов; README базовой модели указывает для одного из режимов T2V потребность как минимум в 80 ГБ видеопамяти, а также описывает способы снизить нагрузку. Это указание не подтверждает точные требования данной сборки Lightning. Длина контекста и поддерживаемые языки в предоставленных данных не описаны.

Карточка модели kepom/Wan2.2-T2V-A14B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-T2V-A14B-Diffusers, поэтому описание составлено по ней. Wan2.2-T2V-A14B — модель генерации видео по текстовому описанию от команды Wan-AI. Она предназначена для создания видеороликов длительностью около 5 секунд в разрешении 480p или 720p. Модель использует диффузионную архитектуру Mixture-of-Experts: специализированные эксперты участвуют в разных этапах денойзинга. Обучение на расширенном наборе изображений и видео направлено на улучшение генерации сложного движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Репозиторий предоставляет веса в форматах Diffusers и safetensors и интеграцию с Diffusers. Для запуска на одном GPU README указывает требование не менее 80 ГБ видеопамяти; доступны параметры выгрузки модели и переноса T5 на CPU для снижения потребления памяти, а также много-GPU-инференс. Для расширения промптов можно подключить Dashscope API. Лицензия модели — Apache-2.0.

Карточка модели Sanaullahbs/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.

Карточка модели Sumith0102/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.

Карточка модели xavunit/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.

GuangyuanSD/Z-Image-Distilled — производная модель генерации изображений по текстовым описаниям, основанная на Tongyi-MAI/Z-Image и доработанная с помощью дистилляции и Flow-DPO. Она предназначена для быстрого создания реалистичных изображений и ускоренных творческих итераций; автор заявляет, что качественные результаты можно получать примерно за 8 шагов, а варианты и адаптеры модели ориентированы на совместную работу с LoRA и каскадное уточнение через Klein 9B. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка описывает версии и адаптеры семейства Z-Image-Distilled, поэтому конкретные характеристики могут различаться между ними. Среди ограничений указаны ухудшение читаемости текста, особенно мелкого, по сравнению с исходной Z-Image, а также возможный цветовой сдвиг в сторону синего при использовании некоторых планировщиков. Заявления о скорости и качестве принадлежат автору модели.

Модель dima806/ai_vs_human_generated_image_detection — дообученная версия Vision Transformer (ViT) для классификации изображений на созданные человеком и сгенерированные ИИ. Она предназначена для проверки происхождения отдельного изображения и первичного отбора подозрительных изображений. Модель содержит 113,2 млн параметров, построена на базе google/vit-base-patch16-224-in21k и распространяется в формате Safetensors для библиотеки Transformers. В отчёте README указаны точность 97,87% и метрики на тестовой выборке примерно из 8 тысяч изображений. Эти результаты относятся к данным, использованным при оценке: карточка предупреждает, что обучающая выборка собрана примерно год назад, а новые генераторы изображений могут заметно снизить качество из-за изменения распределения данных. Для актуального применения рекомендуется переобучение на свежих размеченных примерах. Лицензия — Apache-2.0.

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.

BitDance-14B-64x — мультимодальная авторегрессионная модель генерации изображений, разработанная авторами проекта BitDance. В модели 14 млрд параметров; её архитектура основана на Qwen3. Для текста используется стандартное предсказание следующего токена, а визуальные токены генерируются диффузионным методом с предсказанием до 64 патчей за шаг. Такой подход предназначен для эффективного создания изображений высокого разрешения и фотореалистичной генерации по текстовому описанию. Модель дообучена на основе shallowdream204/BitDance-14B-16x и распространяется в формате safetensors по лицензии Apache-2.0. В карточке заявлены английский и китайский языки; нативная длина контекста составляет 40960 токенов. Подробности о качестве по отдельным сценариям в доступной карточке не приведены.