I.8Изображения и компьютерное зрение

Карточка модели nyxtesla/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 компании MiniMax для создания видео со стереозвуком по тексту и мультимодальным входным данным. В опубликованном наборе есть два специализированных чекпойнта; архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в последовательность для H3-Omni-Transformer, который совместно предсказывает видео- и аудиоданные. Репозиторий использует Diffusers и формат Safetensors; генерация длится 4–15 секунд, базовый выход имеет разрешение 768p, а вариант H3-Regenerate-2K позволяет получить до 2K. Модель предназначена для генерации роликов по тексту, изображениям и мультимодальным референсам, включая видео и аудио. Поддерживаются режимы с первым и последним кадром, а также смешанные референсные входы; возможны разные соотношения сторон. Полный сценарий обработки свободных мультимодальных инструкций зависит от H3-Context-IR — размещённого отдельно сервиса предварительной обработки, не входящего в открытый релиз. В открытом релизе используется полное внимание, а sparse attention пока не предоставляется. Лицензия указана как other, поэтому конкретные условия следует сверять с лицензией репозитория.

Карточка модели saramara/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 musafa901/MiniMax-H3_20260816 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.

Это GGUF-квантизированные файлы MiniMax H3, опубликованные VantageWithAI для использования в ComfyUI. MiniMax H3 — мультимодальная генеративная система для создания видео со стереозвуком по тексту и визуальным или аудиовизуальным референсам. Модель принимает текст, изображения, видео и аудио; варианты генерации поддерживают до двух кадровых изображений либо набор референсов до 9 изображений, 3 видео и 3 аудиоклипов при ограничениях на их длительность и общее число файлов. В описанной архитектуре отдельные энкодеры и VAE кодируют входные модальности в общую последовательность, которую обрабатывает H3-Omni-Transformer; система совместно предсказывает латенты видео и аудио. Базовая генерация рассчитана на длительность 4–15 секунд и разрешение с короткой стороной 768 пикселей; для генерации в 2K предусмотрен отдельный модуль H3-Regenerate-2K. В репозитории представлены варианты GGUF с квантизацией от Q3_K_M до Q5_K_M. Для сложных мультимодальных запросов разработчик рекомендует этап подготовки контекста H3-Context-IR, который не входит в эту открытую публикацию и доступен как размещённый сервис либо может быть реализован самостоятельно. Открытая версия использует полное внимание; реализация разреженного внимания заявлена для будущего выпуска. Лицензия указана как other, а README ссылается на MiniMax H3 Community License, условия которой следует проверить перед использованием.

Xenova/mobileclip_b — версия модели MobileCLIP-B в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Это модель семейства CLIP для классификации изображений по текстовым описаниям: она сопоставляет изображение с кандидатными текстовыми метками и позволяет выбирать наиболее подходящую. Репозиторий указывает задачу zero-shot image classification и совместимость с Transformers.js. Модель принимает изображения и текстовые варианты меток, а выдаёт оценки соответствия, которые можно использовать для классификации без обучения на собственных классах. Она подходит для клиентских JavaScript-приложений, которым нужна классификация изображений по заданному пользователем набору категорий. В карточке указана лицензия other; конкретные условия использования следует сверить с лицензией исходной модели MobileCLIP-B.

MOVA — открытая мультимодальная модель команды OpenMOSS для совместной генерации видео и синхронизированного с ним звука. Она предназначена для создания видео по изображению и текстовому описанию, а также по одному текстовому описанию. Модель генерирует аудио и видео за один проход, поддерживает синхронизацию речи с движением губ и создание звуков окружения. Архитектура MOVA состоит из двух асимметричных башен для видео и аудио, объединённых двунаправленным cross-attention, и использует Mixture-of-Experts. В README указано 32 млрд параметров суммарно, из них 18 млрд активны при инференсе. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — Apache-2.0. Для запуска и использования весов авторы направляют к инструкциям на GitHub; модель также предусматривает LoRA-дообучение. Заявлены многоязычная синхронизация губ и генерация звуков с учётом окружения. В README нет конкретных языковых кодов, сведений о длине контекста или детальных требований к аппаратному обеспечению; генерация видео и аудио может требовать значительных вычислительных ресурсов.

NextStep-1.1 — модель семейства NextStep, разработанная StepFun для генерации изображений по текстовым запросам. В карточке Hugging Face для неё указан тег text-to-image; каталог также отмечает text-generation, чат и интерфейс вызова инструментов. Это плотная 14-миллиардная модель на архитектуре LlamaForCausalLM, использующая библиотеку Transformers. Заявленная длина контекста — 131 072 токена. По словам разработчиков, версия 1.1 получила дополнительное обучение и постобучение с Flow-based reinforcement learning. Цель этих изменений — повысить качество и стабильность генерации изображений, улучшить текстуры и сократить число визуальных артефактов. Модель предназначена для создания изображений по описаниям; сведений о поддерживаемых естественных языках в карточке нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит количественных оценок качества и подробных ограничений на область применения; фактическое качество может зависеть от запроса и условий запуска.

spitfire4794/photo — репозиторий с моделью генерации фотореалистичных изображений dreamlike-photoreal-2.0 в формате Stable Diffusion. Модель предназначена для создания изображений по текстовому описанию; в качестве примеров указаны кинематографические сцены и имитация фотосъёмки с объективом GoPro или «рыбий глаз». Для работы доступны файлы checkpoint и safetensors, а также вариант для библиотеки diffusers с конвейером StableDiffusionPipeline. Карточка не сообщает базовую модель, число параметров и длину контекста. Указана лицензия other, поэтому конкретные условия использования следует уточнять по лицензии репозитория.

PixArt-α — генеративная модель преобразования текста в изображения, разработанная командой PixArt-α. Она построена на трансформерных блоках латентной диффузии и использует предварительно обученный текстовый энкодер T5 и VAE для представления изображений. По текстовому запросу модель генерирует изображения размером 1024 пикселя за один процесс семплирования; также заявлена возможность редактирования изображений по тексту. Модель предназначена для создания иллюстраций и художественных изображений, дизайнерских задач и исследований генеративных моделей. Авторы отмечают ограничения в фотореализме, отрисовке читаемого текста, сложных пространственных композициях и деталях вроде пальцев; автоэнкодер вносит потери. Генерация изображений реальных людей или событий как фактических изображений выходит за рамки назначения модели. Лицензия — CreativeML Open RAIL++-M.

Qwen-Image-2512-4bit-MLX — 4-битная версия текстовой модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для работы на Apple Silicon. Репозиторий содержит веса в формате safetensors, оптимизированные для MLX и запуска через mflux. Модель создаёт изображения по текстовым запросам; её можно использовать для генерации фотореалистичных сцен и других изображений из описаний. Базовая Qwen-Image-2512 отмечена улучшенной реалистичностью людей, детализацией природных сцен и отрисовкой текста. Квантизация до 4 бит снижает требования к памяти: в README для этой версии указано 24 ГБ. Для запуска README предлагает библиотеку mflux и команду mflux-generate-qwen. Модель рассчитана на Apple Silicon. Лицензия — Apache-2.0.

Qwen-Image-2512-6bit-MLX — 6-битная квантованная версия модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для запуска на Apple Silicon. Репозиторий использует MLX и библиотеку mflux; для генерации изображений по текстовому запросу указана команда mflux-generate-qwen. Модель предназначена для создания изображений по текстовым описаниям. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализированные природные сцены и отрисовку текста. Вариант использует 6-битное представление весов; в README для него указан объём 29 ГБ. Модель распространяется по лицензии Apache-2.0. Она рассчитана на Apple Silicon и соответствующий стек MLX/mflux; переносимость на другие аппаратные платформы в карточке не заявлена.

Realistic Stock Photo 3 SD1.5 — модель генерации изображений по текстовому описанию в формате Stable Diffusion 1.5, распространяемая в форматах Diffusers и safetensors. Карточка предлагает добавлять в промпт слово photo и содержит примеры фотореалистичных сцен, портретов и кинематографических снимков. Модель подходит для создания реалистичных изображений людей, семейных и праздничных сцен, фантастических персонажей и постановочных фотографий. В метаданных указан английский язык. Модель использует лицензию CreativeML OpenRAIL-M; её условия регулируют допустимое использование и распространение.

Realistic Vision V5.1 noVAE — модель генерации изображений по текстовому описанию, опубликованная пользователем Hugging Face SG161222. Она предназначена для создания реалистичных изображений; автор рекомендует для версии 5.1 подключать VAE, чтобы повысить качество и уменьшить артефакты. В карточке указаны формат Diffusers и веса Safetensors, а лицензия — CreativeML OpenRAIL-M. README предлагает параметры генерации Euler A или DPM++ 2M Karras и CFG Scale 3,5–7, а также рекомендует Hires.fix с апскейлером 4x-UltraSharp. В качестве ограничений отмечены возможные артефакты, анатомические ошибки и нежелательные детали, которые автор предлагает снижать с помощью отрицательного промпта. Карточка не указывает базовую модель или размер чекпойнта.

Realistic Vision V6.0 B1 — модель генерации изображений по текстовому описанию, созданная разработчиком SG161222; репозиторий zbmacro содержит её копию в формате Diffusers. Это бета-версия обновления семейства Realistic Vision, ориентированная на реализм и фотореалистичные изображения, в том числе портреты и изображения людей в полный рост. Модель использует Stable Diffusion Pipeline и принимает текстовый запрос, выдавая изображение. Для версии 6.0 разработчик рекомендует использовать VAE; при больших разрешениях возможны искажения и дублирование объектов, а некоторые позы могут обрабатываться некорректно. В карточке исходной модели указана лицензия CreativeML OpenRAIL-M.

RealVisXL V5.0 — модель генерации изображений по текстовому описанию от автора SG161222, ориентированная на фотореализм. Она может создавать изображения по промптам, в том числе обычного и откровенного содержания. В метаданных указаны пайплайн StableDiffusionXLPipeline и форматы Diffusers и Safetensors. Для генерации автор рекомендует сэмплеры DPM++ SDE Karras или DPM++ 2M Karras с указанным числом шагов, а для увеличения разрешения — Hires Fix с низкой силой шумоподавления. Среди ограничений отмечены возможные ошибки анатомии и лиц, включая кисти и симметрию черт. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.

Redshift Diffusion — дообученная модель Stable Diffusion от nitrosocke для генерации изображений в стиле высокодетализированных 3D-рендеров, напоминающих работы, созданные с рендерером Redshift. Для активации стиля в запрос рекомендуется добавлять токен «redshift style». Модель рассчитана на создание персонажей, автомобилей, пейзажей и других изображений по текстовому описанию; также в метаданных отмечена поддержка сценария image-to-image. Модель обучена методом DreamBooth на базе Diffusers с сохранением исходных знаний и дообучением текстового энкодера в течение 11 000 шагов. Она использует архитектуру Stable Diffusion и доступна в форматах Diffusers и PyTorch; карточка показывает примеры с разрешением 512×704 и 704×512. Для использования указана лицензия CreativeML Open RAIL-M. Результаты зависят от формулировки запроса и настроек генерации; примеры в карточке используют 20–40 шагов и CFG 7.

Ruyi-Mini-7B — модель генерации видео из изображения, разработанная CreateAI и выпущенная под лицензией Apache 2.0. По входному изображению она создаёт последующие видеокадры; поддерживает разрешения от 360p до 720p, разные соотношения сторон и ролики длительностью до 5 секунд, а также управление движением и камерой. Модель содержит около 7,1 млрд параметров и использует архитектуру, модифицированную на основе EasyAnimate V4, с трансформерным модулем, унаследованным от HunyuanDiT. В составе системы — VAE для сжатия видео, диффузионный трансформер с 3D-вниманием и CLIP для извлечения признаков входного изображения. Для генерации на высоких разрешениях требуется значительный объём видеопамяти. Это экспериментальный выпуск. На изображениях и видео могут искажаться текст, кисти рук и лица в толпе; иногда модель переключает сцену, если не может предсказать продолжение. Модель распространяется по разрешительной лицензии Apache 2.0.

Self-Forcing2.1-I2V-1.3B-GGUF — квантованные версии модели генерации видео, разработанные Nichonauta на основе Wan2.1-T2V-1.3B и метода Self-Forcing. Модель предназначена для создания видео по текстовому описанию и анимации исходного изображения с учётом текстовой инструкции. Она может использоваться в ComfyUI с расширением ComfyUI-GGUF. Модель содержит около 1,3 млрд параметров и основана на архитектуре Diffusion Transformer (DiT) с текстовым энкодером T5 и 3D VAE Wan-VAE, сохраняющим временную информацию. Метод Self-Forcing позволяет модели учитывать собственные ошибки генерации и корректировать их во время создания видео, что направлено на повышение временной согласованности и визуального качества. Поддерживается английский язык. Формат GGUF и квантование уменьшают требования к RAM и VRAM и позволяют запускать модель на CPU и GPU, однако необходим совместимый программный стек для работы с видеоархитектурой. Сильными сторонами являются сниженное потребление памяти, возможность работы на более широком диапазоне оборудования и поддержка как text-to-video, так и image-to-video сценариев. README не содержит сведений о длине контекста, длительности или разрешении генерируемых видео, конкретных вариантах квантования и измеренных ограничениях качества. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial-ShareAlike 4.0 (CC BY-NC-SA-4.0), поэтому коммерческое использование не разрешено, а производные материалы должны соответствовать условиям лицензии.

p1atdev/siglip-tagger-test-3 — экспериментальная модель классификации изображений, дообученная разработчиком p1atdev на базе Google SigLIP SoViT-400m. Она предсказывает теги Danbooru по изображению и возвращает подходящие метки с оценками уверенности; можно задать порог, чтобы отфильтровать результаты. Модель содержит около 544,9 млн параметров и распространяется в формате Safetensors. Для обучения использованы 5000 изображений Danbooru и 9517 общих тегов; теги персонажей и рейтинга не включены. Модель подходит для автоматического тегирования иллюстраций и поиска изображений по тегам. Автор отмечает экспериментальный характер модели и не рекомендует использовать её в производственной среде; в README приведены низкие значения loss и accuracy на оценочной выборке, поэтому качество предсказаний следует проверять на целевых данных. Лицензия — Apache-2.0.

Quiho/SoLordZ_Krea2-Turbo — текстово-генеративная модель для создания изображений по текстовым описаниям. Модель опубликована пользователем Quiho и основана на дообучении базовой модели krea/Krea-2-Turbo. Она предназначена для запуска через библиотеку Diffusers. Модель поддерживает текстовые запросы на английском и китайском языках и решает задачу text-to-image. Её можно использовать для создания иллюстраций, концепт-артов, визуальных материалов и других изображений по описанию пользователя. Модель распространяется по лицензии Apache-2.0. В предоставленных данных не приведены сведения о размере модели, архитектурных деталях, длине контекста, специализированных стилях или дополнительных модальностях.

Stable Diffusion 2 — модель генерации изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий является зеркалом устаревшей модели Stability AI и не связан с этой организацией. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H; она продолжает обучение Stable Diffusion 2 Base, в том числе на изображениях 768×768. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, концептов и изображений для творческих и образовательных инструментов. Она лучше работает с английскими запросами; качество генерации зависит от формулировки и не гарантирует точного следования сложным пространственным отношениям. Ограничения включают слабую генерацию читаемого текста, несовершенную фотореалистичность и возможные ошибки в изображении лиц и людей. Обучающие данные содержали отфильтрованные материалы LAION-5B, а модель может воспроизводить социальные и культурные предубеждения. Лицензия — CreativeML Open RAIL++-M License.

Карточка модели LanguageMachines/stable-diffusion-2-1 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.

Карточка модели yuvraj108c/stable-diffusion-3.5-large на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-large, поэтому описание составлено по ней. Stable Diffusion 3.5 Large — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она предназначена для создания иллюстраций и других художественных изображений, работы в дизайнерских процессах, творческих и образовательных инструментах, а также исследований генеративных моделей. Модель использует архитектуру Multimodal Diffusion Transformer (MMDiT), три предварительно обученных текстовых энкодера — OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL — и нормализацию QK. В README отмечены улучшения качества изображений, работы с типографикой, понимания сложных запросов и эффективности использования ресурсов. Модель ориентирована на английские запросы; для энкодеров указаны контексты 77 и 256 токенов на разных этапах обучения. Модель распространяется по Stability Community License; для коммерческого использования Stability AI предлагает уточнить условия лицензирования. Она не предназначена для достоверного изображения реальных людей или событий. Защитные меры не гарантируют устранения всего потенциально вредного контента, поэтому разработчикам следует проверять результаты и применять подходящие ограничения.

chenguolin/stable-diffusion-v1-5 — копия контрольной точки Stable Diffusion v1.5, разработанной Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, которая создаёт и редактирует изображения по текстовым запросам; для текстового условия использует предварительно обученный энкодер CLIP ViT-L/14. Модель можно запускать через Diffusers и исходный репозиторий RunwayML. Контрольная точка основана на Stable Diffusion v1.2 и дообучена на 595 тысячах шагов при разрешении 512×512 на данных LAION-Aesthetics v2 5+. Модель подходит для создания иллюстраций, художественных изображений и материалов для творческих инструментов. Лучше всего работает с английскими запросами. Она может ошибаться в фотореалистичности, отображении текста, лиц и сложных пространственных отношений; также возможны смещения и запоминание обучающих изображений. В обучающих данных присутствовал контент для взрослых, поэтому для развёртывания рекомендуется использовать safety checker Diffusers и учитывать условия лицензии CreativeML OpenRAIL-M.

Stable Diffusion v1.5 — латентная диффузионная модель генерации и редактирования изображений по текстовому запросу, разработанная Робином Ромбахом и Патриком Эссером. Эта копия репозитория — зеркало устаревшей модели runwayml/stable-diffusion-v1-5; её владельцы не связаны с RunwayML. Модель использует фиксированный текстовый энкодер CLIP ViT-L/14 и доступна в форматах Diffusers, PyTorch и Safetensors. Модель подходит для создания иллюстраций, художественных изображений и материалов для творческих инструментов. В карточке указана лицензия CreativeML OpenRAIL-M. Модель обучалась преимущественно на англоязычных описаниях, поэтому англоязычные запросы обычно подходят лучше. Она не гарантирует фотореализм, плохо справляется с композицией сложных сцен и разборчивым текстом; лица и люди могут получаться некорректно. Для применения предусмотрен Safety Checker в Diffusers; обучающие данные содержали материалы для взрослых, а изображения могли запоминаться моделью.

Starlight XL v3 — модель генерации изображений по текстовому описанию, доступная через сервис ModelsLab. В карточке показан вызов API с идентификатором модели starlight-xl-v3 и примерами параметров генерации: промптом и негативным промптом, размером изображения, числом шагов и guidance scale. В метаданных указан конвейер StableDiffusionXLPipeline и форматы Diffusers и PyTorch. Модель предназначена для создания изображений, в том числе фотореалистичных портретов и сцен с кинематографическим освещением. Пример обращения использует промпт на английском языке; заявленная лицензия — CreativeML OpenRAIL-M. README описывает доступ через API ModelsLab, однако не содержит сведений о локальном запуске или характеристиках качества.

t-shirt-diffusion — модель генерации изображений по текстовому описанию, распространяемая через платформу Stable Diffusion API. Карточка предлагает вызывать её по API ModelsLab и показывает пример запроса с настройками промпта, отрицательного промпта, разрешения 512 × 512 и 30 шагов генерации. Модель предназначена для создания изображений по текстовым запросам; пример демонстрирует фотореалистичный портрет с художественными деталями. Метаданные указывают на StableDiffusionPipeline и форматы Diffusers и PyTorch. Указана лицензия CreativeML OpenRAIL-M. Карточка не сообщает точный размер модели, поддерживаемые языки или ограничения качества; пример API задаёт параметр multi_lingual как «no».

UltraFlux-v1 — модель генерации изображений по тексту на основе диффузионного трансформера FLUX.1-dev. В карточке она описана как система для нативной генерации изображений в разрешении 4K с устойчивым качеством при разных соотношениях сторон, включая квадратные, портретные и широкоформатные изображения. В подходе сочетаются оптимизированная для 4K архитектура DiT, набор данных MultiAspect-4K-1M, дополнительное обучение VAE и функции потерь, учитывающие высокое разрешение. Модель рассчитана на создание изображений по текстовым описаниям и inference через Diffusers. В метаданных указаны формат safetensors, базовая модель black-forest-labs/FLUX.1-dev и лицензия Apache-2.0. Карточка не сообщает конкретные ограничения, поэтому практическое качество и требования к ресурсам следует оценивать в целевом окружении.

Это модель для создания подписей к изображениям на китайском языке, разработанная yuanzhoulvpi. Она объединяет визуальный энкодер ViT с декодером GPT-2: ViT кодирует изображение, а GPT-2 формирует текстовое описание. В качестве компонентов указаны google/vit-base-patch16-224 и yuanzhoulvpi/gpt2_chinese. Модель принимает изображение и генерирует китайскую текстовую подпись. Она предназначена для автоматического описания изображений и может использоваться, например, для подготовки подписей к фотоколлекциям. Репозиторий содержит веса в форматах PyTorch и Safetensors; лицензия — MIT. Карточка не приводит оценок качества или ограничений применения.