I.8Изображения и компьютерное зрение

ItsNotAI-ai-detector-v2 — модель классификации изображений, разработанная проектом ItsNotAI для определения, создано ли изображение человеком или генератором ИИ, и для распознавания предполагаемого источника. Это дообученная модель BEiT-Large на базе microsoft/beit-large-patch16-224 с двумя классификационными головами: бинарной и многоклассовой. В метаданных указано 411 млн параметров; README указывает входной размер 224×224 пикселя и примерно 304 млн параметров, поэтому оценка размера в источниках расходится. Модель предназначена для проверки цифровых иллюстраций и фотографий, фильтрации загрузок на стоковые платформы, модерации и анализа происхождения изображений. По README, многоклассовая голова различает реальные источники и генераторы, включая Stable Diffusion, Midjourney, DALL·E и FLUX; заявленные метрики точности составляют 95,07% для бинарной и 93,47% для многоклассовой классификации. Эти показатели приведены авторами модели и не гарантируют такой же результат на новых данных. Модель принимает изображения распространённых форматов и выдаёт метки классов. README отмечает снижение точности на сильно сжатых изображениях, преимущественное обучение на изображениях в западном стиле, риск ошибочной классификации генераторов, отсутствовавших в обучающих данных, и ограниченное число обучающих примеров FLUX. Для официальной проверки ItsNotAI использует ансамбль моделей и экспертную оценку; эта отдельная процедура не является частью данного чекпойнта. Лицензия — Apache-2.0.

Juggernaut Reborn — модель генерации изображений по текстовому описанию, доступная через ModelsLab API и оформленная для использования с Diffusers. Карточка показывает сценарий text-to-image с настройками промпта, отрицательного промпта, размера изображения, числа шагов генерации и guidance scale; модель позиционируется для создания фотореалистичных изображений и портретов. В примере API указаны размер 512×512 и 30 шагов генерации. README также демонстрирует параметры усиления промпта, апскейлинга и подключения LoRA или embeddings. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; фактические условия распространения и использования следует сверять с её текстом.

Juggernaut XL v6 — модель генерации изображений по текстовому описанию, созданная KandooAI совместно с RunDiffusion. Это дообученная версия Stable Diffusion XL Base 1.0 с фотографической основой RunDiffusion Photo v1, предназначенная для фотореалистичных, портретных и кинематографичных изображений. Модель работает с текстовыми запросами и выдаёт изображения; карточка указывает поддержку английского языка. В README рекомендованы разрешения 832 × 1216 и 1216 × 832, а для генерации — 30–40 шагов сэмплера DPM++ 2M Karras. Версия v6 подходит для сохранения совместимости с LoRA, ControlNet, эмбеддингами и производственными процессами, настроенными под этот чекпойнт, а также для получения его характерной эстетики: более мягкого освещения и сдержанного контраста. Для новых проектов автор рекомендует более поздние версии Juggernaut. Лицензия CreativeML Open RAIL-M разрешает личное и творческое использование; размещение за платными API-сервисами требует отдельного разрешения или лицензии.

Карточка модели karlsencoin/Juggernaut-XL-v9 на Hugging Face совпадает с карточкой RunDiffusion/Juggernaut-XL-v9, поэтому описание составлено по ней. Juggernaut XL v9 — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на основе Stable Diffusion XL Base 1.0. Это дообученный чекпойнт SDXL с интеграцией RunDiffusion Photo v2, ориентированный на фотореалистичные изображения. Репозиторий содержит веса в формате Diffusers и отдельный файл safetensors. Модель предназначена для создания фотографических изображений по текстовым запросам: портретов, архитектуры, автомобилей, дикой природы, еды, интерьеров и пейзажей. Карточка рекомендует разрешение 832 × 1216 или 1216 × 832, сэмплер DPM++ 2M Karras и 30–40 шагов; заявлена работа на видеокарте с 8 ГБ VRAM. Модель совместима с инструментарием SDXL, включая ControlNet, IP-Adapter и LoRA, и может использоваться через Diffusers и популярные интерфейсы генерации изображений. Карточка описывает улучшения детализации кожи и микротекстур, контроля освещения и контраста, а также стабильности результатов в разных фотографических сюжетах. Модель принимает текстовые запросы и генерирует изображения; в метаданных указан английский язык. Использование для личных и творческих задач разрешено по лицензии CreativeML Open RAIL-M. Размещение за платными API требует отдельного разрешения на коммерческое лицензирование.

Kiwi-Edit 5B — модель для редактирования видео по текстовым инструкциям с передачей визуальных ориентиров. В карточке она описана как единая архитектура, сочетающая обучаемые запросы и латентные визуальные признаки для семантического управления по референсам; заявлено обучение на масштабируемом конвейере данных и наборе RefVIE. Модель предназначена для управляемого редактирования видео, где важны следование инструкции и сходство с визуальным референсом. Репозиторий подготовлен для Diffusers и содержит веса в формате Safetensors. Метаданные классифицируют модель как image-to-video; размер 5B следует из названия репозитория, но отдельно в метаданных не подтверждён. Карточка заявляет улучшенное следование инструкциям и точность передачи референсов, однако не приводит количественных результатов, сведений о поддерживаемых языках или длине видео. Лицензия в предоставленных данных не указана.

Krea-2-Turbo — текстово-графическая диффузионная модель Krea.ai, Inc., опубликованная Unsloth как зеркало с неизменёнными весами, доступное без ограничения Hub. Это контрольная точка Krea 2 Turbo версии 1.0: дообученный и дистиллированный вариант базовой Krea 2 Raw с архитектурой Diffusion Transformer и 12 млрд параметров. Модель создаёт изображения по описаниям на естественном языке и предназначена для генерации визуальных концепций, исследования дизайна, производства изображений и интеграции в приложения и творческие инструменты. В примере запуска для быстрого режима указаны 8 шагов, CFG 0 и размер изображения 2048 × 2048 пикселей. Метаданные указывают английский язык карточки; README не подтверждает качество работы на других языках. Модель не предназначена для получения фактических сведений. Она может не следовать запросу и выдавать нежелательные результаты; качество зависит от стиля, точности и формулировки промпта. Для использования действуют условия Krea 2 Community License и Acceptable Use Policy: разработчики должны применять фильтрацию контента или эквивалентную проверку.

Liberte Redmond — модель генерации изображений из текста для библиотеки Diffusers. В карточке показаны примеры фотореалистичных изображений, аниме, иллюстраций и художественных сцен; модель позиционируется как универсальная для создания изображений по текстовым запросам. Модель предназначена для генерации портретов, персонажей, пейзажей, предметов и сюжетных сцен в разных визуальных стилях. В README приведены примеры запросов с подробными описаниями объектов, композиции, освещения и художественного оформления. Репозиторий использует форматы Diffusers и safetensors и относится к семейству Stable Diffusion. Лицензия — CreativeML OpenRAIL-M; её условия регулируют допустимое использование и распространение модели.

Карточка модели Ademola265/LTX-2 на Hugging Face совпадает с карточкой Aga16/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Карточка модели NNYAA-344184/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Карточка модели wang1232132132/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Lightricks/LTX-2.3-22b-IC-LoRA-Ingredients — адаптер IC-LoRA для базовой модели Lightricks/LTX-2.3, разработанный Lightricks. Модель предназначена для генерации видео по текстовому описанию с использованием референсного листа, а также для сценариев video-to-video, где требуется сохранять согласованность персонажей, объектов, окружения и визуальных элементов между кадрами. В доступных данных указано, что модель работает в видеопайплайне video-to-video и распространяется как diffusion-модель в одном файле. Поддерживаемый язык — английский. Референсный лист может описывать персонажей, предметы, локации и логотипы, а целевое описание задаёт сцену, композицию, движение, освещение и другие параметры результата. Сведения о точном числе параметров, формате входных данных, максимальной длине контекста и модальностях, помимо текста и видео или изображений-референсов, не приведены. Сильная сторона модели — возможность сочетать текстовые инструкции с визуальными референсами для повышения согласованности объектов и персонажей в генерируемых видеосценах. Ограничения включают зависимость качества от подробности описаний и референсных материалов, а также отсутствие в README данных о производительности, требованиях к оборудованию и известных типичных ошибках. Лицензия указана как ltx-2-community-license; для использования необходимо ознакомиться с её условиями по ссылке, приведённой в карточке модели.

LTX-2.5 — семейство моделей генерации видео и аудио с открытыми весами от Lightricks. Эта карточка описывает набор компонентов в формате safetensors, включая диффузионный трансформер DiT размером 22 млрд параметров и текстовый энкодер Gemma 4 12B. Модель предназначена для локального запуска и дообучения; основные сценарии — создание видео по изображению и текстовому описанию, а также генерация связанных сцен с сохранением персонажей, окружения и визуального стиля. В README также заявлены работа со звуком и входным видео. Версия 2.5 поддерживает многокадровую генерацию сцен в одном проходе, улучшенное декодирование видео и опциональное расширение промпта и предсказание длительности ролика. Для локального запуска указаны Python не ниже 3.12, CUDA не ниже 12.7 и PyTorch примерно версии 2.7; некоторые INT8-компоненты предназначены только для ComfyUI. Модель не предназначена для предоставления фактической информации; точное соответствие промпту не гарантируется, а результаты могут отражать общественные предубеждения или содержать неприемлемый контент. По условиям README коммерческое и производственное использование бесплатно для организаций с годовой выручкой менее 10 млн долларов; для более крупных организаций требуется платное соглашение, а передача дообученных моделей может требовать отдельной лицензии.

LTX-Video-0.9.5 — диффузионная модель генерации видео, разработанная Lightricks. Она создаёт видео по текстовому запросу, а также поддерживает сценарий image-to-video с текстом и исходным изображением. Модель построена на архитектуре Diffusion Transformer (DiT) и доступна для работы через Diffusers. Модель предназначена для генерации реалистичных и разнообразных видеосцен. В карточке семейства заявлена генерация видео с частотой 30 кадров в секунду и разрешением до 1216×704 быстрее реального времени; оптимальные рекомендации для разрешения и длины ролика зависят от версии и настроек. Запросы рекомендуется составлять на английском языке. Для разрешения подходят размеры, кратные 32, а число кадров — вида 8n+1; модели семейства лучше работают при разрешении ниже 720×1280 и числе кадров менее 257. Модель подходит для создания видеоматериалов по описанию сцены и анимации исходного изображения. Она может не точно следовать запросу, результат зависит от формулировки промпта, а модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Метаданные указывают лицензию «other»; README перечисляет отдельные лицензии версий семейства, но не раскрывает условия конкретно версии 0.9.5.

Lumina-Next-SFT — модель генерации изображений по текстовому описанию от разработчиков Lumina-T2X. Её архитектура включает генератор Next-DiT с 2 млрд параметров, текстовый энкодер Gemma-2B и VAE на основе версии SDXL от Stability AI. Модель обучена методом supervised fine-tuning с использованием высококачественных данных; в метаданных указан датасет JourneyDB. Модель предназначена для создания изображений по текстовым запросам. В README заявлена генерация с разрешением 1024 пикселя, а для семейства Lumina-Next-T2I упоминается поддержка разрешения до 2K. Репозиторий использует библиотеку Diffusers и формат safetensors. Лицензия — Apache-2.0. Карточка не описывает языковой охват запросов и ограничения качества, поэтому эти характеристики здесь не уточняются.

Карточка модели lunahr/Marlin-2B-ungated на Hugging Face совпадает с карточкой NemoStation/Marlin-2B, поэтому описание составлено по ней. Marlin — мультимодальная видеомодель на 2 млрд параметров, разработанная NemoStation на основе дообучения Qwen3.5-2B. Она предназначена для анализа видео: создаёт структурированные описания сцен и отдельных событий с временными отметками, а также находит в ролике временные интервалы, соответствующие запросу на естественном языке. Модель использует видеовозможности визуальной башни Qwen3.5-2B и обучена в два этапа: на размеченных видео и затем с оптимизацией предпочтений SimPO. По данным карточки, Marlin показывает высокие результаты на бенчмарках плотного описания видео и временной локализации. Для работы доступны режимы caption и find, а также стандартный интерфейс Transformers; заявлена совместимость с vLLM и swift-deploy и возможность запуска на одной потребительской видеокарте. Для загрузки требуется Transformers версии 5.7.0 или новее, PyTorch 2.11.0 или новее и зависимости для декодирования видео. Карточка указывает лицензию Apache-2.0. Возможность рассуждения по частям видео ограничена и не входит напрямую в методы caption и find; использование пользовательского кода модели требует включения trust_remote_code.

MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax и опубликованная в виде открытых чекпойнтов для создания видео со стереозвуком. Она принимает текстовые инструкции и, в зависимости от варианта, изображения, видеоклипы и аудиоклипы; модель совместно генерирует видео и аудио. Доступны режимы генерации по первому и последнему кадру, а также по мультимодальным референсам. Архитектура H3-Base объединяет кодировщики текста и визуальных данных, Visual VAE и Audio VAE с Omni Transformer; для пространственных и временных связей используется RoPE. Выходная длительность составляет 4–15 секунд, короткая сторона изображения по умолчанию — 768 пикселей; для получения разрешения до 2K предусмотрен отдельный этап H3-Regenerate-2K. Входные ограничения зависят от варианта: режим референсов поддерживает до 9 изображений, 3 видео и 3 аудиоклипов при соблюдении ограничений по длительности и общему числу файлов. Модель подходит для создания коротких роликов по тексту, кадрам и смешанным аудиовизуальным референсам. Открытый релиз не включает H3-Context-IR — размещённую в облаке систему предварительной обработки сложных мультимодальных инструкций; её функциональность можно воспроизводить через официальный API или собственную систему подготовки контекста. В релизе доступен только inference с full attention, а sparse attention заявлен для будущего обновления. Лицензия указана как other; конкретные условия следует сверять с карточкой модели.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со стереозвуком по тексту и мультимодальным входным данным. В открытой публикации представлены специализированные контрольные точки H3-Base: вариант FL2VA принимает до двух изображений и текст для генерации видео по первому и последнему кадрам, а вариант Ref2VA поддерживает наборы текстовых, графических, видео- и аудиореференсов. Модель использует H3-Omni-Transformer, объединяющий представления модальностей в общую последовательность; текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, звук — Audio VAE. Система генерирует видео длительностью 4–15 секунд с синхронным стереозвуком; базовый H3-Base выдаёт результат в разрешении 768p, а отдельный H3-Regenerate-2K может повысить его до 2K. Для сложных свободных мультимодальных запросов предусмотрен H3-Context-IR, но эта служба предварительной обработки и оркестрации размещена отдельно и не входит в открытую публикацию. В первоначальном выпуске локального исполнения используется полное внимание; разреженное внимание пока не включено. Модель подходит для генерации коротких видеороликов по описанию, изображениям и мультимодальным референсам. В README не указаны размер параметров и лицензия обозначена в метаданных как other; условия использования следует сверять с лицензией репозитория. Входные материалы и промпты официального сервиса проходят автоматическую модерацию.

Abiray/MiniMax-H3-GGUF — это набор GGUF-квантизованных версий мультимодальной генеративной модели MiniMax H3, разработанной MiniMaxAI и опубликованной пользователем Abiray. Репозиторий предназначен для запуска модели с необходимыми компонентами, включая варианты UNet, текстовые энкодеры и VAE. Модель поддерживает объединённое понимание текста, изображений, видео и аудио и предназначена прежде всего для генерации видео с синхронизированным стереозвуком. Вариант FL2VA работает в режимах text-to-video, first-frame-to-video, last-frame-to-video и first-and-last-frame-to-video, принимая до двух изображений. Вариант Ref2VA поддерживает мультимодальные референсы: до 9 изображений, 3 видеоклипов и 3 аудиоклипов при общем ограничении в 12 файлов; аудио нельзя использовать без изображения или видео. Модель генерирует ролики длительностью 4–15 секунд, с частотой 24 FPS, стереозвуком 32 кГц и различными соотношениями сторон. Доступны разрешения до 2K через H3-Regenerate-2K, при этом короткая сторона по умолчанию составляет 768 пикселей. Заявлена стабильная поддержка диалогов на арабском, китайском, английском, французском, немецком, итальянском, японском, корейском, португальском, русском и испанском языках; другие языки поддерживаются в разной степени. Сильные стороны модели — широкий набор входных модальностей, референсная генерация и синхронизированный звук, однако исходные квантизованные варианты занимают примерно 15,6–36 ГБ, а требования к памяти и вычислительным ресурсам могут быть высокими. Модель распространяется по MiniMax H3 Community License Agreement.

Карточка модели damiang/minimax-h3-ref2va-runpod на Hugging Face совпадает с карточкой DeepDive404-2/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax и опубликованная в виде открытых чекпойнтов для создания видео со стереозвуком. Она принимает текстовые инструкции и, в зависимости от варианта, изображения, видеоклипы и аудиоклипы; модель совместно генерирует видео и аудио. Доступны режимы генерации по первому и последнему кадру, а также по мультимодальным референсам. Архитектура H3-Base объединяет кодировщики текста и визуальных данных, Visual VAE и Audio VAE с Omni Transformer; для пространственных и временных связей используется RoPE. Выходная длительность составляет 4–15 секунд, короткая сторона изображения по умолчанию — 768 пикселей; для получения разрешения до 2K предусмотрен отдельный этап H3-Regenerate-2K. Входные ограничения зависят от варианта: режим референсов поддерживает до 9 изображений, 3 видео и 3 аудиоклипов при соблюдении ограничений по длительности и общему числу файлов. Модель подходит для создания коротких роликов по тексту, кадрам и смешанным аудиовизуальным референсам. Открытый релиз не включает H3-Context-IR — размещённую в облаке систему предварительной обработки сложных мультимодальных инструкций; её функциональность можно воспроизводить через официальный API или собственную систему подготовки контекста. В релизе доступен только inference с full attention, а sparse attention заявлен для будущего обновления. Лицензия указана как other; конкретные условия следует сверять с карточкой модели.

MUG-V 10B — модель генерации видео по изображению, разработанная командой Shopee Multimodal Understanding and Generation. Репозиторий MUG-V-inference содержит веса и конвейер вывода для коммерческой версии, ориентированной на электронную торговлю. Генератор построен на диффузионном трансформере MUG-DiT примерно с 10 млрд параметров и обучен с использованием flow matching. Он принимает исходное изображение и создает ролик длительностью 3–5 секунд с разрешением до 720p; поддерживаются соотношения сторон 16:9, 4:3, 1:1, 3:4 и 9:16. В архитектуре используются VideoVAE для пространственно-временного сжатия и текстовые эмбеддинги для обусловливания генерации. Модель предназначена для создания коротких товарных и рекламных роликов по референсному изображению. Для инференса README указывает NVIDIA GPU с объемом видеопамяти не менее 24 ГБ и CUDA 12.1. Указана лицензия Apache-2.0. Представленные веса относятся к версии для электронной торговли; версия для общего домена в карточке обозначена как планируемая.

Qwen-Image-2512-3bit — 3-битная квантованная версия модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для запуска на компьютерах Apple Silicon. Модель принимает текстовый запрос и создаёт изображение; для запуска в README предлагается библиотека mflux. Указанный объём варианта 3-bit — около 22 ГБ. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализированные природные сцены и отрисовку текста на изображениях. Квантование позволяет использовать модель в меньшем объёме памяти, но может влиять на качество результата. Репозиторий распространяется по лицензии Apache-2.0.

Это 8-битная версия Qwen-Image, подготовленная сообществом mlx-community для запуска на компьютерах Apple Silicon. Модель основана на Qwen/Qwen-Image, использует диффузионную архитектуру и предназначена для генерации изображений по текстовым запросам. Репозиторий адаптирован для MLX и распространяется в формате safetensors; размер файлов составляет около 34 ГБ. Модель подходит для создания иллюстраций и фотореалистичных изображений по описанию. Для запуска автор README рекомендует Mac на Apple Silicon с примерно 40 ГБ объединённой памяти; указанная скорость составляет около 8,5 секунды на шаг на компьютерах серии M. Лицензия — Apache-2.0. Карточка не уточняет языковую поддержку и ограничения качества генерации.

Realistic Vision V1.3 — модель генерации изображений по текстовому описанию от SG161222, предназначенная для создания фотореалистичных изображений, особенно портретов и сцен с людьми. В карточке приведены примеры промптов для фотографического стиля и рекомендации по настройкам генерации: сэмплеры Euler A или DPM++ 2M Karras, 25 шагов и CFG от 3,5 до 7. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и использует лицензию CreativeML OpenRAIL-M. Автор заявляет, что модель бесплатна и не ограничивает её использование; при этом лицензия задаёт собственные условия использования. В карточке нет сведений о размере модели, поддерживаемых языках или длине контекста.

Realistic Vision V3.0 VAE — модель генерации изображений по текстовому описанию, опубликованная пользователем SG161222. Карточка указывает, что необходимый VAE уже встроен в модель; репозиторий содержит файлы в формате Diffusers и safetensors. Модель предназначена для создания реалистичных изображений по текстовым запросам. В README приведены рекомендуемые алгоритмы сэмплирования Euler A и DPM++ SDE Karras, диапазон CFG 3,5–7 и настройки увеличения разрешения с апскейлером 4x-UltraSharp. Для улучшения результата предлагается задавать отрицательный промпт, исключающий анатомические дефекты, артефакты и нежелательные стили. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка рекомендует параметры генерации, но не содержит заявлений о точности, поддерживаемых языках или ограничениях качества; результат зависит от промпта и настроек генерации.

Realistic Vision v4.0 — модель Stable Diffusion для генерации реалистичных изображений по текстовому запросу, опубликованная stablediffusionapi. Карточка показывает использование через API ModelsLab и пример генерации портретного изображения с настройками размера, числа шагов и guidance scale. Модель предназначена для создания фотореалистичных изображений, в том числе портретов с заданным освещением, внешностью и окружением. В репозитории представлены веса в форматах Diffusers/PyTorch и Safetensors; указана лицензия CreativeML OpenRAIL-M. Пример API предусматривает положительный и отрицательный запросы, а также параметры для дополнительных функций вроде апскейлинга и LoRA. README не описывает архитектурные детали, объём параметров, контекст или подтверждённую языковую поддержку. Результаты зависят от запроса и настроек генерации; пример указывает на возможность нежелательных анатомических артефактов и содержит переключатель safety checker. Условия использования определяются лицензией CreativeML OpenRAIL-M.

Карточка модели adzca11/Realistic_Vision_V5.1_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V5.1_noVAE, поэтому описание составлено по ней. 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.

Карточка модели Itdoesntmatterfoff/Realistic_Vision_V5.1_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V5.1_noVAE, поэтому описание составлено по ней. 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.

Карточка модели nnxxcz/Realistic_Vision_V6.0_B1_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V6.0_B1_noVAE, поэтому описание составлено по ней. Realistic Vision V6.0 B1 noVAE — бета-версия модели генерации изображений от автора SG161222, ориентированная на реализм и фотореализм. Она создаёт изображения по текстовым запросам и рассчитана на портреты, изображения по пояс и в полный рост; в карточке приведены рекомендуемые разрешения вплоть до 1152×1152 и параметры генерации с разными сэмплерами и Hires.Fix. Это неполная версия V6.0, выпуск которой планировался поэтапно. Для версии V6.0 автор рекомендует подключать VAE, чтобы повысить качество и уменьшить артефакты; несмотря на название noVAE, в README не утверждается, что VAE не нужен для этой версии. На крупных разрешениях возможны искажения и дублирование объектов, а некоторые позы могут генерироваться некорректно. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Карточка модели ollienicklin/RealVisXL_V5.0 на Hugging Face совпадает с карточкой SG161222/RealVisXL_V5.0, поэтому описание составлено по ней. 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.

rev-animated — модель генерации изображений по текстовому описанию, размещённая StableDiffusionAPI. Карточка предлагает вызывать её через API ModelsLab и задавать промпт, негативный промпт, размер изображения, число шагов генерации и guidance scale. В примере указаны изображения 512×512 и 30 шагов; это настройки примера, а не обязательные ограничения модели. Модель принимает текст и создаёт изображения. Пример промпта ориентирован на фотореалистичный киберпанк-портрет с детализированным освещением; негативный промпт позволяет исключать нежелательные элементы. Репозиторий содержит веса в формате Diffusers/PyTorch Safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает архитектурные детали, число параметров, контекст или оценку качества; использование через API требует ключа ModelsLab.