I.8Изображения и компьютерное зрение

Карточка модели cocktailpeanut/sd35 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.

Photoreal Photo v2 — дообученная модель Stable Diffusion 1.5 для генерации фотореалистичных изображений по текстовым описаниям. Карточка предлагает протестировать модель, но не приводит сведений о её разработчике, размере или настройках генерации. Модель предназначена для создания изображений в фотореалистичном стиле. В метаданных указаны библиотека Diffusers, форматы Diffusers и PyTorch, задача text-to-image и английский язык. Лицензия — GPL-3.0.

Карточка модели ramram1103/SkyReels-V2-DF-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.

SkyReels-V2-DF-14B-720P — модель генерации видео из текста от команды Skywork, входящая в серию SkyReels-V2. Она предназначена для создания кинематографичных видеороликов по текстовым запросам и генерации длинных видео с авторегрессионным продолжением. В README модель описана как вариант с разрешением 720p на основе архитектуры AutoRegressive Diffusion-Forcing; в метаданных указаны плотная архитектура семейства text-to-video и формат весов safetensors. Модель ориентирована на сценарии создания историй и видеоконтента, где важны следование запросу, качество изображения, динамика движения и продолжительность ролика. README заявляет поддержку генерации бесконечной длины, однако приведённые примеры демонстрируют ролики длительностью до 30 секунд. Репозиторий указывает лицензию other, поэтому условия использования следует сверить с лицензией и сопроводительными материалами разработчика.

Карточка модели Skywork/SkyReels-V2-I2V-14B-540P 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.

Карточка модели Skywork/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.

Карточка модели Skywork/SkyReels-V2-T2V-14B-540P 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.

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.

TensorArt Stable Diffusion 3.5 Medium Turbo (SD3.5M Turbo) — модель генерации изображений по текстовому описанию, разработанная TensorArt и дистиллированная на основе Stability AI Stable Diffusion 3.5 Medium. Она предназначена для создания художественных изображений в широком диапазоне стилей, включая фотореализм и абстрактную графику, а также для творческих сценариев, где важны высокая скорость генерации и возможность обработки большого числа запросов. Модель поддерживает text-to-image и рассчитана на работу с английскими текстовыми запросами. В README не указаны точный размер модели, архитектурные параметры, максимальная длина контекста и перечень других модальностей. Заявлены высокая детализация и качество изображений, а также эффективная генерация за небольшое число шагов: в примерах используются 4–8 шагов инференса. Доступны checkpoint и LoRA-варианты; интеграция с LoRA упрощает настройку и эксперименты с моделью. Для работы рекомендованы Python 3.8+, PyTorch 2.0+ и библиотеки семейства diffusers, поддерживается использование через ComfyUI. К сильным сторонам относятся высокая скорость, универсальность по художественным стилям, детализированный вывод и возможность кастомизации через LoRA. Ограничения модели, включая типичные артефакты генерации и требования к вычислительным ресурсам, в README не описаны. Модель распространяется по лицензии Stability AI Community License; точные условия следует уточнять в файле LICENSE.md репозитория.

Карточка модели jyoung105/stable-diffusion-v2-1 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 Kiko231/stable-video-diffusion-img2vid на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video — генеративная модель Stability AI на основе латентной диффузии, которая принимает статичное изображение и создаёт на его основе короткий видеоклип. Модель обучена генерировать 14 кадров с разрешением 576×1024 по начальному кадру того же размера; для временной согласованности дообучен декодер f8. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель предназначена для исследований генеративных моделей, создания художественных материалов и использования в творческих и образовательных инструментах. Она может пригодиться для анимации иллюстраций и статичных изображений. Модель не обучалась создавать достоверные изображения людей или событий, поэтому такие сценарии не соответствуют её возможностям. По карточке, прямое использование модели предназначено для исследовательских целей; лицензию Hugging Face обозначает как other, а коммерческое использование регулируется отдельными условиями Stability AI.

Sulphur 2 — модель генерации видео, разработанная авторами проекта Sulphur 2 и основанная на LTX 2.3. Модель предназначена для создания видео по текстовому описанию (text-to-video, T2V) и по исходному изображению с текстовыми указаниями (image-to-video, I2V), а также поддерживает другие форматы, доступные в LTX 2.3. Ключевые характеристики архитектуры, размер модели, максимальная длина контекста, список поддерживаемых языков и точные требования к аппаратному обеспечению в README не указаны. Доступны варианты dev в форматах fp8mixed и bf16, а также distill LoRA для упрощённого запуска. В состав проекта входит prompt enhancer, способный обрабатывать текст и изображение; для него предусмотрены файлы GGUF и mmproj. Сильными сторонами модели являются нативная поддержка T2V и I2V, совместимость с экосистемой LTX 2.3 и наличие инструментов для улучшения промптов. Модель заявлена как uncensored, однако конкретные ограничения качества, производительности и области применимости не описаны. README также отмечает, что инструкции по настройке и обучению ещё будут дополнены; при использовании рекомендуется не загружать одновременно distill LoRA и полную модель. Лицензия в README не указана, поэтому условия коммерческого и иного использования требуют дополнительной проверки в источнике модели.

Карточка модели kevin119/test 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.

TimeLens2-4B — мультимодальная языковая модель для временной локализации событий в видео, представленная авторами проекта TimeLens2 и основанная на Qwen3-VL-4B-Instruct. Она принимает видео и текстовый запрос и возвращает временной интервал, содержащий релевантные визуальные свидетельства. Модель построена на плотной архитектуре Qwen3-VL с 4 млрд параметров и предназначена для анализа видео по естественно-языковым запросам. В README сообщается о среднем mIoU 47,7 на семи бенчмарках временной локализации и о результатах на уровне лучших моделей сопоставимого размера. Модель подходит для поиска момента события в ролике по описанию, однако карточка не приводит поддерживаемые языки запросов или ограничение на длину видео. Лицензия — Apache-2.0.

Ham1mad1/videomae-base-Vsl-Lab-PC-V7 — модель VideoMAE для классификации видео, обученная с нуля. Она содержит 113,2 млн параметров и сохранена в формате safetensors. В README приведены результаты оценки на неизвестном наборе данных: loss 1,1302 и accuracy 0,8326. Модель предназначена для присвоения видео меток классов. Назначение классов, состав обучающего набора и конкретные сценарии применения в карточке не раскрыты. Лицензия и языковые характеристики не указаны в предоставленных данных.

VSpark — модель генерации видео, опубликованная AyaanAhmed123. Она построена на Spatial-Temporal Diffusion Transformer и содержит 726,2 млн параметров; видеобэкбон включает 16 блоков с размерностью 1024 и 16 головами, а видеокодек VAE использует четыре уровня и латентность из четырёх каналов с шагом 8. Для текста применяется шестислойный трансформер с размерностью 768 и BPE-словарём из 49 408 токенов. Модель предназначена для создания видео по текстовому описанию. В примере использования конвейер принимает текстовый запрос и возвращает кадры вместе с аудиомел-спектрограммой; метаданные также отмечают мультимодальность и генерацию аудио, но основная задача модели указана как text-to-video. В карточке заявлена лицензия Apache-2.0. Поддерживаемый язык — английский. Это чекпойнт, инициализированный и обученный с нуля, а не производная указанной базовой модели. README не сообщает длину контекста, качество на бенчмарках или ограничения генерации, поэтому оценить эти свойства по доступным сведениям нельзя.

xilanhua12138/Wan2.1-T2V-1.3B-Reward — дообученная на базе Wan-AI/Wan2.1-T2V-1.3B диффузионная модель для генерации видео по текстовым запросам. В карточке приведены примеры генерации с разрешениями 384×672 и 480×832. Модель предназначена для создания коротких видеороликов по текстовому описанию. Она использует библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Поддерживаемый язык карточки — английский; лицензия — Apache-2.0.

Карточка модели Abhikie18/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели yemsrach3723/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели wanabmeya/Wan2.1_VAE на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

QuantStack/Wan2.2-T2V-A14B-GGUF — это квантизированная версия модели Wan2.2-T2V-A14B, разработанной командой Wan-AI. Модель преобразует текстовые описания в видео и предназначена для сценариев text-to-video, включая генерацию видеоконтента по текстовым промптам. Модель распространяется в формате GGUF, однако в README не указаны точные архитектурные характеристики, размер, поддерживаемые языки, модальности и длина контекста. Известно, что это прямая конвертация исходной модели Wan-AI/Wan2.2-T2V-A14B. Квантизация может уменьшать требования к ресурсам по сравнению с исходной версией, но README не содержит сведений о конкретном типе квантизации, качестве или производительности. Для использования модель совместима с пользовательским узлом ComfyUI-GGUF и размещается в каталоге ComfyUI/models/unet. Модель распространяется по лицензии Apache-2.0; при этом сохраняются исходные условия лицензирования и ограничения использования базовой модели.

Карточка модели Eypkrtl/Wan2.2-TI2V-5B-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B-Diffusers, поэтому описание составлено по ней. Wan2.2-TI2V-5B-Diffusers — модель генерации видео семейства Wan2.2, разработанная командой Wan-AI. Она принимает текстовое описание и изображение для создания видео; карточка также указывает поддержку генерации только по тексту. Модель построена на Wan2.2-VAE с коэффициентом сжатия 16×16×4 и поддерживает разрешение до 720p при 24 кадрах в секунду. Модель предназначена для создания видеороликов по текстовым запросам и анимации изображений. В README отмечены улучшенная передача движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Веса доступны в формате Diffusers и Safetensors; заявлена возможность запуска на одной потребительской видеокарте уровня RTX 4090. Лицензия — Apache-2.0. В карточке репозитория не приведены отдельные сведения о числе параметров именно этого набора весов и длине контекста. Практические ограничения включают ограничение заявленного разрешения до 720p и частоты кадров до 24 FPS; качество и скорость генерации зависят от аппаратного обеспечения и настроек.

X-CLIP — видеоязыковая модель базового размера с патчами 16×16, разработанная авторами статьи Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Это минимальное расширение CLIP, обученное контрастивно на парах видео и текста и дообученное в режиме few-shot с 8 примерами на класс датасета HMDB-51. Модель обрабатывает видеоклипы по 32 кадрам с разрешением 224×224. Модель предназначена для классификации видео в режимах zero-shot, few-shot и supervised, а также для поиска соответствия между видео и текстом. На HMDB-51 указана точность top-1 62,8%. Репозиторий содержит веса PyTorch; лицензия — MIT.

digiplay/XRYCJ_RealisticModel — модель Stable Diffusion для генерации реалистичных изображений по текстовому описанию. Репозиторий использует формат Diffusers и веса Safetensors. Модель предназначена для создания изображений по текстовым запросам. Карточка не содержит дополнительных сведений о разработчике, архитектурных параметрах, рекомендуемых сценариях, языках запросов или настройках генерации. Лицензия указана как other, поэтому конкретные условия использования следует проверять в файлах репозитория.

Acorn_Photo_v1 — модель для генерации изображений по текстовому описанию в формате Stable Diffusion Pipeline. В карточке указан файл весов acornIsSpinning_photo.safetensors и демонстрационное изображение исходного автора. Репозиторий использует форматы Diffusers и Safetensors. Модель предназначена для создания изображений по текстовым запросам. Карточка не содержит сведений о разработчике, размере, поддерживаемых языках или контексте. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

AgainMix_v2.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. В карточке показан пример изображения, созданного через API Hugging Face: фотореалистичный портрет с пейзажным фоном и кинематографическим освещением. В метаданных указаны задача text-to-image, формат Diffusers и веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели. Карточка не сообщает размер модели, архитектурные подробности, языки или длину контекста.

AnimateLCM — модель Fu-Yun Wang и соавторов для быстрой генерации видео по текстовому описанию. Она предназначена для создания видео в заданном стиле без необходимости в персонализированных видеоданных и рассчитана на генерацию за четыре шага. Репозиторий содержит веса в формате safetensors и поддерживает работу через Diffusers. Авторы также указывают на варианты для быстрой генерации видео из изображения — AnimateLCM-SVD-xt и AnimateLCM-I2V; они представлены как отдельные модели. В доступной карточке не приведены сведения о размере, длине контекста, поддерживаемых языках и лицензии, поэтому эти характеристики здесь не указаны.

Anyto3DDonghuaStyle — LoRA-адаптер, разработанный WarmBloodAban для редактирования изображений на базе Qwen/Qwen-Image-Edit-2511. Модель предназначена для преобразования различных исходных изображений, включая реалистичные фотографии и 2D-иллюстрации, в стилистику высококачественной 3D-дунхуа — китайской анимации. Она поддерживает сценарии однокнопочной стилизации и ориентирована на сохранение исходной композиции при добавлении выразительного освещения и детализированных текстур. Адаптер дообучен на Qwen2-VL-7B-Instruct (Image Edit) с использованием 89 отобранных пар изображений в HD-качестве. Для активации рекомендуется использовать триггер «transform into 3d style», а рекомендуемая сила LoRA составляет 0,8–1,0. В README не указаны точные сведения о поддерживаемых языках, размере контекста и полном наборе модальностей базовой модели; заявлены текстовое управление и обработка изображений. К сильным сторонам относятся высокая детализация результата, яркое освещение и хорошее сохранение композиции. Ограничения модели отдельно не описаны, поэтому качество может зависеть от исходного изображения, параметров силы адаптера и совместимости с базовой моделью. Модель распространяется по лицензии Apache-2.0.

Vhey/a-zovya-photoreal-v2 — модель генерации фотореалистичных изображений на основе Stable Diffusion, представленная разработчиком Vhey. Она предназначена для преобразования текстовых запросов в изображения с выраженной текстурой кожи, реалистичным освещением и детализированными лицами. Дополнительное обучение было направлено на разнообразие внешности и более сбалансированное представление лиц разных рас; модель использует Diffusers и формат весов SafeTensors. Модель подойдёт для создания портретов и фотореалистичных изображений людей по текстовому описанию. Разработчик отмечает, что усиленная детализация кожи может не подойти тем, кто предпочитает сглаженный, ретушированный вид; для этого предлагается добавить «detailed skin» в негативный запрос. Указанная лицензия — CreativeML OpenRAIL-M.

CyberRealistic Pony Catalyst DMD2 — модель генерации изображений по текстовым запросам, созданная Cyberdelia. Репозиторий содержит её производную версию на базе cyberdelia/CyberRealisticPonyCatalyst в форматах Diffusers и safetensors; модель относится к семейству Stable Diffusion XL и совместима с LoRA. Модель предназначена для создания реалистичных и фотореалистичных изображений. В описании базовой модели выделены внимание к лицам, текстуре кожи и освещению, а метаданные этой версии также отмечают DMD2 и естественные детали. Для использования применяется библиотека diffusers; лицензия указана как other.