I.8Изображения и компьютерное зрение

LTX Video-2.3 Uncensored Turbo v1.4 — производная видеодиффузионная модель на основе LTX-2.3 от Lightricks, объединённая с Eros10 NSFW LoRA, дистиллированной DMD LoRA и LTX Video ICLoRA Detailer. Репозиторий содержит сборки GGUF и FP8; для работы также требуются текстовый энкодер и проекции CLIP. Модель предназначена для генерации видео по текстовому запросу и преобразования изображения в видео, с сохранением сходства с исходным изображением. В карточке также заявлены сценарии преобразования видео и генерации видео с аудио. Указаны короткие генерации за 4 шага, рекомендуемые 8 шагов, разрешение до 1280 × 720 и продолжительность до 40 секунд. Сборка ориентирована на ускоренную генерацию, следование инструкциям, сохранение лиц и соответствие референсному изображению. Она рассчитана преимущественно на NSFW-контент; автор отмечает наличие ограничителей для предотвращения незаконного контента. Лицензия в метаданных не определена.

Terrygmx/LTX-2.3-uncensored-v1.4-FP8 — модель генерации видео на основе LTX Video 2.3, собранная в формате GGUF с квантованием FP8. Она объединяет базовые модели Lightricks/LTX-2.3 и производные компоненты TenStrip, включая Eros10 NSFW LoRA, DMD Distilled LoRA для ускоренной генерации и улучшенного следования инструкциям, а также LTX Video ICLoRA Detailer для повышения соответствия референсным изображениям. Веса предварительно объединены. Модель предназначена для text-to-video, image-to-video, video-to-video и audio-to-video сценариев, включая режимы FL2VA, T2VA, I2VA, REF2VA и T2VA. Она ориентирована на создание обычных и NSFW-видеосцен, может сохранять идентичность персонажа при преобразовании изображения в видео и поддерживает генерацию видео продолжительностью до 960 кадров, что заявлено как примерно 40 секунд. Также заявлена генерация с аудио, включая диалоги, звуковые эффекты и атмосферный фон. Ключевые характеристики включают архитектуру DiT, форматы GGUF и FP8, ускоренную генерацию за 4 шага и рекомендуемый режим на 8–9 шагах для более высокого качества. В примерах используются разрешение 1280×736, 121 кадр и CFG 3.5; конкретные языки и максимальный контекст не указаны. Сильными сторонами являются высокая скорость, улучшенное сохранение лиц и соответствие референсам, а также поддержка длинных роликов и нескольких типов входных данных. Ограничения включают зависимость качества от числа шагов и CFG, наличие ограничений на незаконный контент и потенциальную нестабильность генерации сложных сцен. Лицензия указана как unknown, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

BennyDaBall/LTX-2.5-22b-distilled-nvfp4-comfy — это квантизированная версия 22-миллиардной distilled-модели LTX-2.5, разработанной Lightricks, подготовленная BennyDaBall для загрузки в ComfyUI. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео, включая создание роликов с синхронизированным аудио. Она интегрируется со стандартными шаблонами ComfyUI для LTX-2.5 и не требует пользовательских узлов. Модель основана на архитектуре DiT и использует формат квантизации NVFP4 с группой 16 и масштабами ModelOpt. В репозитории исправлена совместимость официального NVFP4-экспорта с ComfyUI: в 1 176 квантизированных слоёв добавлены маркеры формата, без изменения весов. Размер файла составляет 18,7 ГБ, что меньше варианта comfy-int8-convrot размером 21,5 ГБ. Для работы требуется ComfyUI версии 0.32.0 или новее и GPU архитектуры Blackwell, например RTX 50-й серии. Текстовый энкодер, VAE и latent upscaler загружаются из официального репозитория LTX-2.5. Сильные стороны модели — уменьшенное потребление видеопамяти по сравнению с int8-вариантом, поддержка text-to-video и image-to-video, сохранение композиции, детализации и характера движения, а также генерация видео с аудио. По данным README, ролик длительностью 10 секунд в разрешении 1280×736 с синхронизированным аудио создаётся примерно за 50 секунд на RTX 5090, включая первую загрузку модели. Ограничения включают зависимость от Blackwell GPU и FP4-ядер, возможный шум квантизации и отсутствие гарантии побитового совпадения с другими вариантами квантизации. Весы распространяются по лицензии LTX-2.x Community License. Условия лицензии следует уточнять в файле LICENSE.txt репозитория; README также указывает, что ответственность за созданный контент несёт пользователь.

realrebelai/LTX-2.5_GGUFs — набор GGUF-квантизаций модели LTX-2.5, разработанной Lightricks и сконвертированной и подготовленной RealRebelAI для использования в ComfyUI через ComfyUI-GGUF. Модель предназначена для генерации видео по текстовому описанию, изображение-видео и создания видео с синхронизированным аудио за один проход. В основе лежит мультимодальная dual-stream DiT-архитектура с видеопутём шириной 4096, аудиопутём шириной 2048 и cross-modal attention для согласования аудио и видео. Исходный transformer в формате bf16 занимает около 39 ГБ, а квантизированные варианты — примерно от 8 до 22 ГБ в зависимости от формата. Доступны уровни Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, Q3_K_M и Q2_K; Q4_K_M рекомендуется как компромисс между качеством и размером. Для работы требуются специальный текстовый энкодер Gemma4-12b-with-proj-ltx-2.5, видео-VAE и аудио-VAE LTX-2.5. Сильная сторона набора — уменьшение требований к памяти при сохранении поддержки генерации согласованных аудио и видео; исправленные GGUF-файлы содержат конфигурацию, необходимую для корректной загрузки в ComfyUI. Distilled-вариант рассчитан на малое число шагов и CFG 1.0, а Dev-вариант — на полный набор шагов с обычным CFG. Более агрессивная квантизация снижает качество, особенно у Q2_K. Лицензия и ограничения использования унаследованы от базовой модели Lightricks/LTX-2.5; README не приводит их условия и не уточняет список поддерживаемых языков или максимальный контекст.

Карточка модели caohoangkha99/ltx2.5-model-image-to-video на Hugging Face совпадает с карточкой Lightricks/LTX-2.5, поэтому описание составлено по ней. LTX-2.5 — модель генерации видео и аудио с открытыми весами, разработанная Lightricks для локального запуска и дообучения. Она создает синхронизированные видео и аудио по текстовым, графическим и видеоусловиям; основная задача репозитория на Hugging Face — генерация видео по изображению. Поддерживаются связная генерация нескольких сцен с сохранением персонажей и стиля, улучшенное следование сложным промптам и облегченный дистиллированный вариант. В состав комплекта входят DiT-трансформер, текстовый энкодер Gemma 4 12B и видеодекодер DiffVAE; веса представлены отдельными файлами safetensors, включая bf16 и отдельные варианты int8 для ComfyUI. В карточке перечислена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Для выведения модели в эксплуатацию нужны совместимые инструменты и вычислительная среда; README рекомендует Python 3.12+, CUDA 12.7+ и PyTorch 2.7 для пути через ltx-pipelines. Модель не предназначена для выдачи фактической информации, качество зависит от формулировки промпта, соответствие результата запросу не гарантировано, возможны предвзятые или оскорбительные результаты. Для выручки организации менее 10 млн долларов README заявляет бесплатное коммерческое и производственное использование по лицензии LTX-2.x Community License; при большей выручке требуется платное соглашение, а передача дообученных моделей может потребовать отдельной лицензии.

LTX-Video-0.9.6-dev-gguf — это прямое преобразование в формат GGUF модели LTX-Video, разработанной Lightricks. Квантизацию выполнил пользователь city96. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео; указана поддержка английского языка. Репозиторий ориентирован на запуск в ComfyUI с пользовательским узлом ComfyUI-GGUF. Для работы требуются основной файл модели, текстовый энкодер T5-V1.1-XXL-Encoder и VAE LTX-Video-0.9.6. В README также приведён пример рабочего процесса и демонстрационный результат, однако их недостаточно для точной оценки качества. Архитектура, число параметров, размер контекста и поддерживаемые разрешения не указаны. Это квантизированная версия, а не дообученная модель, поэтому ограничения и исходные условия лицензии LTX-Video сохраняются. В метаданных указана лицензия other и ссылка на файл LICENSE.md; подробные условия лицензии в README не приведены.

Yntec/Memento — модель генерации изображений на основе Stable Diffusion, созданная как смесь Real Life v2 с фотореалистичными моделями. Она предназначена для создания изображений по текстовым описаниям, в том числе портретов, сцен с людьми, животными и фантастическими сюжетами. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; VAE 840000 встроен в веса. Лицензия — CreativeML OpenRAIL-M. Примеры показывают широкий диапазон сюжетов и стилей, включая фотореалистичные портреты, кинематографические кадры и фантазийные сцены. Карточка не приводит численность параметров, длину контекста или список поддерживаемых языков.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax для создания видео со стереозвуком по тексту, изображениям и мультимодальным референсам. Модель принимает текст, изображения, видеоклипы и аудио; в зависимости от варианта поддерживает генерацию по первому и последнему кадру или по смешанным референсам. Генерирует ролики длительностью 4–15 секунд с различными соотношениями сторон и базовым разрешением 768p; для получения 2K предусмотрен отдельный этап H3-Regenerate-2K. Архитектура H3-Base объединяет кодирование модальностей в общую последовательность, которую обрабатывает H3-Omni-Transformer. Модель совместно предсказывает видео- и аудиолатенты; для текста, изображения и аудио используются отдельные кодировщики и VAE. В открытой версии доступен только режим полного внимания. Система H3-Context-IR для предварительной обработки сложных мультимодальных инструкций и оркестрации размещена отдельно и не входит в открытый выпуск, поэтому для сложных входов может потребоваться собственная обработка контекста или официальный API. Репозиторий использует форматы Diffusers и Safetensors; лицензия обозначена как other, конкретные условия следует проверять у разработчика.

Карточка модели qqceqqq/MiniMax-H3 на Hugging Face совпадает с карточкой AgentAnon/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

Карточка модели Zain0611/MiniMax-H3 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.

Mitsua Japanese Tagger — модель многометочной классификации изображений, разработанная проектом ELAN MITSUA и Abstract Engine на архитектуре Swin Transformer. Она назначает изображениям японские теги и подходит для автоматической разметки изображений, включая иллюстрации и изображения официальных персонажей проекта. Модель содержит 58,7 млн параметров и доступна в формате Safetensors для библиотеки Transformers. Авторы описывают обучение на opt-in данных с разрешением участников, открыто лицензированных и общественным достоянием материалов. Чекпойнт дообучен на базе Mitsua/swin-base-multi-fractal-1k, предварительно обученной на изображениях фракталов. В карточке также описаны фильтрация потенциально нарушающих права, вредных и NSFW материалов и размытие лиц. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; для коммерческого применения авторы предлагают связаться с ними. Модель рассчитана на японскую разметку изображений. Авторы предупреждают, что результаты могут быть неточными, вредными или смещёнными, и не рекомендуют её для задач, где требуется высокая точность распознавания.

Xenova/mobileclip_s1 — преобразованная в формат ONNX модель MobileCLIP S1, подготовленная Xenova для работы с библиотекой Transformers.js. Она предназначена для классификации изображений по текстовым описаниям без обучения на заданном наборе классов: пользователь передаёт изображение и варианты описаний, а модель оценивает их соответствие. Такой подход подходит для быстрого прототипирования поиска и категоризации изображений в JavaScript-приложениях. Репозиторий содержит ONNX-веса; лицензия указана как other, поэтому условия использования следует сверить с лицензией исходной модели.

Карточка модели caralhox/mochi-1-preview на Hugging Face совпадает с карточкой genmo/mochi-1-preview, поэтому описание составлено по ней. Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

VikramSingh178/mochi-diffuser-bf16 — версия модели Mochi 1 Preview, опубликованная в формате Diffusers и Safetensors с весами BF16. По текстовому запросу она генерирует видео; пример в карточке показывает создание ролика о закате в горах с помощью MochiPipeline. Модель основана на genmo/mochi-1-preview и распространяется по лицензии Apache-2.0. Модель рассчитана на генерацию видео из текстовых описаний. Карточка демонстрирует запуск через библиотеку Diffusers на CUDA и настройку числа шагов, силы guidance и количества кадров. Поддерживаемый язык по метаданным — английский. Других характеристик, включая размер модели и длину контекста, источники не приводят.

Карточка модели Nocodedev0/MPT-MCLIP2.1-T2V-1.3B-Diffusers-VIDEO-GEN на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B-Diffusers, поэтому описание составлено по ней. Wan-AI Wan2.1-T2V-1.3B-Diffusers — модель генерации видео по текстовому описанию из семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с пространственно-временным VAE; данный репозиторий содержит вариант на 1,3 млрд параметров в формате Diffusers и Safetensors. Модель предназначена для создания коротких видеороликов по текстовым запросам. В README указана генерация видео 480p и 720p; для 1,3B-варианта рекомендуется 480p, поскольку результаты при 720p менее стабильны. Заявлена поддержка создания видимого текста на английском и китайском языках. Для генерации 5-секундного видео 480p README приводит ориентир около 8,19 ГБ видеопамяти и примерно четырёх минут на RTX 4090 без оптимизаций. Модель подходит для творческих задач и прототипирования видеоконтента, в том числе на потребительских GPU. Лицензия — Apache-2.0. Дополнительное расширение текстового запроса может улучшать детализацию, но требует отдельной модели или внешнего сервиса; качество генерации на 720p менее стабильно, чем на 480p.

Open Diffusion V1 (OD-v1) — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Она предназначена для создания изображений по запросам на естественном языке и доступна для использования через Diffusers, Gradio-демо и Docker-демо. В метаданных указаны поддержка английского, французского и русского языков, а также форматы Diffusers, PyTorch и SafeTensors. Модель распространяется по лицензии CreativeML-OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, архитектурные детали или известные ограничения качества; результат генерации зависит от текстового запроса.

Openjourney-v4 — модель генерации изображений по текстовому описанию, созданная PromptHero. Она дообучена на Stable Diffusion v1.5 на более чем 124 тысячах изображений Midjourney v4; обучение заняло 12 400 шагов, четыре эпохи и около 32 часов. Модель предназначена для создания изображений в характерной эстетике Midjourney v4 по текстовым запросам. По карточке, для работы с ней больше не требуется добавлять к запросу фразу «mdjrny-v4 style». Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M.

Paramount — модель генерации изображений по текстовому описанию, созданная Yntec путём объединения моделей Paragon 1.0, AnalogMadness и Analog Diffusion. Она предназначена для создания разнообразных изображений с фотографической подачей и эстетикой аналоговой плёнки: от кинематографичных сцен и портретов до иллюстраций и рекламных сюжетов. Репозиторий содержит веса в формате safetensors для Diffusers; в основе семейства лежит Stable Diffusion 1.5. Примеры в карточке показывают широкий диапазон сюжетов и стилей, включая изображения людей, фантастические сцены и стилизованные кадры. Карточка не сообщает размер модели и длину контекста. Лицензия — CreativeML OpenRAIL-M; перед применением следует учитывать её условия использования и ограничения на распространение.

Pony Realism — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi и предоставляемая через ModelsLab API. Она предназначена для создания фотореалистичных изображений, включая портреты и сцены с кинематографическим освещением. В примере использования задаются текстовый и отрицательный промпты, размер изображения, число шагов генерации и guidance scale; доступны также параметры усиления промпта, апскейла и подключения LoRA или embeddings. В метаданных указаны формат Diffusers/PyTorch и лицензия CreativeML OpenRAIL-M. README описывает вызов API ModelsLab и параметры генерации, но не раскрывает базовую модель, число параметров, контекст или поддерживаемые языки. Пример содержит английский промпт; наличие параметра multi_lingual само по себе не подтверждает поддержку конкретных языков.

Qwen-Image-2512-4bit-MLX — 4-битная версия модели генерации изображений Qwen-Image-2512, оптимизированная для Apple Silicon. Репозиторий подготовлен machiabeli с помощью mflux 0.14.0; модель использует формат safetensors и запускается через библиотеку mflux. Модель предназначена для создания изображений по текстовым описаниям. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализацию природных сцен и отрисовку текста. Для генерации можно задать запрос и число шагов; пример в карточке использует 20 шагов. Квантизация до 4 бит снижает требования к памяти: в README для этой версии указано 24 ГБ. Модель предназначена для систем Apple Silicon и требует окружения с mflux. Она распространяется по лицензии Apache-2.0.

Wuli-art/Qwen-Image-2512-Turbo-LoRA-2-Steps — это ускоряющая LoRA-адаптация базовой модели Qwen/Qwen-Image-2512, разработанная командой Wuli Team. Модель предназначена для генерации изображений по текстовому описанию и интегрируется с библиотекой Diffusers. Она ориентирована на сценарии, где важны высокая скорость и небольшое число шагов генерации: для получения изображения заявлены всего два шага вместо 40 шагов у базовой модели и четырёх шагов у предыдущей turbo LoRA от Wuli Team. Модель поддерживает английский и китайский языки, относится к классу text-to-image и использует архитектуру базовой Qwen-Image-2512 с LoRA-дистилляцией. В README приведены примеры генерации портретов, повседневных сцен, природных пейзажей, животных и изображений с текстом; отдельно упоминается генерация изображений в разрешении 2K. Ключевое преимущество — скорость, однако конкретные показатели качества, ограничения по разрешению, требования к памяти и рекомендации по параметрам запуска не указаны. Лицензия — Apache-2.0.

Realistic Vision v5.1 — модель генерации изображений по текстовому описанию, размещённая аккаунтом stablediffusionapi и доступная через API ModelsLab. Она предназначена для создания фотореалистичных изображений; в примере карточки показаны портретная сцена, кинематографическое освещение и управление результатом с помощью позитивного и негативного промптов. Для примера указаны размер 512 × 512 пикселей, 30 шагов генерации и guidance scale 7,5. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка показывает способ вызова через API, но не раскрывает сведения об архитектуре, размере модели или поддерживаемых языках промптов.

Карточка модели zw89/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.

RealVisXL V4.0 — модель генерации изображений по текстовому описанию от SG161222, построенная для фотореалистичного результата и доступная через Diffusers в форматах Safetensors. Карточка описывает её как находящуюся в процессе обучения и предупреждает о возможных артефактах и нестабильном качестве; модель может создавать изображения как обычного, так и откровенного содержания. Модель подходит для создания реалистичных изображений по промптам и последующей обработки результата с увеличением разрешения. В README рекомендованы 25 и более шагов генерации, сэмплер DPM++ 2M Karras и, при использовании Hires Fix, умеренное увеличение изображения с низкой или средней силой устранения шума. Лицензия — OpenRAIL++.

RealVisXL v4.0 Lightning — модель генерации изображений по текстовому описанию, представленная через ModelsLab API. Метаданные связывают её с StableDiffusionXLPipeline и указывают на ориентир в виде ультрареалистичных изображений. В примере карточки показана генерация портрета с настройкой размера, числа шагов, guidance scale и negative prompt. Модель подходит для создания реалистичных портретов и других изображений по текстовым запросам. Карточка описывает вызов через ModelsLab API; для доступа требуется API-ключ. В репозитории указаны форматы Diffusers и PyTorch, лицензия CreativeML OpenRAIL-M. Поддержка языков и ограничения качества отдельно не описаны.

Карточка модели psych6tic66/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.

GuangyuanSD/RedCraft-DF11-Collection — коллекция конвертированных моделей RedCraft Z-Image Turbo, включая варианты RedZDX и RedZ. Модели предназначены для генерации изображений по текстовым описаниям; в метаданных указана задача text-to-image и библиотека Diffusers. В составе коллекции есть варианты, названия которых указывают на дистилляцию и генерацию за 5 или 10 шагов. Базовые модели коллекции — Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo; метаданные также отмечают дообучение и слияние. Поддерживаются английский и китайский языки. Репозиторий содержит веса safetensors, а лицензия указана как Apache-2.0.

Photoreal Real v2 — модель генерации изображений на базе Stable Diffusion 1.5, дообученная для создания фотореалистичных изображений по текстовому описанию. Её можно использовать для генерации реалистичных иллюстраций и художественных изображений; автор также упоминает возможность тестирования на мобильном устройстве. Модель распространяется в форматах Diffusers и PyTorch и рассчитана на текстовый ввод с изображением на выходе. Поддержка английского языка указана в метаданных. Лицензия — GPL-3.0.

Карточка модели Skywork/SkyReels-V2-DF-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.

SkyReels-V2-DF-14B-540P-Diffusers — модель генерации видео по тексту из серии SkyReels-V2, разработанной командой Skywork. Это вариант с 14 млрд параметров для Diffusers, использующий авторегрессионную архитектуру Diffusion Forcing. Модель предназначена для создания видео по текстовым запросам; заявленная особенность серии — генерация длинных роликов с сохранением движения и визуальной согласованности. В описании серии упоминаются многоэтапное предварительное обучение, обучение с подкреплением и дополнительная supervised fine-tuning для улучшения движения и качества изображения. Карточка модели также заявляет поддержку бесконечной длины видео, однако практическая длина ролика зависит от настроек генерации и доступных вычислительных ресурсов. README описывает и другие сценарии серии, включая генерацию видео из изображения и управление камерой, но они не подтверждены для этого конкретного чекпойнта. Репозиторий содержит веса в формате Diffusers и safetensors; для запуска README предлагает библиотеку Diffusers и приводит сценарии инференса на одной или нескольких GPU. В метаданных указана лицензия other, поэтому условия использования следует сверить с лицензией и материалами репозитория.