I.8Изображения и компьютерное зрение

Карточка модели Skywork/SkyReels-V2-I2V-1.3B-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 3.5 Large — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она предназначена для художественного творчества, дизайна, образовательных и творческих приложений, а также исследований генеративных моделей. Модель построена на архитектуре Multimodal Diffusion Transformer (MMDiT), использует три предварительно обученных текстовых энкодера — OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL — и QK-нормализацию. В README отмечены улучшения качества изображений, отображения текста, понимания сложных запросов и эффективности использования ресурсов. Карточка описывает генерацию по тексту и приводит английский язык; сведения о размере модели и длине контекста в метаданных отсутствуют. Модель подходит для создания иллюстраций и визуальных концепций по запросу. Она не предназначена для достоверного изображения реальных людей и событий; меры безопасности не гарантируют устранение всего вредоносного контента, поэтому приложениям нужны собственные проверки. Лицензия Stability Community License; коммерческое лицензирование требует обращения к Stability AI.

Stable Diffusion v1-5 — модель генерации изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий genai-archive/stable-diffusion-v1-5 содержит повторно загруженные веса; README указывает, что они происходят с ModelScope, а контрольные суммы файлов проверены. Модель построена на латентной диффузии и использует фиксированный текстовый энкодер CLIP ViT-L/14. Чекпойнт инициализирован весами Stable-Diffusion-v1-2 и дообучен на 595 тысячах шагов при разрешении 512×512 с данными LAION Aesthetics v2 5+. Модель подходит для создания изображений по текстовым запросам, художественных и дизайнерских работ, а также творческих и образовательных инструментов. Основной язык запросов — английский; результаты на других языках заметно хуже. Модель не всегда создаёт фотореалистичные изображения, плохо справляется со сложной композицией и разборчивым текстом, а лица и люди могут получаться некорректно. Обучающие данные включали взрослый контент и не были дедуплицированы; возможны предвзятость и запоминание изображений, поэтому для использования предусмотрен Safety Checker. Лицензия — CreativeML OpenRAIL-M.

Карточка модели thingthatis/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой model-hub/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video — модель латентной диффузии для преобразования неподвижного изображения в короткий видеоклип. Её разработала Stability AI; версия XT дообучена на базе SVD Image-to-Video на 14 кадров. Модель генерирует 25 кадров с разрешением 576×1024 по изображению того же разрешения и использует декодер, дообученный для временной согласованности. Модель подходит для создания коротких анимированных сцен из изображений, творческих и дизайнерских задач, а также исследований генеративных моделей и их ограничений. Текстовое управление не поддерживается. Видео могут не содержать заметного движения, выглядеть недостаточно фотореалистично; лица и люди могут генерироваться некорректно, а текст в кадре — быть нечитаемым. Модель не предназначена для достоверного изображения людей или событий. README указывает на исследовательское назначение и соблюдение политики допустимого использования Stability AI; в метаданных лицензия обозначена как other.

Это вариант Text2Video-Zero с весами DreamBooth для создания визуального стиля GTA 5 и управлением по контурам Canny через ControlNet. Модель основана на Stable Diffusion и предназначена для генерации видео по текстовому описанию с заданной структурой сцен; её также можно использовать для генерации изображений с текстом и контурными подсказками. Для активации стиля в запросе используется ключевое слово «gtav style». Авторы Text2Video-Zero — Левон Хачатрян, Андраник Мовсисян, Ваграм Тадеосян, Роберто Хеншель, Чжанъян Ван, Шант Навасардян и Хамфри Ши; исходные веса DreamBooth стиля GTA 5 взяты с Civitai и созданы Quiet_Joker. Модель рассчитана на английские текстовые запросы, работает в библиотеке Diffusers и распространяется по лицензии CreativeML OpenRAIL-M. Качество и согласованность видеокадров зависят от текстового описания, контурного входа и совместимой базовой модели Stable Diffusion; README не приводит численных оценок качества или ограничений по длине видео.

Карточка модели PY007/trial 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.

TripoSG-scribble — модель генерации 3D-форм от Tripo и VAST AI Research. Она создаёт 3D-объект по изображению наброска и текстовому запросу и предназначена для прототипирования, дизайна, создания игровых и VFX-ассетов и визуализации. Модель основана на архитектуре TripoSG: rectified-flow-трансформере с 1,5 млрд параметров, VAE с представлением на основе SDF и перекрёстным вниманием для визуальных признаков. Вариант scribble дистиллирован по CFG и обучен на 512 латентных токенах; при генерации следует использовать CFG=0. Для запуска требуется CUDA-совместимый GPU с более чем 8 ГБ видеопамяти. Репозиторий распространяется в форматах Diffusers и safetensors по лицензии MIT.

Модель dvs/videomae-base-finetuned-kinetics-finetuned-movienet — дообученная видеомодель для классификации видео, созданная на основе MCG-NJU/videomae-base-finetuned-kinetics. Она использует архитектуру VideoMAEForVideoClassification и содержит 113,2 млн параметров. По карточке, дообучение проводилось на наборе данных, который не назван. Модель принимает видео и относит его к категориям. На оценочной выборке указана точность 0,7865 после 4,1 эпохи обучения. В карточке не раскрыты набор классов, языки и детали подготовки данных. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

VividReal_v2 — модель генерации изображений по текстовому описанию, опубликованная digiplay. Карточка содержит пример запроса для реалистичного изображения женщины, читающей книгу у окна, но не сообщает архитектуру, размер или контекст модели. Метаданные указывают на совместимость с Diffusers и формат safetensors, а также на семейство Stable Diffusion. Модель предназначена для создания изображений по текстовым промптам. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория модели.

Wan2.1-Fun-V1.1-14B-InP — модель семейства Wan2.1-Fun, опубликованная Alibaba PAI. Это версия для генерации видео по текстовому описанию и изображениям; карточка указывает поддержку задачи text-to-video, а README описывает веса InP как модель генерации видео по тексту и изображению. Модель обучалась на нескольких разрешениях и поддерживает предсказание видео по начальной и конечной опорным изображениям. Модель предназначена для создания видеоклипов по промпту, а также анимации изображений с заданием начального и конечного кадров. Репозиторий использует формат safetensors и библиотеку VideoX-Fun. В README для версии 14B указан размер хранения около 47 ГБ; метаданные каталога приводят 2,3 млрд параметров. Поддерживаемые в карточке языки — английский и китайский. Проект распространяется по лицензии Apache 2.0. Для запуска нужны значительные вычислительные и дисковые ресурсы; README описывает режимы переноса модели на CPU и квантование float8 для снижения потребления видеопамяти, отмечая возможное снижение качества при квантовании. Скорость и качество зависят от оборудования и выбранных настроек генерации.

Карточка модели lesser1north/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 plluha/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.

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.

Wan2.2-Fun-5B-InP — дообученная модель Alibaba PAI на базе Wan-AI/Wan2.2-TI2V-5B для генерации видео из изображения и текстового описания. Она предназначена для сценариев image-to-video, где исходное изображение задаёт визуальную основу ролика, а текст — его содержание или развитие. Модель относится к семейству Wan2.2, имеет плотную архитектуру I2V и распространяется в формате safetensors; для работы используется библиотека VideoX-Fun. Модель поддерживает английский и китайский языки. README описывает инструменты VideoX-Fun для генерации видео, включая режимы с исходным изображением, однако конкретные параметры разрешения и длины контекста для этой модели в предоставленных данных не приведены. Для запуска нужны значительные вычислительные ресурсы; README указывает на варианты переноса частей модели в CPU и режим float8, который может снизить качество. Лицензия репозитория — Apache 2.0.

Это квантизированная в формате GGUF версия дистиллированной модели Wan2.2, опубликованная пользователем jayn7 и основанная на моделях Wan2.2 Distill Models от команды LightX2V. Модель предназначена для генерации видео по исходному изображению, то есть для сценариев image-to-video и создания видеоконтента на основе статичных изображений. В репозитории представлены варианты с разными уровнями квантизации, включая FP32, BF16, Q8, Q4_K_S и Q2_K, а также отдельные модели для режимов high noise и low noise. Подробные сведения об архитектуре, количестве параметров, поддерживаемых языках, модальностях помимо image-to-video и размере контекста в README не указаны. Для использования рекомендуются ComfyUI-GGUF и ComfyUI-WanVideoWrapper; для корректной работы следует использовать актуальную версию последнего. Сильной стороной модели является возможность запуска квантизированных вариантов, потенциально требующих меньше ресурсов, чем полноразмерные версии, при сохранении назначения исходной видеомодели. Ограничения и качество конкретных вариантов зависят от уровня квантизации и используемой конфигурации, однако подробные результаты тестирования в README не приведены. Репозиторий распространяется на условиях той же лицензии, что и Wan2.2-Distill-Models, но точные условия лицензии в предоставленных данных не указаны.

Карточка модели xnachtwolfx/Wan2.2-S2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-S2V-14B, поэтому описание составлено по ней. Wan2.2-S2V-14B — модель генерации кинематографического видео по аудио, разработанная командой Wan-AI на основе семейства Wan. Она предназначена для аудиоуправляемой анимации персонажей, включая передачу речи и пения, сложные движения тела, взаимодействия персонажей и работу камеры. В карточке также упомянуты генерация длинных видео и точное редактирование синхронизации губ. Модель относится к семейству S2V и предоставлена в репозитории для Diffusers в форматах PyTorch и Safetensors. Для генерации заявлена поддержка разрешений 480p и 720p. Лицензия — Apache 2.0. В карточке описаны преимущества в выразительности и качестве кинематографической анимации, но приведённое сравнение с другими системами является заявлением авторов.

200-msf-v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем aphexblake и доступная в формате Diffusers для Stable Diffusion. Карточка предлагает использовать VAE для версии 2.0, чтобы улучшить качество генерации и устранить синие артефакты. Для генерации автор рекомендует фотореалистичные промпты, 25 шагов сэмплирования, CFG Scale 3,5–7 и при необходимости увеличение разрешения через Latent upscaler. Модель предназначена для создания изображений по промпту, в том числе портретов и сцен в фотореалистичном стиле. Распространяется под лицензией CreativeML OpenRAIL-M. Карточка не сообщает базовую модель, число параметров или поддерживаемые языки; инструкция с примерами ориентирована на текстовые промпты.

Карточка модели aphexblake/677-500-lop на Hugging Face совпадает с карточкой aphexblake/200-msf-v2, поэтому описание составлено по ней. 200-msf-v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем aphexblake и доступная в формате Diffusers для Stable Diffusion. Карточка предлагает использовать VAE для версии 2.0, чтобы улучшить качество генерации и устранить синие артефакты. Для генерации автор рекомендует фотореалистичные промпты, 25 шагов сэмплирования, CFG Scale 3,5–7 и при необходимости увеличение разрешения через Latent upscaler. Модель предназначена для создания изображений по промпту, в том числе портретов и сцен в фотореалистичном стиле. Распространяется под лицензией CreativeML OpenRAIL-M. Карточка не сообщает базовую модель, число параметров или поддерживаемые языки; инструкция с примерами ориентирована на текстовые промпты.

Absolute Reality v1.6 — модель генерации изображений по текстовому описанию, опубликованная Yntec на Hugging Face. Она представлена в формате Diffusers и предназначена для создания разнообразных иллюстраций и стилизованных сцен по промптам, включая фотореалистичные изображения, пейзажи, персонажей и аниме или chibi-арт. Карточка показывает примеры промптов для портретов, сюжетных сцен и цифровых иллюстраций. Модель принимает текст и выдаёт изображения; сведения об архитектуре, размере и длине контекста в предоставленных данных отсутствуют. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Absolute Reality 1.81 — модель генерации изображений по текстовому описанию на основе Stable Diffusion, дообученная Lykon на runwayml/stable-diffusion-v1-5. Она предназначена для создания реалистичных и художественных изображений по запросам на естественном языке; автор рекомендует запускать её через Diffusers. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель ориентирована на запросы на английском языке. Она распространяется по лицензии CreativeML OpenRAIL-M. Сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

ChikMix V3 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay и совместимая с Stable Diffusion DiffusersPipeline. В карточке приведены демонстрационные изображения, включая пример фотореалистичного портрета девушки; данных о точном размере модели и её базовой модели нет. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате Diffusers/PyTorch и Safetensors. Указана лицензия other, поэтому условия использования следует сверять с лицензией и материалами автора.

CommonCanvas-S-C — небольшая модель семейства CommonCanvas, разработанная авторами CommonCanvas на основе архитектуры Stable Diffusion 2 для генерации изображений по текстовому описанию. Она использует латентную диффузию и распространяется в формате Diffusers/PyTorch с весами SafeTensors. Обучение проводилось на подмножестве CommonCatalog с изображениями Creative Commons и синтетическими подписями BLIP-2; по README, этот вариант связан с коммерческим подмножеством данных. Лицензия репозитория — CC BY-SA 4.0. Модель подходит для создания иллюстраций, концептов и изображений для творческих и образовательных инструментов. В описании отмечены слабые результаты на лицах, обычной фотографии и живописи, трудности с композиционно сложными запросами и читаемым текстом на изображениях. Данные основаны на материалах Flickr примерно десятилетней давности, с географическим смещением в сторону западных стран; модель может хуже работать с современными понятиями, именами и запросами на языках помимо английского. Генерация вредного или откровенного контента может быть возможна.

DreamShaper 6.2 — модель генерации изображений по текстовому описанию, размещённая пользователем Yntec. Карточка называет её подробной версией DreamShaper 6.2 и указывает вариант no-EMA со встроенным VAE 840KVAE. Модель предназначена для создания иллюстраций, аниме и мультяшных изображений, а также фотореалистичных сцен и пейзажей; примеры включают персонажей, еду и игровое искусство. Модель распространяется в формате Diffusers с весами Safetensors и использует Stable Diffusion. Указана лицензия CreativeML Open RAIL-M. В карточке приведены примеры промптов и сгенерированных изображений; данных о размере модели, длине контекста или поддерживаемых естественных языках нет.

FLUX.1 [dev] — модель генерации изображений по тексту от Black Forest Labs. Это 12-миллиардный rectified flow transformer, обученный с помощью дистилляции guidance; веса доступны в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым описаниям и локального использования в творческих и исследовательских рабочих процессах. Модель обеспечивает высокое качество изображений и хорошо следует запросам, хотя результат зависит от формулировки промпта и может ему не соответствовать. Она не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется условиями лицензии.

Карточка модели NikolaSigmoid/FLUX.1-Krea-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Krea-dev, поэтому описание составлено по ней. FLUX.1 Krea [dev] — модель генерации изображений по текстовому описанию, совместно разработанная Black Forest Labs и Krea. Это дообученная версия FLUX.1 [dev] на архитектуре rectified flow transformer с 12 млрд параметров; обучение с guidance distillation сделало её эффективнее. Модель ориентирована на высокое качество, особенно эстетической фотографии, и хорошо следует текстовым запросам. Она принимает текст и создаёт изображения; карточка указывает английский язык. Модель подходит для творческих рабочих процессов, подготовки концептов и визуальных материалов, а также научных исследований. Она предназначена для работы в системах, совместимых с FLUX.1 [dev], включая Diffusers и ComfyUI. Модель не предназначена для предоставления фактической информации: результат может не соответствовать запросу, а следование промпту зависит от его формулировки. Генерация может отражать общественные предубеждения. Веса доступны по лицензии FLUX.1 [dev] Non-Commercial License. README описывает допустимое применение результатов, включая личное и коммерческое, но использование самой модели регулируется условиями этой лицензии. Запрещены, в частности, незаконное использование, эксплуатация несовершеннолетних, создание несанкционированной интимной и иной запрещённой информации; при развёртывании требуются фильтры или ручная проверка.

FLUX-Krea-Blaze — производная модель для генерации изображений по текстовым описаниям, опубликованная MintLab. В README она представлена как ускоренная версия FLUX.1-Krea-dev в формате FP8 E5M2; метаданные указывают на объединение FLUX.1-dev и FLUX.1-Krea-dev и формат safetensors. Модель предназначена для генерации изображений за небольшое число шагов; автор рекомендует настройки на 4 или 8 шагов и приводит пример рабочего процесса для ComfyUI с изображением 1920×1080. Также доступны LoRA рангов 32, 64 и 128 для использования с FLUX.1-Krea-dev или FLUX.1-dev. Модель принимает текстовые запросы и выдаёт изображения. В карточке приведены примеры фотореалистичных и художественных сцен, но нет систематической оценки качества или сведений о контекстном окне. Лицензия указана как other; README ссылается на некоммерческую лицензию FLUX.1 [dev] от Black Forest Labs, поэтому условия использования следует сверять с ней.

Foto Assisted Diffusion — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Это версия с разрешением 768×768 для inference API; репозиторий содержит веса в формате Diffusers и safetensors. Примеры демонстрируют фотореалистичные изображения и цифровые иллюстрации: портреты, пейзажи, городские сцены, еду и фантастические сюжеты. Модель предназначена для создания изображений по текстовым промптам. В карточке показаны промпты на английском языке, в том числе с указаниями художественного стиля и деталей композиции. Модель основана на Stable Diffusion; точное семейство или размер базовой модели в доступных данных не уточнены. Указана лицензия CreativeML OpenRAIL-M. Примеры показывают широкий диапазон сюжетов, однако не содержат систематической оценки качества или ограничений генерации; результаты могут зависеть от формулировки промпта.

Juggernaut XI v11 — модель KandooAI, созданная в сотрудничестве с RunDiffusion, для генерации изображений по текстовым запросам. Это дообучение Stable Diffusion XL Base 1.0, распространяемое для библиотеки Diffusers в форматах PyTorch и Safetensors. Модель ориентирована на фотореалистичные изображения и фотографии с выразительным освещением и композицией. Она принимает запросы на естественном языке или в виде тегов; среди заявленных улучшений — следование запросу, прорисовка лиц, глаз и рук, различение типов кадра и рендеринг коротких надписей. Рекомендуемое разрешение — 832 × 1216 для портретной ориентации и 1216 × 832 для альбомной. Для локальной загрузки требуется принять условия доступа на Hugging Face и аутентифицироваться. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных материалов согласно её условиям. Заявленные улучшения и качество зависят от запроса и настроек генерации.

Krea 2 — семейство диффузионных моделей для генерации изображений по текстовым описаниям, разработанное Krea.ai, Inc. Эта карточка охватывает базовую версию Raw и версию Turbo, прошедшую дополнительную постобработку и дообучение. В репозитории vantagewithai/Krea-2 опубликованы варианты BF16 и FP8; метаданные связывают его дообучением с базовой моделью krea/Krea-2-Raw. Модель предназначена для творческой и коммерческой работы, разработки приложений и исследовательских задач: создания изображений, разработки концепций, исследования дизайна и включения генерации изображений в рабочие процессы и инструменты. Архитектура — Diffusion Transformer с 12 миллиардами параметров. Вход — текст, выход — изображение; в карточке указан английский язык. Модель может не следовать запросу точно и выдавать неточные, нежелательные или неподходящие результаты; она не предназначена для предоставления фактической информации. Обучение использовало публичные, лицензированные и синтетические данные, включавшие изображения и текстовые описания. Использование регулируется Krea 2 Community License и Acceptable Use Policy; для развёртываний необходимо предусмотреть фильтрацию контента или эквивалентную проверку.

Krea 2 Onyx Turbo mlx 4bit legacy — неофициальная сборка сообщества на основе Krea 2 Turbo, подготовленная для локального запуска на устройствах в приложении Onyx. Модель предназначена для создания изображений по текстовым описаниям; базовая модель Krea 2 Turbo описана как текстово-графическая модель на 12 млрд параметров, рассчитанная на быстрый синтез по английским запросам. Сборка квантизована до 4 бит и использует формат MLX; в метаданных также указаны Diffusers и Safetensors. Это устаревшая версия сборки. Она основана на krea/Krea-2-Turbo, не одобрена Krea.ai, Inc. и распространяется по Krea 2 Community License Agreement; перед использованием следует ознакомиться с LICENSE.pdf и NOTICE.