I.8Изображения и компьютерное зрение

Krea-2-pose-controlnet — это LoRA-адаптер в стиле ControlNet для базовой модели Krea-2-Turbo, разработанный пользователем или командой thedeoxen. Модель предназначена для генерации изображений по карте позы OpenPose или DWPose: скелетное изображение задаёт положение тела и ключевых точек, а текстовый запрос определяет внешность, одежду, стиль, освещение и окружение. Адаптер рассчитан на сценарии создания иллюстраций, комиксов, раскадровок, ключевых кадров анимации и концепт-арта с управляемой позой персонажа. Это не модель для объединения референсного изображения с позой: внешний вид не переносится со второго изображения, а задаётся промптом. Адаптер обучался преимущественно на изображениях людей, но может работать со стилизованными персонажами. Для использования рекомендуется Krea-2-Turbo, вес LoRA 0,8–1,0; в примере указаны около 10 шагов сэмплирования, CFG около 1,0 и sampler euler с режимом simple. Лучше всего подходят карты DWPose на чёрном фоне, при этом масштаб и кадрирование объекта должны соответствовать желаемой сцене. Слишком высокий вес может сделать следование позе чрезмерно жёстким, а модель требует совместимых узлов ComfyUI и компонентов для извлечения позы и передачи управляющего изображения. Модель распространяется по лицензии Apache-2.0. Указанный репозиторий содержит веса в формате safetensors и workflow для ComfyUI.

Lipika — модель распознавания индийских шрифтов, разработанная и поддерживаемая Loopdesk. По изображению текста она определяет семейство шрифта среди 595 классов, скрипт, начертание и приблизительную насыщенность; также поддерживает поиск визуально похожих шрифтов и распознавание вне обученных классов. Модель может помочь анализировать изображения с вывесками, постерами, титрами, газетами и документами, включая тексты, набранные устаревшими шрифтами Kruti Dev и DevLys. Архитектура включает backbone ConvNeXtV2-Tiny с 28,3 млн параметров и несколько голов для классификации семейства и скрипта, регрессии насыщенности и определения курсива. Обучение сочетало синтетические изображения текста с реальными фрагментами; вывод можно выполнять на CPU. Заявленная область применения — индийские письменности: среди поддерживаемых скриптов есть деванагари, бенгальский, тамильский, телугу и другие. Репозиторий распространяется под лицензией Apache-2.0. Точность зависит от качества и стиля изображения; метрики README приведены для описанных наборов оценки.

Карточка модели mustjabmalik51214/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — разработанная Lightricks диффузионная аудиовизуальная модель на основе архитектуры DiT, предназначенная для совместной генерации видео и синхронизированного с ним аудио. Доступны открытые веса; в карточке указаны варианты полного обучаемого чекпойнта и дистиллированных версий на 8 шагов. Размер модели — 22 млрд параметров. Модель подходит для генерации видео по изображению и текстовым подсказкам, а также для сценариев создания аудио и видео вместе. В README заявлены улучшенное качество изображения и звука и более точное следование подсказкам по сравнению с LTX-2. Модель рассчитана прежде всего на английский язык; рекомендации по генерации требуют, чтобы ширина и высота были кратны 32, а число кадров имело вид 8n+1. Модель не предназначена для получения фактических ответов, может не полностью соответствовать подсказке, воспроизводить общественные предубеждения и создавать неподходящий или оскорбительный контент. Аудио без речи может иметь более низкое качество. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория.

LTX-2-19B-Distilled — дистиллированная версия модели LTX-2 от Lightricks для быстрой генерации видео с уменьшенным числом шагов диффузии. Репозиторий содержит чекпойнт для запуска через Diffusers и поддерживает создание видео как по текстовому запросу, так и по исходному изображению. Модель подходит для быстрого создания видеороликов из описаний и анимации предоставленных изображений. Базовая LTX-2 — аудиовизуальная диффузионная модель; однако карточка этого репозитория явно заявляет только генерацию видео по тексту и изображению. Чекпойнт распространяется по лицензии, обозначенной как other; конкретные условия следует сверить с файлами репозитория.

10 Eros — модель на базе LTX 2.3, опубликованная автором TenStrip как вариант для преобразования изображения в видео. В README описаны версии 1.2–1.5: автор меняет обработку attention gates и смешивает веса разных шагов обучения, чтобы сочетать более управляемое следование промпту и устойчивую структуру видео с явными движениями. Модель рассчитана на сценарии image-to-video и может использоваться с LoRA, в том числе с гибридными LoRA для расширения вариативности движения. Для работы автор рекомендует подробно задавать исходную сцену, движения, изменения композиции и звук; модель слабо развивает условие самостоятельно. README отмечает возможные проблемы с анатомией, лишними деталями, субтитрами и неожиданными переходами, а также необходимость тщательной настройки промпта. Репозиторий содержит файлы safetensors и варианты checkpoint и FP8; отдельные сборки требуют соответствующего workflow Diffusers или узлов. Лицензия в предоставленных данных не указана.

LTX Video-2.3 Uncensored Turbo v1.4 — слитая сборка видеодиффузионной модели LTX-2.3 от Lightricks с дообучениями Eros10, DMD и In-Context LoRA Detailer, подготовленная автором TheGladian. Модель предназначена для генерации видео по тексту и изображениям, а также для сценариев с референсами и входным аудио. В карточке указаны режимы text-to-video, image-to-video, video-to-video и audio-to-video; заявлены генерация за 4 шага, сохранение сходства персонажа с исходным изображением и улучшенное следование инструкциям. В репозитории представлены GGUF-квантизации Q4_K_M, Q6_K и Q8_0, а также safetensors; метаданные указывают библиотеку GGUF. README приводит примеры до 1280 × 736 и 121 кадра, а в настройках рекомендует до 1280 × 720, 24 кадра в секунду и до 960 кадров. Для работы описана связка с текстовым энкодером Gemma 3 12B и проекциями CLIP. Сборка включает NSFW-настройку Eros10, поэтому рассчитана в том числе на взрослый контент; README упоминает наличие ограничителей против незаконного контента. Лицензия в метаданных обозначена как неизвестная, поэтому условия использования по карточке установить нельзя.

Lightricks/LTX-2.5-22b-IC-LoRA-Ingredients — адаптер типа IC-LoRA для базовой модели Lightricks/LTX-2.5, разработанный Lightricks. Модель предназначена для генерации и преобразования видео по текстовому описанию с использованием референсного изображения или reference sheet, содержащего персонажей, предметы, окружение и другие визуальные элементы. Основной сценарий применения — video-to-video и создание согласованных по стилю и содержанию видеосцен, в которых требуется сохранять идентичность персонажей, внешний вид объектов, реквизита, логотипов и локаций между кадрами. В README приведены примеры 3D-анимационных рекламных и кинематографических сцен. Модель относится к семейству LTX Video и рассчитана на англоязычные текстовые описания. Известно, что адаптер связан с моделью размером 22B, однако подробности архитектуры, поддерживаемые разрешения, длина контекста и точные требования к вычислительным ресурсам в предоставленных данных не указаны. Сильной стороной является управление визуальной согласованностью на основе референсов; ограничения включают зависимость от качества и полноты reference sheet, а также отсутствие подробной информации о производительности и режимах использования. Модель распространяется по лицензии ltx-2.x-community-license; для доступа может требоваться согласие с условиями платформы и политикой конфиденциальности Lightricks.

frtertaer/LTX-2.5-uncensored-v1.1-FP8 — квантованная сборка модели LTX Video-2.5, опубликованная пользователем frtertaer и основанная на Lightricks/LTX-2.5 с компонентами TenStrip. Это модель генерации видео с поддержкой text-to-video, image-to-video, video-to-video, audio-to-video и сценариев с референсными изображениями. Веса содержат объединённые настройки нескольких LoRA-адаптеров, включая Eros10 NSFW, DMD Distilled, официальный LTX Video IC-LoRA, IC-LoRA Detailer и Img2Vid LoRA; заявлена возможность генерации контента без ограничений для всех аудиторий. Модель использует GGUF и FP8-квантизацию, а текстовый энкодер Gemma4 12B встроен в сборку и дополнительно не требуется. Поддерживаются режимы FL2VA, T2VA, I2VA, REF2VA и audio-to-video. Рекомендуются разрешение до 1280×720, частота 24 кадра в секунду, 124 кадра и 8 шагов; заявленный диапазон составляет от 4 до 16 шагов, а максимальная длина — до 960 кадров. README не указывает поддерживаемые языки. К сильным сторонам относятся ускоренная генерация, улучшенное следование инструкциям, сохранение лиц, согласованность движения и повышенное соответствие референсным изображениям. Ограничения включают зависимость от совместимого ПО, в частности ComfyUI с custom node comfyui-gguf-loader, а также неизвестную лицензию: условия использования в README не указаны.

calcuis/ltxv-gguf — это набор GGUF-квантизированных и FP8-масштабированных версий модели LTX-Video, разработанной Lightricks и упакованной пользователем calcuis. Модель предназначена для генерации видео по текстовому описанию, а карточка классифицирует её как image-to-video. Примеры показывают создание кинематографичных сцен с движением камеры, природными ландшафтами, городами и побережьями; запуск поддерживается через gguf-connector, gguf-node и ComfyUI. В набор входят варианты LTX-Video примерно на 2 млрд параметров, включая distilled-релизы 0.9.8 в форматах IQ4_NL, Q6_K и Q8_0, а также другие версии GGUF, например Q4_0. Для работы могут использоваться отдельные квантизированные текстовый энкодер T5XXL и VAE. Указан английский язык; другие языки не заявлены. Размер контекста, точные характеристики входных изображений и выходного видео, а также полный перечень поддерживаемых разрешений и форматов в карточке не указаны. К сильным сторонам относятся сниженные требования к памяти и возможность выбирать степень квантизации, а также интеграция с распространёнными инструментами генерации. При этом чрезмерно агрессивная квантизация, например Q2_K, по отзывам автора может давать непригодное качество; результаты разных вариантов моделей, энкодеров и VAE могут заметно отличаться. Лицензия обозначена как other, но её конкретные условия в карточке не приведены.

MajicMixRealistic — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi. Репозиторий содержит веса в форматах Diffusers и PyTorch; для вызова через API README показывает использование сервиса ModelsLab. Пример настроен на генерацию изображения размером 512×512 за 30 шагов и включает положительный и отрицательный промпты, seed и guidance scale. Модель подходит для создания реалистичных портретов, а также художественных изображений с заданными стилем, освещением и деталями. Пример README содержит смешанные реалистичные и иллюстративные стилистические подсказки, поэтому фактический результат зависит от промпта и настроек генерации. Лицензия репозитория — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или перечень поддерживаемых языков; численные значения этих характеристик здесь не приводятся.

jzli/majicMIX-realistic-7 — модель генерации изображений по текстовому описанию в формате Stable Diffusion. Карточка предлагает запускать её бесплатно и сообщает о доступе через API; конкретные сценарии применения и разработчик не описаны. Модель доступна в форматах Diffusers, PyTorch и safetensors. Сведения об архитектуре сверх StableDiffusionPipeline, размере, поддерживаемых языках, длине контекста и лицензии в предоставленных данных отсутствуют.

Карточка модели Athena1433/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 Inkdhostile/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.

MiniMax-H3 × Z-Image — это модифицированные GGUF-варианты модели MiniMax-H3 от MiniMaxAI, созданные joeygambino. Модель предназначена для генерации видео по текстовому описанию, включая многокадровые и связанные сцены, а также сценарии с сохранением идентичности и голоса. Она рассчитана на использование в ComfyUI и совместима с рабочими процессами MiniMax-H3, включая MiniMax-H3 Multishot. Модификация переносит профиль пространственного внимания модели Z-Image на поздние блоки MiniMax-H3 посредством масштабирования весов q_norm. Z-Image описана как 6B-модель изображений на архитектуре Lumina2, однако архитектура и полный размер MiniMax-H3 в README не указаны. Изменение не требует дообучения, не добавляет новых знаний и не меняет архитектуру H3; оно направлено на повышение детализации текстур, поверхностей и визуальной согласованности между последовательными сценами. Доступны варианты GGUF с квантованием Q8_0, Q5_1 и Q4_0, рассчитанные соответственно примерно на 32, 24–32 и 16–24 ГБ памяти. К сильным сторонам относятся сохранение совместимости с исходными workflow MiniMax-H3, улучшенная детализация, стабильность деталей при объединении до четырёх кадровых сцен, сохранение идентичности лиц и отсутствие заявленных артефактов. Для выбора режима предусмотрены варианты ref2va и fl2va: первый ориентирован на сохранение идентичности и голоса, второй — на соответствие заданному кадру. Языки, максимальный контекст и точные характеристики входных и выходных модальностей не указаны. Модель распространяется по лицензии minimax-h3-community-license; в метаданных также указано обозначение лицензии other.

Video-ORA-9B-GGUF — это квантизированная GGUF-версия мультимодальной модели Video-ORA-9B, разработанной командой OraRL и подготовленной пользователем bartowski с применением llama.cpp. Модель содержит около 9 млрд параметров и предназначена для работы с визуальной информацией и текстом; для обработки изображений требуется отдельный файл mmproj. В карточке также заявлена поддержка сценариев, связанных с видео, включая временную привязку событий, отслеживание объектов, сегментацию видео, визуальные вопросы и пространственное рассуждение. Модель ориентирована на анализ визуального содержимого, ответы на вопросы по изображениям и видео, а также задачи, где требуется учитывать пространственные и временные взаимосвязи. Доступны варианты от BF16 до различных уровней квантизации GGUF; рекомендуемым компромиссом между размером и качеством указан вариант Q4_K_M размером около 5,91 ГБ, а варианты Q5 и Q6 обеспечивают более высокое качество при большем потреблении памяти. Спекулятивное декодирование не поддерживается, при этом для квантизации использовалась imatrix. README не содержит сведений о поддерживаемых языках, размере контекстного окна, точной архитектуре или результатах бенчмарков. Указана лицензия Apache-2.0. Качество и требования к ресурсам зависят от выбранного уровня квантизации; более компактные варианты экономят память, но могут заметно уступать по качеству более точным версиям.

Paragon — базовая модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Репозиторий содержит веса в формате safetensors для запуска через Diffusers и помечен как Stable Diffusion; в карточке приведены примеры фотореалистичных, кинематографичных и фантастических сцен. Модель предназначена для создания изображений по англоязычным промптам, в том числе портретов, персонажей и атмосферных композиций. Для репозитория указана лицензия CreativeML OpenRAIL-M, условия которой регулируют использование и распространение модели. В карточке нет сведений о размере модели, базовом чекпойнте и длине контекста.

Perceptron Mk1 (Mark One) — модель для работы с изображениями и видео по запросам на естественном языке. README позиционирует её как наиболее качественную vision-language модель Perceptron для визуального и embodied reasoning: она принимает изображения или видео вместе с текстовыми запросами и выдаёт подробное понимание визуального содержимого.

PosterCraft — модель генерации эстетичных постеров по текстовому описанию, разработанная авторами проекта PosterCraft. Она предназначена для создания готовых постерных изображений с выразительной композицией, интеграцией абстрактного искусства и согласованным стилем. Модель ориентирована на точное отображение текста внутри изображения; для улучшения результата авторы предлагают сценарий с автоматической переработкой промпта. Это дообученная версия FLUX.1 [dev] от Black Forest Labs и использует библиотеку Diffusers. Репозиторий содержит веса в формате safetensors. README предлагает генерацию с точностью BF16, а также вариант с выгрузкой части компонентов на CPU для видеокарт с ограниченной памятью. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и лицензии базовой модели.

realism_engine_krea2_v2 — это LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией uzumix. Модель предназначена для использования вместе с базовой моделью krea/Krea-2-Turbo в экосистеме Diffusers и, вероятно, ориентирована на повышение реалистичности создаваемых изображений. Указано, что адаптер распространяется в формате SafeTensors. Из доступных данных известно, что модель работает в сценарии text-to-image и относится к семейству diffusion LoRA. Размер адаптера, архитектура базовой модели, поддерживаемые языки, максимальный контекст и точные визуальные особенности не указаны. Также отсутствуют сведения о рекомендуемых параметрах, ограничениях качества и лицензии, поэтому условия использования необходимо уточнять на странице модели и у правообладателя.

Realistic Vision V2.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем SG161222. Карточка рекомендует использовать VAE для повышения качества и устранения синих артефактов. Автор предлагает настройки генерации: сэмплеры Euler A или DPM++ 2M Karras, 25 шагов и CFG Scale 3,5–7; для увеличения разрешения описан вариант с Latent upscaler. Модель предназначена для создания фотореалистичных изображений, в том числе портретов и сцен с людьми. README приводит пример промпта для портрета и советует задавать детали объекта, освещения и съёмки. Репозиторий использует форматы Diffusers, PyTorch и Safetensors; лицензия — CreativeML Open RAIL-M.

Карточка модели Nikijdhebd/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.

Realistic Vision V6.0 B1 VAE — бета-версия модели генерации изображений, основанной на Stable Diffusion и распространяемой автором Realistic Vision. Она предназначена для создания реалистичных и фотореалистичных изображений по текстовым запросам, включая портреты и изображения в полный рост. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; для версии 6.0 автор рекомендует использовать VAE для повышения качества и уменьшения артефактов. Модель поддерживает генерацию в разрешениях до 1152×1152 в зависимости от композиции. В README отмечены улучшения при создании женских персонажей и анатомии, а также сохраняющиеся дублирования, деформации и другие артефакты; отдельные позы на высоком разрешении могут обрабатываться некорректно. Это не полная версия V6.0, а одна из постепенно выпускаемых бета-версий. Лицензия — CreativeML Open RAIL-M.

RealVisXL V1.02 Turbo — модель генерации изображений по текстовому описанию от SG161222, построенная на архитектуре Stable Diffusion XL и распространяемая в форматах Diffusers и SafeTensors. Она ориентирована на фотореалистичные изображения и подходит для создания как безопасного для работы, так и откровенного контента. Автор указывает, что модель находится в процессе обучения и в некоторых случаях может создавать артефакты или выдавать неудовлетворительный результат. Для генерации рекомендованы от 4 шагов, метод DPM++ SDE Karras и CFG 1,5–3. Лицензия — OpenRAIL++; перед использованием следует учитывать её условия.

RealVisXL V4.0 Lightning — модель генерации изображений по текстовому описанию от SG161222. Она основана на Stable Diffusion XL и предназначена для создания фотореалистичных изображений. В README рекомендованы быстрые генерации от четырёх шагов с низким CFG; для увеличения разрешения также приведены настройки Hires Fix. Модель может создавать изображения как безопасного, так и откровенного содержания. Автор отмечает, что версия всё ещё находится в обучении, поэтому возможны артефакты и нестабильное качество в отдельных случаях. Лицензия — OpenRAIL++; перед использованием следует учитывать её условия.

samaritan 3d Cartoon 2 — модель преобразования текста в изображения, опубликованная Yntec. В карточке указано, что в модель встроен VAE MoistMix; метаданные относят её к семейству Stable Diffusion и библиотеке Diffusers. Примеры ориентированы на создание детализированных цветных изображений в стиле 3D-мультфильма по текстовым запросам. Модель предназначена для генерации художественных изображений, в том числе персонажей и иллюстраций с детализированным рендерингом. В карточке приведён пример промпта с LoRA и тегами стиля; это пример, а не подтверждение, что перечисленные LoRA входят в состав модели. Указана лицензия CreativeML OpenRAIL-M.

Norod78/sd2-cartoon-blip — модель генерации изображений на основе Stable Diffusion 2.0, дообученная автором Norod78 на изображениях из различных мультсериалов. Она принимает текстовый запрос и создаёт изображения в мультяшной стилистике. Обучение длилось 25 000 итераций на изображениях с подписями BLIP из набора Norod78/cartoon-blip-captions; модель использует StableDiffusionPipeline и доступна в форматах Diffusers, PyTorch и safetensors. Также в репозитории есть файлы checkpoint и YAML для использования с AUTOMATIC1111. Модель предназначена для генерации мультяшных изображений по текстовым описаниям. Она основана на stabilityai/stable-diffusion-2-base и распространяется по лицензии CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели или длине контекста.

SD-Turbo — быстрая генеративная модель Stability AI для создания изображений по текстовому описанию. Это дистиллированная версия Stable Diffusion 2.1, обученная методом Adversarial Diffusion Distillation для генерации за 1–4 шага; обычно достаточно одного шага, а предпочтительный размер изображения — 512×512 пикселей. Модель предназначена для быстрого синтеза изображений в творческих инструментах, дизайне и исследованиях генеративных моделей. Она принимает текстовый запрос и выдаёт изображение; также поддерживается сценарий image-to-image. Для работы в одном или двух шагах модель сочетает дистилляцию по оценкам с состязательной функцией потерь. К ограничениям относятся более низкое качество и соответствие запросу по сравнению с SDXL-Turbo, неидеальный фотореализм, сложности с корректной генерацией лиц и людей, а также неспособность надёжно создавать читаемый текст на изображениях. Модель не предназначена для достоверного изображения реальных людей или событий. Условия коммерческого использования в карточке не раскрыты полностью: README отсылает к отдельным условиям Stability AI.

Spark-Wan-4Steps — производная от Wan-AI/Wan2.1-T2V-14B модель для генерации видео по текстовому описанию. Разработчик опубликовал веса дистилляции для ускоренной генерации за 4 шага и код обучения. Модель предназначена для создания видеороликов по текстовым запросам. В основе лежит diffusion transformer Wan2.1 T2V-14B; файлы модели представлены в формате safetensors. Базовая модель поддерживает генерацию видео в разрешении 480p или 720p. Модель распространяется по лицензии Apache-2.0. Данных о поддерживаемых языках запросов и ограничениях качества именно этой версии в карточке нет.

Модель ehristoforu/stable-diffusion-v1-5-tiny — компактная версия Stable Diffusion v1.5 для генерации изображений по текстовому описанию. В README она названа официальной моделью RunwayML, из которой удалены избыточные веса; автор утверждает, что это не влияет на результаты генерации. Репозиторий использует библиотеку Diffusers и формат Safetensors. Модель предназначена для создания изображений по текстовым запросам. Она основана на runwayml/stable-diffusion-v1-5 и распространяется по лицензии CreativeML OpenRAIL-M. Язык в метаданных — английский; README не уточняет, на каких языках модель понимает запросы. Данных о размере модели и длине контекста нет.

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.