I.8Изображения и компьютерное зрение

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.

Stable Video Diffusion 1.1 Image-to-Video — диффузионная модель Stability AI для создания коротких видеоклипов на основе одного исходного изображения. Это латентная диффузионная модель, дообученная на базе SVD Image-to-Video для генерации 25 кадров с разрешением 1024×576. Настройки обучения ориентированы на частоту 6 кадров в секунду и Motion Bucket Id 127; эти параметры можно менять, но качество при других настройках может отличаться. Модель подходит для превращения статичного изображения в короткую анимацию, а также для творческих и дизайнерских проектов и образовательных инструментов. Управлять генерацией текстовыми запросами нельзя. Результаты ограничены длительностью до четырёх секунд; возможны отсутствие движения или медленные панорамы, недостаточный фотореализм, ошибки в изображении лиц и людей и нечитаемый текст. Автоэнкодер вносит потери. В README указано, что коммерческое и некоммерческое использование предусмотрено, но для коммерческого применения следует обратиться к отдельным условиям Stability AI; в метаданных лицензия обозначена как other.

Stable Video Diffusion 1.1 Image-to-Video — диффузионная модель Stability AI для генерации коротких видеоклипов на основе одного исходного изображения. Это латентная диффузионная модель, дообученная на базе SVD Image-to-Video для 25 кадров. Она рассчитана на создание 25 кадров с разрешением 1024×576 из изображения того же размера; стандартные условия дообучения — 6 кадров в секунду и Motion Bucket Id 127, эти параметры можно менять. Модель подходит для анимации изображений, художественных и дизайнерских задач, а также для творческих и образовательных инструментов. Текстовое управление не поддерживается. По карточке модель предназначена для некоммерческого и исследовательского использования; условия коммерческого использования следует уточнять у Stability AI, поскольку лицензия в метаданных обозначена как other. Клипы короткие — до четырёх секунд; возможны отсутствие движения или медленные панорамы, а фотореализм не гарантируется. Модель может некорректно генерировать лица и людей, не создаёт читаемый текст и не предназначена для достоверного изображения людей или событий.

Abiray/Sulphur-2-base-GGUF — набор файлов модели Sulphur-2-base, разработанной SulphurAI, в формате GGUF. Модель предназначена для задач преобразования текста в видео и совместима с архитектурой ltxv. Репозиторий содержит варианты с разной степенью квантования для запуска на оборудовании с различными ограничениями по оперативной памяти и VRAM. Модель содержит 21 млрд параметров. Доступны версии BF16 размером 42,0 ГБ, а также квантованные варианты Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, Q4_0, Q3_K_M и Q3_K_S размером от 10,3 до 22,8 ГБ. Вариант Q4_K_M обозначен как рекомендуемый стандартный баланс скорости, требований к памяти и качества, тогда как BF16 обеспечивает максимальное качество, а варианты Q3 предназначены для наиболее ограниченных конфигураций. Сильной стороной набора является широкий выбор квантований: можно подобрать компромисс между качеством, скоростью инференса и потреблением памяти. При этом более сильное сжатие снижает качество, а для BF16 требуется значительный объём VRAM. Сведения о поддерживаемых языках, максимальном контексте, точных входных и выходных модальностях, системных требованиях и лицензии в предоставленной карточке не указаны.

Aiwithus/Sulphur-2-base-GGUF — набор файлов модели Sulphur-2-base от SulphurAI в формате GGUF, подготовленный для запуска с различными уровнями квантования. Модель использует архитектуру ltxv, содержит 21 млрд параметров и предназначена для задач генерации видео по текстовому описанию, что соответствует заявленному типу конвейера text-to-video. Репозиторий предоставляет варианты от BF16 размером 42 ГБ до компактных 3-битных сборок размером 10,3–11,1 ГБ. BF16 ориентирован на максимальное качество, Q8_0 и Q6_K обеспечивают качество, близкое к исходному, а Q5 и Q4 предлагают компромисс между качеством, скоростью и требованиями к памяти. Варианты Q3 предназначены для систем с наиболее жёсткими ограничениями по RAM или VRAM, но сопровождаются большей потерей качества. Сильной стороной модели является наличие широкого набора квантованных вариантов для оборудования с разными ресурсами; в README стандартным рекомендуемым вариантом назван Q4_K_M. Ограничения включают высокие требования к памяти даже у компактных сборок и возможное снижение качества при агрессивном квантовании. Сведения о поддерживаемых языках, размере контекста и лицензии в предоставленных данных отсутствуют.

Synas Detect 1 — модель классификации изображений от Atugil Intelligence, дообученная на базе OpenAI CLIP ViT-Large Patch-14. Она предназначена для оценки того, является ли изображение подлинной фотографией или синтетическим изображением, созданным генеративными системами, включая Midjourney, Stable Diffusion, DALL·E и Imagen. Модель содержит около 304 млн параметров и распространяется в формате Safetensors; лицензия — MIT. Модель подходит для проверки изображений в журналистике и издательском деле, модерации пользовательских загрузок, а также вспомогательного визуального анализа в исследованиях и расследованиях. В README заявлены точность около 96% на данных, близких к обучающим, и 92–95% на данных вне обучающего распределения; эти показатели зависят от качества изображения и использованной генеративной модели. Сжатие JPEG, обрезка, изменение размера и постобработка могут снижать уверенность классификации. Модель не обучалась специально против состязательных изменений, поэтому её оценки не следует считать окончательным доказательством подлинности изображения.

ThinkDiffusionXL (TDXL) — модель ThinkDiffusion для генерации изображений по текстовому описанию. Она предназначена для фотореалистичных изображений и работы с разными стилями и сюжетами без сложных промптов. По карточке модели, обучение проводилось на более чем 10 000 изображений, включая фотографии, цифровое искусство и аниме, с ручными подписями и 1,8 млн шагов обучения. Репозиторий использует Diffusers и формат safetensors; модель относится к семейству Stable Diffusion XL. Она может служить основой для дальнейших дообучений и использования LoRA. Карточка заявляет о способности генерировать откровенный контент. Результат зависит от промпта, а заявленные преимущества в качестве и снижении смещения являются оценкой разработчика. Лицензия в предоставленных данных не указана.

frankjoshua/toonyou_beta6 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная пользователем frankjoshua на Hugging Face. Репозиторий содержит компоненты StableDiffusionPipeline и веса в формате Diffusers/Safetensors; карточка Hugging Face не содержит подробного описания обучения или лицензии. Модель предназначена для создания изображений по текстовым запросам. Связанные с названием модели материалы указывают на мультяшную стилистику, однако доступные сведения не дают надёжного описания её точной архитектурной версии, размера, контекста, языков или ограничений качества. Использование лицензией из доступных данных подтвердить нельзя.

Это турецкоязычная модель для поиска соответствий между изображениями и текстом. Она объединяет визуальный энкодер CLIP ViT-B/32 от OpenAI и текстовый энкодер ModernBERT-TR в двухбашенную архитектуру, которая отображает изображения и турецкие подписи в общее пространство эмбеддингов размерности 512. Модель поддерживает поиск текста по изображению и изображения по текстовому запросу; в метаданных её основная задача указана как классификация изображений без примеров. Модель обучена на турецких переводах подписей Flickr30k: для каждого изображения использовалась одна случайно выбранная подпись за эпоху. Текст обрезается до 128 токенов, изображения приводятся к размеру 224×224. На тестовом наборе автор сообщает Recall@1 68,30 для поиска подписи по изображению и 54,38 для поиска изображения по подписи. Область обучения ограничена повседневными сценами Flickr30k, поэтому обобщение на изображения других типов может быть слабым. Подписи являются машинными переводами и содержат артефакты; визуальный энкодер заморожен, а одинаковые подписи для разных изображений могут создавать ложные отрицательные примеры при обучении. Указана лицензия other, поэтому конкретные условия использования следует проверить в репозитории.

VisioniX Alpha — модель генерации изображений по текстовому описанию, созданная ehristoforu на основе Stable Diffusion XL Base 1.0. Она дообучена на реалистичных изображениях и предназначена для создания фотореалистичных сцен, портретов и детализированного художественного изображения с вниманием к общей эстетике и анатомии. Модель рассчитана на широкий круг задач генерации изображений. В карточке рекомендуются 22–25 шагов инференса, CFG 5–7 и сэмплеры DPM++ 3M SDE (Karras) или DPM++ SDE (Karras). Репозиторий использует Diffusers и формат SafeTensors. Лицензия — CreativeML OpenRAIL-M.

city96/Wan2.1-I2V-14B-720P-gguf — это конвертированная в формат GGUF версия модели Wan2.1-I2V-14B-720P, разработанной Wan-AI. Модель предназначена для генерации видео из изображений (image-to-video), то есть для создания или продолжения видеосцен на основе исходного изображения и текстового описания. Заявленные языки — английский и китайский. Модель имеет размер 14B параметров и ориентирована на генерацию видео с разрешением 720p. Доступны варианты квантования, созданные на основе FP32; в репозитории также указан вариант FP16. Формат GGUF позволяет использовать модель через совместимые инструменты, в частности custom node ComfyUI-GGUF, однако для работы требуются дополнительные файлы из отдельного репозитория Comfy-Org и настройка соответствующего окружения. Размер FP16-файла может превышать 50 ГБ, а загрузка разделённых GGUF-файлов в ComfyUI-GGUF на момент подготовки README не поддерживается. К сильным сторонам относятся специализация на image-to-video, поддержка генерации видео в высоком разрешении и наличие вариантов квантования, которые могут снизить требования к ресурсам по сравнению с полноразмерной версией. Ограничения включают высокие аппаратные требования, необходимость дополнительных компонентов и зависимость от совместимости с ComfyUI-GGUF; длина контекста, точные требования к памяти и другие архитектурные характеристики в README не указаны. Модель распространяется по лицензии Apache-2.0.

Wan2.1-T2V-14B-Diffusers — модель генерации видео по текстовому описанию из семейства Wan2.1, разработанного Wan-AI. Это вариант на 14 млрд параметров в формате Diffusers с весами Safetensors, построенный на архитектуре диффузионного трансформера и использующий пространственно-временной VAE. Модель предназначена для создания видеороликов по текстовым запросам. Она генерирует динамичные сцены и поддерживает разрешения 480p и 720p; в описании семейства заявлена генерация видимого текста на английском и китайском языках. В карточке также перечислены другие возможности Wan2.1, включая генерацию видео по изображению, редактирование видео и создание изображений, но эти возможности не следует считать задачами именно данного репозитория T2V. Для запуска требуется Diffusers-совместимая среда и значительные вычислительные ресурсы; в README описаны варианты распределённого запуска и снижения потребления видеопамяти. Лицензия — Apache-2.0.

Wan2.2_I2V_R1_base_v2 — дообученная версия Wan2.2-I2V-A14B, предназначенная для создания видеороликов по исходному изображению и текстовому запросу. Автор описывает её как улучшенную версию uncensored-чекпойнта: в основу включены вариант KJ FP8 и доработанный lightx2v, объединённый с моделью. Репозиторий содержит отдельные веса для этапов высокого и низкого шума в формате safetensors. Модель подходит для анимации изображений, а также для генерации видео в стиле text-to-video при подаче пустого изображения или canvas.png. Она рассчитана на работу с LoRA для Wan 2.2 I2V и T2V и, по заявлению автора, хорошо сохраняет гибкость при добавлении стилевых адаптеров. В описании также заявлена поддержка откровенных запросов и приведены усилители анатомических деталей. Модель наследует от Wan2.2-I2V-A14B создание видео 480p или 720p. Репозиторий распространяется по лицензии Apache-2.0. Авторские оценки качества и рекомендации по настройке приведены в README, но независимые показатели качества не указаны.

squirrelae/Wan2.2-TI2V-5B-GGUF — это квантованная версия модели Wan2.2-TI2V-5B, разработанной Wan-AI. Модель предназначена для задач text-to-video и text-and-image-to-video, то есть для генерации видео по текстовому описанию и, судя по идентификатору TI2V, по сочетанию текста и изображения. Формат GGUF ориентирован на использование через совместимые инструменты, включая пользовательский узел ComfyUI-GGUF для ComfyUI. Из README известно, что модель поддерживает английский и китайский языки. Архитектура, точный размер в параметрах, поддерживаемые модальности и длина контекста отдельно не описаны. Квантование может сделать модель удобнее для запуска в средах с ограниченными ресурсами, однако конкретный уровень квантования и его влияние на качество не указаны. Модель распространяется по лицензии Apache-2.0, при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели. Для работы требуется совместимая интеграция, например ComfyUI с узлом ComfyUI-GGUF.

X-CLIP base-sized с размером патча 16 — видеоязычная модель Microsoft, выпущенная в репозитории Hugging Face и представленная в статье Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Она расширяет CLIP для понимания видео и обучена контрастивно на парах «видео — текст»; вариант дообучен в few-shot режиме с K=16 на HMDB-51. Модель предназначена для классификации видео в zero-shot, few-shot и supervised сценариях, а также для поиска соответствия между видео и текстом. При обучении использовались 32 кадра на видео с разрешением 224×224; точность top-1 на оценке из карточки — 64,0%. Лицензия — MIT. Модель принимает видео и текстовые описания и позволяет оценивать их соответствие. Обучение на HMDB-51 и few-shot режим ограничивают переносимость результатов на другие типы видео и классы; указанная точность относится к оценке, описанной в карточке.

Allegro — открытая модель генерации видео по тексту от rhymes.ai. Она предназначена для создания динамичных сцен, включая крупные планы людей и животных, по текстовым запросам. Модель построена на VideoDiT с 2,8 млрд параметров и VideoVAE с 175 млн параметров; заявлена длина контекста 79,2 тыс. токенов, соответствующая 88 кадрам. Модель формирует видео длительностью 6 секунд с разрешением 720×1280 и частотой 15 кадров в секунду; частоту можно повысить до 30 кадров в секунду с помощью EMA-VFI. Поддерживаются точности FP32, BF16 и FP16; для режима BF16 с выгрузкой частей модели на CPU указано потребление 9,3 ГБ видеопамяти. Репозиторий использует библиотеку Diffusers и формат Safetensors. Лицензия Apache 2.0.

AllInOne XL v12.5 — модель генерации изображений по текстовому описанию на базе семейства Stable Diffusion XL. Её создал Bl4ckSpaces, объединив 13 моделей SDXL; среди указанных в метаданных базовых моделей — NoobAI XL, Pony Diffusion V6 XL, Illustrious XL и SDXL Base 1.0. Репозиторий использует библиотеку Diffusers и формат safetensors. Модель предназначена для создания изображений в стилях аниме, 2.5D, 3D-рендера и фотореализма. В README заявлены отдельное смешивание признаков для анатомии и поз, освещения и фактур, а также гибкости следования запросу. Для выбора стиля рекомендуются выразительные стилевые теги; указаны настройки генерации: 25–40 шагов и CFG 7–9. README также заявляет, что версия 12.5 улучшает цветопередачу при запросах без стилевых тегов и включает стабилизацию VAE. Эти характеристики описаны автором и не сопровождаются независимыми оценками. Модель распространяется по лицензии OpenRAIL; ограничения лицензии следует учитывать при использовании.

Карточка модели YogiBare67/AnimateLCM на Hugging Face совпадает с карточкой wangfuyun/AnimateLCM, поэтому описание составлено по ней. 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.

NullpoLab/AnimeGen-I2V-GGUF — это GGUF-квантованная версия модели aidealab/AnimeGen-I2V, предназначенная для использования в ComfyUI. Модель относится к классу image-to-video и ориентирована на генерацию аниме-видео на основе изображений; в метаданных также указаны задачи video generation и поддержка коммерческого использования. В доступных данных не указаны точная архитектура, размер модели, поддерживаемые разрешения, длина контекста, набор модальностей помимо image-to-video и фактический список языков. В метаданных заявлен английский язык, однако README не уточняет, относится ли это к текстовым входам или документации. Модель основана на aidealab/AnimeGen-I2V, а GGUF-квантизация может быть полезна для запуска в средах, совместимых с этим форматом, включая ComfyUI. Ограничения, связанные с качеством, производительностью и требованиями к оборудованию, не описаны. Лицензия указана как Apache-2.0, при этом README отмечает, что условия лицензирования совпадают с AnimeGen.

AuraFlow v0.3 — открытая flow-based модель генерации изображений по текстовому описанию, представленная Runware. По карточке, она дообучена относительно AuraFlow-v0.2 на дополнительных эстетических датасетах и поддерживает разные соотношения сторон; ширина и высота изображения могут достигать 1536 пикселей. Репозиторий распространяется в формате Diffusers с весами SafeTensors. Модель предназначена для создания изображений по текстовым промптам. Лицензия Apache-2.0 разрешает использование на её условиях. В карточке не приведены сведения о числе параметров, поддерживаемых языках и специальных ограничениях качества.

beLIEve — объединённая модель генерации изображений от Yntec, созданная на основе I Can't Believe It's Not Photography v1 и realisticStockPhoto v3. Она предназначена для создания фотореалистичных изображений по текстовым промптам, особенно портретов и людей, с улучшенной детализацией и разнообразием лиц. Модель использует Stable Diffusion 1.5 и доступна в форматах Diffusers и Safetensors. Модель подходит для генерации портретов, кинематографичных сцен и изображений в стиле фотографии по описанию на естественном языке. Карточка демонстрирует промпты на английском языке. Лицензия — CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.

GHArt/blue_pencil-XL_V1.0_xl_fp16 — модель генерации изображений по текстовому описанию, опубликованная GHArt на Hugging Face. Репозиторий помечен как StableDiffusionXLPipeline и содержит веса в формате Diffusers и safetensors. Модель предназначена для создания изображений по текстовым запросам. Поиск указывает на связь семейства blue_pencil-XL с Animagine XL, однако карточка указанной версии не дала надёжных сведений о точной базовой модели, размере и лицензии, поэтому эти характеристики не приводятся.

Yntec/epiCPhotoGasm — модель Stable Diffusion для генерации изображений по текстовым запросам, представленная в формате diffusers и распространяемая в весах safetensors. В карточке отмечено, что в обновлении встроен VAE 840K. Пример запроса задаёт гиперреалистичную фэнтезийную иллюстрацию девушки-джинна в эстетике журнальной рекламы и цифрового арта. Модель подходит для создания реалистичных и художественных изображений, обоев и постерных композиций. Репозиторий указывает лицензию CreativeML OpenRAIL-M; применяйте модель с учётом её условий. Карточка не сообщает размер модели, контекст или поддерживаемые языки.

misri/epicrealismXL_v8Kiss — модель генерации изображений по текстовому описанию от пользователя misri. Репозиторий содержит веса в формате safetensors и поддерживает загрузку через Diffusers с конвейером StableDiffusionXLPipeline. В карточке нет описания модели, поэтому конкретные особенности стиля и обучения подтвердить нельзя. Модель предназначена для создания изображений по текстовым запросам. Карточка показывает пример генерации сцены с астронавтом в джунглях. Данные не подтверждают поддерживаемые языки запросов, размер модели или длину контекста. Условия лицензирования в доступной карточке не указаны.

EpicRealism XL VXVII Crystal Clear Realism SDXL — модель генерации изображений по текстовому описанию, созданная пользователем epinikion. Модель распространяется через Hugging Face и предназначена для работы с библиотекой Diffusers и StableDiffusionXLPipeline. Модель ориентирована на реалистичные и фотореалистичные изображения, включая фотографии, портреты и сцены с лицами и руками. Она принимает текстовые запросы на английском языке и преобразует их в изображения, поддерживая следование содержанию промпта. Модель относится к семейству Stable Diffusion XL; формат весов — SafeTensors. К сильным сторонам относятся фотореалистичная стилистика, генерация лиц и рук, а также ориентированность на соответствие текстовому описанию. Как и другие модели text-to-image, она может создавать визуальные артефакты или неточно интерпретировать сложные промпты. Условия использования определяются лицензией CreativeML OpenRAIL-M.

Fascinatio-PixartAlpha1024-Finetuned — модель генерации изображений по текстовому описанию, созданная автором artificialguybr путём дообучения PixArt-Alpha. Автор описывает её как универсальную модель, способную создавать реалистичные и художественные изображения людей, автомобилей и разнообразных сюжетов. Обучение заняло около 60 тысяч шагов. Модель предназначена для создания изображений по текстовым запросам в сценариях, где нужны реалистичные или стилизованные иллюстрации. Репозиторий использует Diffusers и формат весов Safetensors. В карточке не указаны размер модели, длина контекста и лицензия, поэтому условия использования по имеющимся сведениям определить нельзя.

Fluently XL Final — дообученная модель генерации изображений по текстовым запросам, созданная разработчиками Fluently на базе Stable Diffusion XL Base 1.0. Она предназначена для создания художественных и реалистичных изображений, включая сцены с людьми и природой. В карточке отмечены проработка анатомии и лиц, управление контрастом и освещением; модель распространяется в форматах Diffusers, PyTorch и Safetensors и может использоваться в Automatic1111 и ComfyUI. Для генерации авторы рекомендуют 20–35 шагов, сэмплер Euler a или Euler и CFG Scale 4–6,5. Обучение проводилось на наборах изображений Midjourney, DALL·E 3 и избранных изображений. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и правилами репозитория.

FLUX.1 [dev] — модель генерации изображений по текстовому описанию, представленная в карточке FLUX.1. Это трансформер rectified flow с 12 млрд параметров; веса доступны в форматах Diffusers и Safetensors. Модель обучена с дистилляцией guidance и предназначена для локального запуска, творческих рабочих процессов и исследовательских экспериментов. Модель ориентирована на создание изображений с качественной передачей описания, однако результат зависит от формулировки запроса и может ему не соответствовать. Она не предназначена для предоставления фактической информации и может усиливать общественные предубеждения. Использование регулируется лицензией FLUX.1 [dev] Non-Commercial License; README допускает личное и научное использование, а коммерческое использование описывает как подчинённое условиям этой лицензии.

Карточка модели yuvraj108c/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.

mlx-community/gemma-4-E4B-it-qat-8bit — мультимодальная модель для работы с изображениями и текстом, опубликованная сообществом mlx-community. Она предназначена для сценариев image-text-to-text, в частности для генерации текстовых ответов по изображениям, например их описания. Модель рассчитана на использование с библиотекой MLX и инструментом mlx-vlm. В названии указано, что модель относится к семейству Gemma 4, имеет размерный вариант E4B и представлена в 8-битном QAT-квантизованном формате, однако README не раскрывает точное число параметров, архитектуру, поддерживаемые языки и размер контекстного окна. Сильной стороной является возможность локальной мультимодальной генерации в экосистеме MLX; ограничения и условия лицензирования в предоставленных данных не указаны.