I.8Изображения и компьютерное зрение

XXMix_9realistic_v1 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay и представленная в формате Diffusers с весами Safetensors. Карточка не содержит сведений об архитектуре, размере модели, языках, рекомендуемых сценариях или примерах её работы. Модель предназначена для создания изображений по текстовым запросам. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория. README не описывает сильные стороны или известные ограничения модели.

526 Mix v15 — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка приводит пример промпта для создания милого персонажа в модной обуви, сочетая стилистические ориентиры WLOP и KyoAni. Модель предназначена для создания иллюстраций по текстовым запросам; метаданные относят её к семейству Stable Diffusion. Файлы представлены в форматах Diffusers и SafeTensors. Модель опубликована под лицензией CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

digiplay/bluePencilRealistic_v01 — модель Stable Diffusion в формате Diffusers для генерации изображений по текстовому запросу. Автор описывает её как подходящую для создания реалистичных изображений, изображений с эффектом 2.5D и живописных работ. Модель принимает текстовые запросы и выдаёт изображения. В карточке не приведены сведения о размере, контексте и конкретной базовой модели. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория.

DreamDrop V1 — текстово-изображенческая модель, созданная на основе Deliberate V5 с помощью LoRA MJLora. Репозиторий содержит веса в формате safetensors для использования через Diffusers; метаданные указывают на задачу text-to-image. Модель предназначена для генерации изображений по текстовым запросам, в частности в реалистичной и художественной стилистике. В README приведены рекомендуемые параметры для Automatic1111: 20–22 шага, CFG 7–8 и сэмплеры DPM++ 2M Karras или UniPC, а также примеры положительного и отрицательного промптов. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке репозитория. README не сообщает размер модели, длину контекста или поддерживаемые языки; модель принимает текст и генерирует изображения.

sam749/epiCPhotoGasm-Last-nicorn — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная автором sam749. Автор описывает её как дообученную частную модель, основанную на Z Model и объединённую с дообученной Photo LoRA для улучшения фотореалистичности; заметных отличий от версии Z автор не обещает. Модель предназначена для создания изображений по текстовым промптам и распространяется в формате Diffusers с весами safetensors. В README приведён пример генерации портрета персонажа с детализированным освещением и внешностью. Лицензия — CreativeML OpenRAIL-M.

FastVideo-FastH3-Motion-Enhanced-Comfy — производный вариант FastVideo FastH3, подготовленный автором rzgar для генерации видео с усиленной передачей движения. В README указано, что улучшены анатомическая точность мужских и женских персонажей и понимание движений для NSFW-сцен; усиление намеренно настроено ниже своего максимума, чтобы пользовательские LoRA стиля и персонажей могли дополнять результат. Модель рассчитана на запуск без LoRA, а также на совместное использование с ними. Основная задача по метаданным — генерация видео из изображения. Файл модели представлен в формате safetensors; README называет её FastH3-моделью на 8 шагов. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены.

Это 4-битная квантованная версия FLUX.1-Krea-dev, подготовленная filipstrand для запуска через библиотеку MFLUX. Исходная модель разработана Black Forest Labs и Krea и предназначена для создания изображений по текстовым описаниям, в том числе в эстетике фотографии. Файлы весов занимают 9,61 ГБ и совместимы с MFLUX версии 0.10.0 или новее. Модель принимает текстовые запросы и генерирует изображения. В README указана лицензия «other»; конкретные условия использования следует сверять с лицензией исходной модели и репозитория.

Omnico/Flux.1_Schnell-Schnell_diff_loras — адаптер LoRA для генерации изображений на базе Flux.1 Schnell. В карточке модель представлена как совместимая с Diffusers и предназначенная для задач text-to-image. Автор или организация-разработчик отдельно не указаны; модель опубликована в пространстве Omnico. Адаптер можно использовать для создания изображений по текстовым описаниям в различных визуальных направлениях, включая фотореализм, кинематографические сцены, художественную живопись, моду, фантастические сюжеты и предметные композиции. Примеры также содержат контент для взрослых, поэтому область применения следует оценивать с учётом требований платформы и политики безопасности. Технические сведения о размере адаптера, точной архитектуре LoRA, поддерживаемых языках, максимальном контексте и рекомендуемых параметрах генерации не приведены. Лицензия и условия коммерческого использования в карточке не указаны, поэтому перед применением необходимо дополнительно проверить ограничения исходной модели Flux.1 Schnell и самого адаптера.

Foto Assisted Diffusion (FAD) V0 — модель генерации изображений по текстовому описанию в стиле современной HDR-фотографии. Автор обучил её на 600 HDR-изображениях на базе Stable Diffusion 1.5 и объединил с собственной моделью для иллюстраций и рисунков, чтобы сделать генерацию более гибкой. Модель рассчитана на создание фотореалистичных HDR-изображений по текстовым запросам. Лучше всего работает при разрешении 768×768, поддерживает разные разрешения и, по заявлению автора, не требует Hi-Res fix. Для подготовки запросов автор предлагает таблицу с поддерживаемыми разрешениями, ключевыми словами и рекомендациями. Репозиторий содержит версию для Diffusers в форматах PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M; карточка заявляет об отсутствии дополнительных лицензионных условий.

Juggernaut XL v2 — модель генерации изображений по текстовому описанию, созданная KandooAI в сотрудничестве с RunDiffusion на основе Stable Diffusion XL Base 1.0. Это ранний чекпойнт семейства Juggernaut XL, сохранённый для ознакомления и совместимости с прежними рабочими процессами. Модель предназначена для создания фотореалистичных изображений по текстовым запросам. В карточке рекомендованы разрешения 832 × 1216 для портретной и 1216 × 832 для альбомной ориентации, сэмплер DPM++ 2M Karras и 30–40 шагов. По сравнению с более поздними версиями семейства её фотографический стиль описан как более сырой и близкий к базовой SDXL. Модель доступна в форматах Diffusers, PyTorch и Safetensors и использует лицензию CreativeML Open RAIL-M. Личное и творческое использование разрешено; размещение за платными API-сервисами требует отдельного разрешения RunDiffusion.

Это дообученная авторами проекта TIFA модель на базе LLaMA 2 для разбора текстовых запросов к генерации изображений и создания пар «вопрос—ответ». Она выделяет из произвольного промпта визуальные сущности, атрибуты и отношения, а затем формирует вопросы и ответы о них. В работе TIFA её используют вместо GPT-3 как часть метрики, оценивающей, насколько сгенерированное изображение соответствует исходному тексту: пары вопросов и ответов проверяются с помощью моделей визуальных вопросов и ответов. Модель построена на плотной архитектуре LLaMA и содержит 6,6 млрд параметров; контекст — до 4096 токенов. Она принимает текст и генерирует текст, рассчитана на английский язык. Веса доступны в формате safetensors. Лицензия — Apache-2.0. Описание указывает на применение в составе проекта TIFA; для оценки соответствия изображения нужны также отдельные VQA-модели и компоненты TIFA.

LTX2.3-10Eros-GGUF — это квантизированная версия модели TenStrip/LTX2.3-10Eros, опубликованная в формате GGUF. По данным карточки, модель предназначена для генерации видео на основе изображений (image-to-video), однако подробности об архитектуре, количестве параметров, поддерживаемых языках и модальностях не указаны. Репозиторий предлагает несколько уровней квантизации — от Q8_0 до Q3_K_S — для адаптации к различным объёмам RAM и VRAM. Размер файлов варьируется от 10,3 до 22,8 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество и меньшую потерю точности, но требуют больше памяти; Q4_K_M указан как рекомендуемый стандартный вариант, а Q3 предназначены для наиболее ограниченных по ресурсам сред. К сильным сторонам относятся выбор компромисса между качеством, скоростью инференса и требованиями к памяти, а также совместимость с экосистемой GGUF. Ограничения связаны с неизбежной потерей качества у низкобитных вариантов и отсутствием в предоставленных данных информации о лицензии, точных требованиях к запуску и возможностях базовой модели.

Карточка модели MLXBits/ltx-2.3-10eros-v1.2-dmd-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.2-dmd-mlx-q8, поэтому описание составлено по ней. LTX-2.3 10Eros v1.2 DMD MLX q8 — производная модель для генерации видео из текстового описания или изображения. Её подготовил reallusion4free на основе TenStrip/LTX2.3-10Eros: дистилляция JoyAI Echo DMD объединена с базовыми весами, после чего линейные слои трансформера квантованы до int8. Пакет предназначен для запуска через ltx-2-mlx на компьютерах Apple Silicon; архитектура относится к семейству AudioVideo. Веса трансформера занимают около 19,2 ГБ, дополнительно включены коннекторы и нейросетевой пространственный апскейлер. Текстовый энкодер Gemma 3 12B в пакет не входит и загружается отдельно. Модель рассчитана на создание видео по промпту и, согласно тегам, по изображению с текстовым управлением. Доступен только distilled-режим: пути dev-модели и режимы one-stage, two-stage и two-stages-hq недоступны. В README модель обозначена как предназначенная для взрослых; запрещается использовать её для незаконного контента и изображения реальных людей без согласия. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

LTX Video-2.3 Uncensored Turbo v1.4 — объединённая производная модели для генерации видео, опубликованная ChrisColeTech на основе Lightricks/LTX-2.3 и других компонентов LTX. Веса включают Eros10 NSFW LoRA, дистиллированную DMD LoRA для ускоренной генерации и улучшенного следования инструкциям, а также LTX Video In-Context LoRA для лучшего соответствия референсным изображениям. Репозиторий содержит варианты GGUF Q4_K_M, Q6_K и Q8_0, а также safetensors; для работы также нужны текстовый энкодер и проекции. Модель предназначена для генерации видео по текстовому запросу, а также для сценариев с изображениями, референсами и аудио. Автор заявляет генерацию за 4 шага, рекомендует 8 шагов для лучшего качества и указывает разрешение до 1280 × 720 и длительность до 960 кадров. Базовая LTX-2.3 — аудиовизуальная модель, способная создавать синхронизированный звук; README перечисляет режимы генерации с аудио. Модель включает компоненты для откровенного контента, но заявленные защитные ограничения предназначены для предотвращения незаконного контента. Лицензия в метаданных не определена, поэтому условия использования следует уточнять для модели и встроенных компонентов.

Карточка модели sinkinai/majicMIX-realistic-v5 на Hugging Face совпадает с карточкой jzli/majicMIX-realistic-7, поэтому описание составлено по ней. 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.

Это версия Manga OCR в формате ONNX, созданная l0wgear на основе kha-white/manga-ocr, kha-white/manga-ocr-base и модификации jzhang533/manga-ocr-base-2025. Модель построена на архитектуре Vision Encoder-Decoder и предназначена для распознавания японского текста на изображениях, прежде всего в манге. Она распознаёт вертикальный и горизонтальный текст, фуригану, надписи поверх изображений, разнообразные шрифты и текст на изображениях низкого качества. Репозиторий содержит экспортированные в ONNX веса; для запуска README указывает библиотеку Optimum с ONNX Runtime. В метаданных указан язык ja и датасет manga109s. Сведения о лицензии в доступных данных отсутствуют.

MiniMax-H3 FL2VA — MLX-Serve 8-bit — это 8-битная квантованная версия чекпойнта MiniMax-H3 FL2VA, подготовленная ddalcu для запуска через mlx-serve нативно на компьютерах Apple Silicon. Базовую модель разработала MiniMaxAI. Модель предназначена для генерации видео и стереоаудио по текстовому описанию: DiT совместно обрабатывает видео и аудио в одной упакованной последовательности. Также заявлена поддержка сценариев image-to-video и audio-video generation. Квантованы матричные веса DiT и текстового энкодера с affine-квантованием 8-bit и group size 64; таблицы эмбеддингов, отдельные fp32-компоненты, выходные головы, временной эмбеддер и оба VAE оставлены плотными. В комплект входят веса, два VAE и токенизатор. Модель ориентирована на локальный запуск, однако квантование уменьшает занимаемый объём, а не гарантирует ускорение: рабочая нагрузка остаётся вычислительно ограниченной. Дополнительная Turbo LoRA позволяет сократить число шагов с обычных 16–30 до 4–8 и ускорить генерацию, но может вызывать избыточную резкость, пластичность кожи и зернистость; это следует считать режимом предварительного просмотра. Модель распространяется по MiniMax H3 Community License Agreement. Указано территориальное ограничение: применимая территория исключает Европейский союз, Великобританию, Республику Корея и США; использование, воспроизведение, изменение, распространение и отображение за пределами разрешённой территории запрещены условиями соглашения. Перед использованием необходимо проверить применимость лицензии в своей юрисдикции.

MiniMax-H3-GGUF — набор квантизированных файлов модели MiniMax-H3, разработанной MiniMaxAI и конвертированных с использованием stable-diffusion.cpp проекта leejet. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео. Указана поддержка английского и китайского языков, а также совместимость с stable-diffusion.cpp и ComfyUI через пользовательский узел ComfyUI-GGUF. Ключевая особенность этой версии — формат GGUF, рассчитанный на использование квантизированных весов и интеграцию с поддерживаемыми инструментами. README не содержит данных о размере модели, конкретной архитектуре, вариантах квантования, максимальной длительности или разрешении видео, требованиях к аппаратному обеспечению и контекстном окне. Поэтому эти характеристики и фактическое качество генерации нельзя определить по предоставленной информации. Лицензия квантизированных файлов наследуется от оригинальной модели MiniMax-H3; точные условия необходимо уточнять в лицензии оригинальной модели.

MiniMax H3 GGUF MiniStack — производная и квантованная сборка MiniMax H3 от MiniMaxAI, перепакованная на основе компонентов Comfy-Org/MiniMax-H3 и дополненная локально обученными адаптерами. Модель предназначена для генерации видео по текстовому описанию в ComfyUI на потребительских GPU, включая Intel Arc A770 с 16 ГБ видеопамяти. Она ориентирована прежде всего на предварительную визуализацию: рекомендованный режим — 640×480, 124 кадра, 24 кадра в секунду и 8 шагов с turbo LoRA. Сборка использует сокращённый DiT-компонент FL2VA с эффективным размером около 18,7 млрд параметров, квантованный в GGUF Q4_K_M, а также дистиллированный текстовый энкодер Qwen3-VL-4B вместо исходного Qwen3-VL-32B. Для согласования представлений применяется MLP-адаптер с преобразованием 2560→4096→5120; видеокодек VAE сохранён в формате FP16. Заявлен английский язык. Студенческий текстовый энкодер работает только с текстом и не поддерживает обработку изображений, поэтому для I2V и FL2V с сохранением идентичности ключевого кадра требуется исходный энкодер 32B с компонентами компьютерного зрения. К сильным сторонам относятся существенно меньший размер по сравнению с полной моделью, возможность запуска в ComfyUI на потребительском оборудовании и сохранение структуры сцен и монтажных переходов. Ограничения включают отсутствие аудио: сгенерированные видео полностью беззвучны. Точность адаптера ниже, чем у учительской модели: указано значение val_cos около 0,93, возможен сдвиг времени переходов примерно на ±2 секунды, а мелкие детали промпта могут теряться. Для работы требуются ComfyUI с поддержкой MiniMax H3, узлы ComfyUI-GGUF и специальный узел h3_small_te; адаптер и токенизатор обязательны. Распространение выполняется по MiniMax H3 Community License Agreement.

StarkEater/NyteTydeNoobAIXLvpred1.0EqB7-1024-with-protectedtags — дообученная модель генерации изображений из текста на базе StarkEater/NoobAIXLvpred10EQB7. Она предназначена для создания изображений по текстовым запросам; по README, для неё не требуются триггерные слова. Модель обучалась с разрешением 1024, а защищённые теги сохранялись при обучении и перемешивались, тогда как остальные необходимые теги отбрасывались и перемешивались. Модель распространяется в формате safetensors и рассчитана на работу через библиотеку Diffusers. Метаданные указывают английский язык. Сведения о лицензии и ограничениях использования в доступных материалах отсутствуют.

OdysseyXL V2.5 — модель генерации изображений по текстовому описанию из серии OdysseyXL. В README она описана как дообученная версия SDXL, предназначенная для создания реалистичных и детализированных изображений; метаданные указывают библиотеку Diffusers и связь дообучения с OdysseyXL V2. Модель подходит для генерации художественных изображений по запросам, включая сцены с реалистичными текстурами и освещением. Для запуска README приводит пример с Hugging Face DiffusionPipeline. Автор заявляет об оптимизации для A100 и улучшенном понимании запросов, однако не приводит результатов сравнительной оценки. Лицензия в метаданных — MIT.

opencode-r1 — модель обнаружения объектов, созданная дообучением facebook/detr-resnet-50 на наборе biglam/loc_beyond_words. Она предназначена для поиска и выделения рамками фотографий, иллюстраций, карт, комиксов и карикатур, редакционных карикатур, заголовков и рекламных объявлений на газетных страницах времён Первой мировой войны из коллекции Chronicling America Библиотеки Конгресса США. Архитектура — DETR с backbone ResNet-50; веса представлены в формате safetensors. Лицензия — Apache-2.0. На проверочной выборке из 712 изображений указаны mAP@0.5:0.95 = 0,3062 и mAP@0.5 = 0,4356. При этом в карточке для всех семи классов приведён нулевой поклассовый mAP@0.5, что противоречит общей оценке и требует осторожности при интерпретации результатов. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и метками классов; сведения о поддержке других языков или модальностей не приводятся.

digiplay/PikasAnimatedMix_v1 — модель для генерации изображений по текстовым запросам, опубликованная на Hugging Face. Метаданные указывают на использование StableDiffusionPipeline и форматы Diffusers и safetensors. README содержит только подпись к демонстрационному изображению, поэтому подробности о разработчике и обучении модели установить нельзя. Модель предназначена для создания изображений по текстовым описаниям. Лицензия обозначена как other, без дополнительных условий в доступных данных.

Qwen2.5-VL-3B-Abliterated-Caption-it-i1-GGUF — это квантованная GGUF-версия мультимодальной модели prithivMLmods/Qwen2.5-VL-3B-Abliterated-Caption-it, подготовленная mradermacher. Модель относится к классу vision-language models и предназначена для понимания изображений и генерации текстовых описаний, включая задачи image captioning и image-to-text. Модель имеет около 3 миллиардов параметров и поддерживает работу с текстом и изображениями. В README указано, что она ориентирована на английский язык. Доступны варианты квантования i1-IQ и i1-Q различных уровней, примерно от 0,9 до 2,1 ГБ, что позволяет выбирать компромисс между размером, скоростью и качеством; рекомендованным вариантом назван i1-Q4_K_M. Для работы с визуальными входными данными могут потребоваться отдельные mmproj-файлы из статического репозитория. К сильным сторонам относятся мультимодальное понимание, компактный размер и возможность локального запуска через GGUF-совместимые инструменты. Ограничения включают потенциальное снижение качества на низких уровнях квантования, а также отсутствие в представленном README сведений о размере контекстного окна, точной архитектуре, результатах оценки и поддерживаемых языках помимо английского. Лицензия в README не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

Qwen-Image-Edit-2511-Pixar-Inspired-3D — адаптер LoRA, разработанный prithivMLmods для базовой модели Qwen/Qwen-Image-Edit-2511. Это image-to-image-модель для преобразования исходных изображений в высококачественные стилизованные 3D-иллюстрации персонажей в эстетике, вдохновлённой Pixar, с сохранением общей узнаваемости объекта или человека на входе. Модель формирует гладкое пластикоподобное затенение кожи, выразительные крупные глаза, мягкие округлые пропорции лица, аккуратно уложенные волосы и кинематографичное студийное освещение с мягкими тенями, глобальным освещением и эффектом рассеяния света в материале. Она рассчитана на создание цельных, доброжелательных и современных персонажных рендеров с согласованными цветами, композицией и освещением. Для активации эффекта рекомендуется использовать запрос «Transform it into Pixar-inspired 3D». Адаптер совместим с Diffusers и версиями базовой модели 2509 и 2511; в README приведён пример запуска с Qwen/Qwen-Image-Edit-2511, PyTorch и вычислениями в формате bfloat16 на CUDA. Для наилучшего сохранения идентичности входной объект должен быть хорошо виден и чётко очерчен; качество результата может снижаться при неясном или плохо различимом исходном изображении. Сведения о размере, точном числе параметров, поддерживаемых языках и максимальном контексте не указаны. Модель распространяется по лицензии Apache-2.0.

RealCartoon3D_F16full_v3.1 — модель генерации изображений по текстовому описанию в семействе Stable Diffusion, опубликованная пользователем digiplay. В карточке приведён пример промпта для создания детализированного портрета в стилистике аналоговой фотографии; автор также ссылается на демонстрационные изображения. Репозиторий содержит файлы Diffusers, PyTorch и safetensors. Модель предназначена для создания изображений по промптам, в том числе портретов с детализированной кожей, кинематографическим освещением и эффектами вроде объёмного тумана. В метаданных указана лицензия other, поэтому конкретные условия использования следует проверять в файлах репозитория. Подробности об архитектурной версии, размере модели, разрешении и ограничениях качества в доступной карточке не приведены.

Realistic Vision V6.0 B1 noVAE — бета-версия модели генерации изображений Realistic Vision от автора roktimsardar123. Она предназначена для создания реалистичных и фотореалистичных изображений по текстовому описанию. Репозиторий представлен в форматах Diffusers, PyTorch и Safetensors и помечен лицензией CreativeML OpenRAIL-M. Карточка описывает неполную версию 6.0 без встроенного VAE; для версии 6.0 автор рекомендует подключать VAE, чтобы повысить качество и уменьшить артефакты. Заявлена генерация портретов и изображений в полный рост на повышенных разрешениях, однако на крупных размерах возможны искажения, дублирование и ошибки анатомии. Для улучшения результата предлагаются Hires.Fix и дополнительные средства восстановления лиц.

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.

RealLife v2 — модель генерации изображений по текстовому описанию, опубликованная Yntec. Она распространяется в формате Diffusers с весами safetensors и предназначена для создания фотореалистичных изображений и художественных сцен по запросу. В примерах показаны праздничные сюжеты, животные и портреты с описанием внешности, освещения и фотоплёнки. Модель основана на Stable Diffusion 1.5. Лицензия — CreativeML OpenRAIL-M. Карточка содержит примеры запросов, но не сообщает точные параметры модели и её контекст.

Redshift Diffusion 768, также называемая Future Diffusion, — модель генерации изображений nitrosocke, дообученная методом DreamBooth на базе Stable Diffusion 2.0. Она рассчитана на создание изображений с характерной стилистикой высококачественной 3D-графики; для её активации в запрос добавляют фразу «redshift style». Модель обучалась для разрешения 768×768 пикселей, а примеры показывают генерацию портретов, персонажей, автомобилей, животных и пейзажей. Она принимает текстовые запросы на английском и выдаёт изображения. Для обучения использовались prior-preservation loss и настройка текстового энкодера; в README приведены примеры с 20 шагами генерации. Модель распространяется по лицензии OpenRAIL++; конкретные ограничения лицензии следует учитывать при использовании.