I.8Изображения и компьютерное зрение

Photoreal v2.8 — дообученная версия Stable Diffusion 1.5 от автора репозитория circulus. Модель предназначена для генерации изображений по текстовым запросам с фотореалистичной стилистикой. Модель распространяется в форматах Diffusers и PyTorch и использует библиотеку Diffusers. В карточке указан английский язык; лицензия — GPL-3.0. Сведений о размере модели, контексте и дополнительных модальностях нет.

SkyReels-V2-T2V-14B-720P-Diffusers — модель генерации видео по текстовому описанию из серии SkyReels-V2, разработанной командой Skywork. Она предназначена для создания кинематографичных роликов высокого разрешения и поддерживает авторегрессионную генерацию длинных видео на основе архитектуры AutoRegressive Diffusion-Forcing. Модель распространяется в формате Diffusers с весами Safetensors; обозначение репозитория указывает на размер 14B и разрешение 720p. Модель подходит для создания видеосцен по текстовым промптам, сторителлинга и генерации продолжительных роликов с согласованной динамикой. В серии также описаны сценарии преобразования изображения в видео и управления камерой, однако эта карточка относится именно к текстовой генерации видео. В README заявлены высокое качество визуальной генерации, работа с движением и длинной длительностью; численные показатели производительности для этого чекпойнта не приведены. Модель выпущена под лицензией с меткой «other» на Hugging Face; конкретные условия использования следует сверить с лицензией проекта. Генерация выполняется через Diffusers и может требовать значительных вычислительных ресурсов из-за размера модели.

SLORA-LTX-TINY — модель генерации видео из текстовых описаний, опубликованная Muhammad Taqi. В карточке она представлена как компактная вариация SLORA-LTX, совместимая с пайплайном Lightricks/LTX-Video и библиотекой diffusers; веса доступны в формате safetensors. Автор также заявляет поддержку генерации видео по изображению, настройки числа кадров, разрешения и соотношения сторон. Модель предназначена для быстрого создания динамичных видеосцен по текстовому запросу, а также для сценариев image-to-video. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки. Репозиторий распространяется по лицензии MIT. Заявления о скорости и качестве приведены автором без количественных сравнений.

Это вариант Text2Video-Zero с весами DreamBooth для генерации в стиле аниме и управлением по контурам Canny через ControlNet. Метод Text2Video-Zero разработан Левоном Хачатряном, Андраником Мовсисяном, Ваграмом Тадевосяном, Роберто Хеншелем, Чжанъян Вангом, Шантом Навасардяном и Хамфри Ши; веса аниме-стиля взяты с CIVITAI у автора Quiet_Joker. Модель работает в экосистеме Stable Diffusion и Diffusers. Она предназначена для создания видео по текстовому запросу с направляющими контурами, а также для генерации изображений с тем же стилем и управлением. В карточке указаны английский язык и ключевое слово «anime style». Лицензия — CreativeML OpenRAIL-M.

This Is Real v1 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. README демонстрирует примеры портретов, персонажей и предметных сцен; метаданные указывают на использование библиотеки Diffusers и форматов safetensors.

TiC-CLIP-bestpool-cumulative — модель Apple на основе архитектуры CLIP для сопоставления изображений и текста и классификации изображений по текстовым описаниям без дообучения на конкретных классах. Контрольная точка обучена на данных TiC-DataComp-Yearly за 2014–2022 годы с фильтрацией bestpool; набор TiC-DataComp включает более 12,7 млрд пар изображение–текст с временными метками. Репозиторий содержит веса PyTorch и использует модифицированный код OpenCLIP. Модель предназначена прежде всего для исследований непрерывного обучения и оценки устойчивости к изменениям данных во времени. Её можно использовать для zero-shot классификации изображений, а также как начальную контрольную точку для продолжения обучения на новых данных. Лицензия обозначена как other; README отсылает к файлу LICENSE, поэтому конкретные условия следует сверить с ним.

Yntec/UberRealisticLegacy — модель генерации изображений по тексту на базе Stable Diffusion, представленная в формате Diffusers и safetensors. В README указано, что это версия без EMA; в качестве примера приведён запрос на иллюстрацию персонажа в мультяшной стилистике. Модель предназначена для создания изображений по текстовым описаниям. Для неё указана лицензия CreativeML OpenRAIL-M. Данных о размере модели, контексте и конкретных ограничениях качества в предоставленных источниках нет.

Vintedois Diffusion v0.1 — модель генерации изображений по текстовому описанию, созданная Predogl и piEsposito. Она основана на Stable Diffusion 1.5 и обучена на большом наборе качественных изображений с простыми промптами, чтобы получать выразительные результаты без сложной настройки запроса. Для усиления характерного стиля авторы предлагают добавлять к промпту слово «estilovintedois». Модель также подходит для персонализации в стиле DreamBooth и может создавать детализированные лица за небольшое число шагов генерации. Модель распространяется в форматах Diffusers и PyTorch. Она принимает текстовые промпты и генерирует изображения; README приводит пример фотореалистичной сцены с параметрами для Diffusers. Авторы разрешают коммерческое использование по лицензии CreativeML OpenRAIL-M, однако отмечают, что модель не проходила тщательную проверку на новые предвзятости. Размер модели, контекст и поддерживаемые естественные языки в предоставленных данных не указаны.

EarthnDusk/Virtual_Realism — модель генерации изображений по текстовому описанию, опубликованная Earth & Dusk. Она предназначена для создания реалистичных изображений по текстовым запросам и работает через StableDiffusionPipeline библиотеки Diffusers. Репозиторий содержит веса в формате Safetensors. Карточка предлагает сохранять метаданные модели и указывает лицензию CreativeML OpenRAIL-M. Автор просит не перезагружать модель. Сведений о размере, контексте и конкретных ограничениях качества карточка не содержит.

WAI-REAL_CN-v11.0 — чекпойнт для генерации изображений по текстовому описанию от автора WAI0731, основанный на Pony и распространяемый в формате Diffusers с весами safetensors. Версия 11 улучшает светотеневую проработку, текстуры и работу с объективом, ориентируясь на фотореалистичные изображения; в рекомендуемом позитивном запросе используются теги score_9, score_8_up, score_7_up, source_real и real skin. Модель предназначена для создания реалистичных изображений по промптам. Автор рекомендует 30 шагов, CFG 5–7 и сэмплер Euler a; для улучшения лиц можно применять ADetailer с моделью YOLOv8 и указанными настройками сэмплера DPM++ 2M и планировщика Karras. Лицензия в предоставленных данных не указана. Качество результата зависит от промпта и настроек генерации.

Карточка модели Isi99999/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели SwinliQ-AIs/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели VVVASUDEVAN/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели AmateurGuy23/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.

Novice25/WAN2.2-14B-Rapid-AllInOne_v12.2-GGUF — это квантованная версия модели Phr00t/WAN2.2-14B-Rapid-AllInOne, предназначенная для преобразования изображений в видео. В карточке указано, что модель опубликована в формате GGUF и подготовлена с использованием инструментов city96. Модель ориентирована на сценарии image-to-video: создание видеопоследовательностей на основе исходного изображения. Из доступных данных известен идентификатор серии 14B, однако точная архитектура, методы квантования, поддерживаемые языки, максимальный контекст, требования к оборудованию и характеристики качества не указаны. Сильной стороной является специализированная направленность на генерацию видео из изображений и наличие квантованного формата, потенциально удобного для локального запуска, но конкретные преимущества и ограничения зависят от варианта GGUF и используемого программного обеспечения. Лицензия и условия использования в README не указаны, поэтому правовой статус модели и допустимые сценарии её применения требуют дополнительной проверки.

QuantStack/Wan2.2-TI2V-5B-GGUF — это GGUF-конверсия модели Wan-AI/Wan2.2-TI2V-5B, предназначенная для задач text-to-video и image-to-video. Модель ориентирована на генерацию видео по текстовому описанию или с использованием изображения, включая сценарии создания и преобразования видеоконтента в совместимых интерфейсах. Модель имеет размерный класс 5B, поставляется в квантованном формате GGUF и предназначена для использования через экосистему GGUF, в частности с пользовательским узлом ComfyUI-GGUF для ComfyUI. В карточке указана поддержка английского и китайского языков. Дополнительные сведения об архитектуре, размере контекста, характеристиках видео и конкретных вариантах квантования не приведены. К сильным сторонам относятся компактный квантованный формат и интеграция с ComfyUI через ComfyUI-GGUF, что может упростить локальное применение модели. Ограничения связаны с отсутствием подробных данных о производительности, требованиях к оборудованию, поддерживаемых разрешениях и качестве генерации; совместимость и результаты зависят от используемой конфигурации. Модель распространяется по лицензии Apache-2.0, при этом сохраняются исходные лицензионные условия и ограничения модели Wan-AI/Wan2.2-TI2V-5B.

Graf-J/captcha-conv-transformer-finetuned — модель Graf-J для распознавания буквенно-цифровых CAPTCHA по изображениям. Она использует свёрточный трансформерный энкодер, сочетающий CNN и Transformer Encoder, и обучалась с функцией потерь CTC. Модель выдаёт последовательность длиной от 1 до 8 символов из латинских букв в верхнем и нижнем регистре и цифр; размер составляет 22,9 млн параметров. Модель предварительно обучена на очищенной версии набора hammer888/captcha-data, а затем дообучена на 200 000 синтетических изображений, созданных Python Captcha Library. В описании приведены анализ ошибок и примеры CAPTCHA, но численные показатели качества для этой версии не представлены. Для запуска предусмотрен Transformers pipeline. Модель распространяется по лицензии MIT.

CyberIllustrious Anime — модель генерации изображений по текстовому описанию, опубликованная пользователем или организацией cyberdelia на Hugging Face. Модель предназначена для создания изображений в аниме- и киберреалистичной стилистике, включая визуалы с фотореалистичными характеристиками. По метаданным модель относится к экосистеме Stable Diffusion и SDXL и может использоваться через Diffusers. Основной сценарий — преобразование текстовых промптов в изображения; поддержка отдельных естественных языков и размер модели в предоставленных данных не обозначены. Модель подходит для создания персонажей, иллюстраций и концепт-арта с аниме- или киберпанк-эстетикой. В предоставленной карточке нет сведений о результатах тестирования, рекомендуемых параметрах генерации, специальных ограничениях по содержанию или известных недостатках. Лицензия модели — CreativeML OpenRAIL-M.

CyberRealistic XL Catalyst — экспериментальная модель Cyberdelia для генерации фотореалистичных изображений по текстовым описаниям. Она основана на Stable Diffusion XL 1.0 и распространяется в формате safetensors. Модель рассчитана на создание детализированных лиц, кожи, глаз, освещения и текстур; принимает как короткие, так и сложные промпты. Встроенный VAE позволяет работать без отдельного VAE. В README рекомендуются 25–30 шагов сэмплирования и разрешение 1024×1024; для 1536×1536 предлагается Hires.fix. Модель описана как экспериментальная: результаты могут быть непредсказуемыми и иногда ошибочными. Лицензия — CreativeML Open RAIL++-M.

EasyFluff — модель генерации изображений по текстовому описанию, опубликованная zatochu. Это чекпойнт Stable Diffusion в формате Diffusers с файлами PyTorch и Safetensors; в версии V10-FunnerEdition изменены UNet и цветопередача, чтобы уменьшить шум, чрезмерную детализацию, артефакты в области склеры глаз и оранжево-коричневый оттенок. Автор также отмечает, что CLIP должен лучше реагировать на запросы, сформулированные естественным языком, хотя это не гарантирует понимание тонких нюансов. Модель предназначена для создания изображений из текстовых запросов. Для загрузки требуется конфигурация, включающая режим v-prediction; автор рекомендует CFG Rescale со значением 0,7 и описывает необходимые настройки для ComfyUI. В README не указаны базовая модель, лицензия, поддерживаемые языки или размер чекпойнта, поэтому эти характеристики здесь не уточняются.

digiplay/fCAnimeMix_v6 — модель генерации изображений по текстовому описанию в формате Diffusers. По названию и тегам репозитория она относится к семейству Stable Diffusion; карточка содержит пример изображения, созданного через API Hugging Face. Модель предназначена для создания изображений по текстовым запросам. В репозитории используются веса Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в файлах репозитория. В README не приведены сведения о размере модели, контексте, языковой поддержке или специализированных сценариях.

FLUX.1 Krea [dev] — модель генерации изображений по текстовому описанию, представленная Krea и Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, дообученный на основе black-forest-labs/FLUX.1-dev с применением guidance distillation. Модель ориентирована на высокое качество изображений, особенно эстетической фотографии, и следует текстовым запросам на уровне, сопоставимом с закрытыми системами. Репозиторий содержит веса в формате safetensors; модель можно использовать как замену FLUX в Invoke. Подходит художникам и разработчикам для создания изображений по промптам, прототипирования визуальных идей и исследовательских экспериментов. Качество и соответствие результата запросу зависят от формулировки промпта. Модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License ограничивает использование: несмотря на формулировку README о коммерческих сценариях, применять модель следует согласно условиям этой лицензии; README отдельно указывает, что она некоммерческая.

FLUX.2-klein-4B-GGUF — это квантизированная версия модели FLUX.2-klein-4B, разработанной Black Forest Labs. Модель предназначена для генерации изображений по текстовому описанию и поддерживает английский и китайский языки. Доступные файлы представлены в формате GGUF и рассчитаны на использование с stable-diffusion.cpp. Ключевая характеристика модели — размер базовой модели 4B параметров; конкретная архитектура, набор модальностей помимо текста и изображений, размер контекста и параметры квантизации в README не указаны. К сильным сторонам относятся специализированное назначение для text-to-image, компактное представление GGUF и совместимость со stable-diffusion.cpp. Ограничения и требования к аппаратному обеспечению также не описаны. Квантизированные файлы распространяются по лицензии Apache 2.0, как и исходная модель; конвертацию выполнил leejet с использованием stable-diffusion.cpp.

ariadnak/font-identifier — дообученная на наборе данных в формате ImageFolder модель ResNet-18 для классификации изображений по классам шрифтов. Она принимает изображение и выдаёт предсказанный класс, поэтому подходит для определения шрифта по его визуальному образцу. В карточке указаны точность 0,781 и функция потерь 0,8935 на оценочном наборе; подробности о классах, размере набора и методике оценки не приведены. Модель основана на microsoft/resnet-18, использует архитектуру ResNet для классификации изображений и распространяется в формате safetensors. Лицензия — Apache-2.0. Оценка на одном наборе не гарантирует таких же результатов на изображениях с другими шрифтами, качеством или условиями съёмки.

Freedom.Redmond — модель генерации изображений по текстовому описанию, созданная artificialguybr и дообученная на Stable Diffusion 2.1 с разрешением 768 пикселей. Она рассчитана на универсальные запросы и генерацию изображений в разрешении выше 1024 пикселей, включая реалистичные и художественные сцены, автомобили и людей. Автор рекомендует разрешение выше 768 пикселей, около 30 шагов и семплеры DPM++ SDE/2M или 2M SDE; результаты могут зависеть от использования негативного промпта. Модель распространяется по лицензии bigscience-openrail-m.

digiplay/HadrianDelice_DeliceV1 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. В карточке указаны демонстрационные изображения, созданные через API Hugging Face; сведений об авторе исходной модели и подробностях её обучения нет. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors для использования с библиотекой Diffusers. Лицензия обозначена как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

JoyAI-Echo 1.5 — модель генерации длинных аудиовизуальных историй и интерактивных миров, разработанная jdopensource и дообученная на основе Lightricks/LTX-2.3. Репозиторий содержит веса для генерации видео по текстовому запросу и опциональному первому кадру, а также до семи упорядоченных слотов памяти с изображениями и аудио. Совместная мультимодальная память помогает сохранять внешность персонажей, голос и контекст сцены между редактируемыми планами. Модель генерирует синхронизированные видео и аудио в едином конвейере и поддерживает многошотовые сценарии. Используется генератор DMD с восемью шагами; доступны варианты BF16, FP8 и FP4. Для запуска отдельно требуется текстовый энкодер Gemma. В README также упомянуты выгрузка слоёв DiT и тайловое декодирование Video VAE для профилей с ограниченной видеопамятью. Лицензия указана как other, поэтому конкретные условия использования следует проверять в лицензии репозитория.

Krea 2 Turbo — модель генерации изображений по текстовому описанию от Krea.ai, Inc. Это чекпойнт семейства Krea 2 версии 1.0, выпущенный в июне 2026 года. Модель построена на архитектуре Diffusion Transformer и содержит 12 млрд параметров; для запуска доступны веса safetensors и интеграция с Diffusers через Krea2Pipeline. Модель предназначена для создания изображений по запросам на естественном языке, в том числе для разработки концепций, исследования дизайна, визуального производства и интеграции в творческие приложения. Turbo — дообученный и дистиллированный чекпойнт с режимом быстрого вывода; README приводит пример генерации за 8 шагов при CFG 0 и разрешении 2048 × 2048. В карточке заявлена поддержка английского языка. Модель может не следовать запросу и создавать неточные или нежелательные изображения; она не предназначена для выдачи фактической информации. Для самостоятельного развертывания разработчикам следует проводить проверку безопасности и применять фильтры. Условия использования задаются Krea 2 Community License и Acceptable Use Policy; карточка исключает незаконное и вредоносное применение.

digiplay/Landscape_PhotoReal_v1 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, представленная в формате Diffusers и весах safetensors. Примеры в карточке ориентированы на фотореалистичные пейзажи, фантастические виды с руинами и современные интерьеры; среди подсказок есть широкие планы и фон для видеовстреч. Модель подходит для создания пейзажных изображений и фотореалистичных интерьерных сцен по текстовым промптам. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или подробности обучения. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.