I.8Изображения и компьютерное зрение

Это 8-битная версия модели Llama 3.2 11B Vision Instruct, подготовленная сообществом mlx-community для работы в формате MLX. README указывает, что она получена конвертацией из unsloth/Llama-3.2-11B-Vision-Instruct; в метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct. Архитектура — плотная мультимодальная MllamaForConditionalGeneration, размер базовой модели — 11 млрд параметров. Модель предназначена для диалога с изображениями и текстом: она принимает текстовые запросы и изображения, отвечает на вопросы о визуальном содержимом и ведёт беседу. Карточка перечисляет английский язык; MLX-вариант рассчитан на использование с mlx-vlm. Лицензия — llama3.2. В README не приведены отдельные оценки качества или подробные ограничения, поэтому характеристики ответов следует оценивать на целевых данных.

Карточка модели Ahmyr/LTX-2.3 на Hugging Face совпадает с карточкой Lamender43/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель на основе архитектуры DiT, разработанная Lightricks. Она генерирует синхронизированные видео и аудио в рамках одной модели; этот репозиторий описывает семейство контрольных точек, включая полную обучаемую версию и дистиллированные варианты. Модель рассчитана на локальный запуск и создание роликов по визуальному входу, а семейство также поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим медиа. Модель принимает инструкции на английском языке. Карточка описывает улучшения качества аудио и видео и следования запросу по сравнению с LTX-2. Для размеров изображения предусмотрена кратность 32, а число кадров должно иметь вид 8n+1. Модель не предназначена для получения фактических ответов, может неточно следовать запросу и воспроизводить социальные предубеждения; звук без речи может быть низкого качества. Лицензия в метаданных обозначена как «other», поэтому конкретные условия следует сверить с файлами лицензии репозитория.

LTX2.3-10Eros v1.3 GGUF — это квантизированная в формате GGUF версия модели генерации видео по изображению LTX2.3-10Eros v1.3. Исходную модель разработала TenStrip; базовая архитектура связана с SulphurAI и Lightricks. Репозиторий содержит несколько вариантов квантизации размером от 11,1 до 22,8 ГБ, рассчитанных на локальный запуск при ограниченном объёме VRAM. Модель предназначена для image-to-video: создания видеосцен на основе исходного изображения и подробного текстового описания движения, изменений композиции, звуков и поведения объектов. Она рассчитана на использование в ComfyUI через интеграцию ComfyUI-GGUF. Для версии 1.3 требуется совместное применение DMD LoRA, при этом рекомендуется официальный workflow V5 DMD. Модель ориентирована на длинные контексты и требует точных, детализированных и директивных промптов на английском языке, сопоставимых по стилю с промптами для native 22B Dev model. К сильным сторонам относятся улучшенное следование промптам, явное управление движением, снижение артефактов вроде постоянных субтитров, «призрачной анатомии» и неожиданных переходов, а также варианты квантизации для разного уровня аппаратных ресурсов. Ограничения включают высокие требования к качеству и подробности промптов, обязательную зависимость от DMD LoRA и workflow, а также отсутствие в README точных сведений о числе параметров, максимальном контексте, поддерживаемых языках и модальностях помимо image-to-video. Лицензия указана как other, без дополнительных условий в предоставленных данных.

vantagewithai/LTX2.3-10Eros-1.5-GGUF — это версия в формате GGUF модели TenStrip/LTX2.3-10Eros, опубликованная vantagewithai для использования в ComfyUI. Модель предназначена для генерации видео из изображений (image-to-video) с управляемым описанием начальной сцены, движений, изменений композиции и аудио. Модель основана на LTX 2.3 и связана с Sulphur-2-base. Версия 1.5 представляет собой модификацию версии 1.4 с изменённой обработкой attention-gates, чтобы улучшить явное движение и анатомические детали, сохранив более стабильную структуру и стиль следования подсказкам версии 1.4. Она рассчитана на строгие, подробные и директивные текстовые запросы, а также лучше работает с гибридными DMD-настройками и совместимыми LoRA. Точные размер модели, архитектура, поддерживаемые языки, длина контекста и полный набор модальностей в README не указаны. Сильными сторонами заявлены более стабильные результаты, лучшее следование длинным и детализированным запросам, а также расширенная вариативность движений. Ограничения включают необходимость тщательной доработки промптов, возможные проблемы с анатомией и зависимость от специализированных рабочих процессов, узлов ComfyUI и LoRA. Лицензия в README не указана.

Soft Enhance — это LoRA-адаптер для генерации видео на базе LTX-Video от Lightricks, предназначенный для использования с text-to-video pipeline. Адаптер разработан vrgamedevgirl84 и ориентирован на улучшение визуального стиля готовых генераций: добавляет ненавязчивые детали, повышает общую чёткость и смягчает выраженный контраст LTX 2.3. Модель подходит для создания видео с более естественным и отшлифованным видом, мягким восстановлением деталей, плавными тональными переходами и более гладкой передачей кожи. Её можно применять самостоятельно или комбинировать с LoRA Crisp Enhance, регулируя силу каждого адаптера для получения нужного баланса между мягкостью и резкостью. Архитектура, размер, поддерживаемые языки и размер контекста в README не указаны. Лицензия также не указана, поэтому условия распространения и коммерческого использования требуют дополнительной проверки.

Это GGUF-конверсия модели LTX-2.5 от Lightricks, подготовленная автором репозитория для запуска в ComfyUI и других совместимых инструментах. Модель предназначена для генерации видео по текстовому описанию; в карточке базовой модели также заявлена генерация по изображениям и видео. Исходная модель использует архитектуру DiT с отдельными потоками для видео и аудио и перекрёстным вниманием между ними. В README указаны 22 млрд параметров и варианты квантования GGUF; размер весов зависит от варианта и составляет примерно 11–23 ГБ для приведённых автором квантованных файлов. LTX-2.5 генерирует синхронизированные видео и аудио за один проход и поддерживает многокадровые сцены с сохранением персонажей и визуального стиля между планами. Среди сценариев применения — создание роликов по текстовым промптам и локальная генерация видео на совместимом оборудовании. README описывает компромисс между качеством и требованиями к памяти: низкие варианты Q2 и Q3 автор считает пригодными преимущественно для тестов, а генерация требует дополнительной видеопамяти сверх места для весов. Модель основана на Lightricks/LTX-2.5 и распространяется в формате GGUF BF16 согласно метаданным; README описывает несколько вариантов квантования. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.

LTX-Video 0.9.7 Distilled — диффузионная модель генерации видео от Lightricks на основе DiT. Она создаёт видео по текстовому описанию, а также поддерживает сценарий image-to-video с текстом и исходным изображением. В README версия distilled указана как более быстрая и менее требовательная к видеопамяти, чем 13B dev, с небольшим снижением качества; для семейства заявлена генерация видео с разрешением до 1216×704 и частотой 30 кадров в секунду. Модель рассчитана на быстрые итерации при создании видеоконтента. Лучше использовать английские подробные запросы, разрешения, кратные 32, и число кадров вида 8n+1; рекомендуются размеры ниже 720×1280 и менее 257 кадров. Карточка не сообщает точный размер именно этого чекпойнта. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и усиливать социальные предубеждения. Лицензия указана как other; README ссылается на условия лицензии версии 13B 0.9.7-distilled, но её текст в предоставленных данных отсутствует.

LTX-Video 0.9.8 13B Distilled — диффузионная модель генерации видео из изображения от Lightricks. Она предназначена для создания видеороликов на основе исходного изображения и текстового описания; для этой версии заявлены ускоренная генерация и меньшие требования к видеопамяти по сравнению с вариантом 13B Dev, с небольшим снижением качества. Модель работает в библиотеке Diffusers и распространяется в форматах Diffusers и Safetensors. В карточке семейства LTX-Video указана генерация видео до 30 кадров в секунду и разрешения 1216×704. Рекомендуются разрешения ниже 720×1280 и ролики короче 257 кадров; размеры должны делиться на 32, а число кадров иметь вид 8n+1, иначе входные данные дополняются и результат обрезается. Подсказки следует писать на английском; точное следование описанию не гарантируется. Модель разработана Lightricks. Лицензия обозначена как other; карточка перечисляет отдельные условия для этой версии, поэтому перед использованием следует проверить соответствующую лицензию. Модель не предназначена для получения фактических ответов и может воспроизводить смещения из данных обучения.

Это неофициальная версия весов LTX-Video 0.9.0 в формате Diffusers, размещённая пользователем a-r-r-o-w. Модель предназначена для генерации видео по текстовому описанию; в карточке также приведён сценарий генерации видео по изображению. Репозиторий использует библиотеку Diffusers и формат весов Safetensors. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или лицензию. Поскольку это неофициальная публикация, сведения о происхождении и условиях использования следует сверять с исходной моделью.

joeygambino/MiniMax-H3-comfy-native-fl2va — это квантизированная версия MiniMax-H3 от MiniMaxAI, адаптированная для запуска в ComfyUI. Модель предназначена для генерации видео по текстовому описанию с управлением первым и последним кадрами: она может начинать или заканчивать ролик на заданном изображении и планировать движение камеры между двумя опорными кадрами. В отличие от варианта ref2va, она не использует референсные строки, изображения, голосовое якорение или банк идентичности, поэтому ориентирована на последовательное создание связанных сцен, когда последний кадр одного эпизода передаётся как первый кадр следующего. Модель распространяется в форматах NVFP4, W4A8, INT8, FP8 и MXFP8 с размером файлов примерно от 11,67 до 20,08 ГБ. Это 4- и 8-битные варианты весов; 4-битные активации не используются, поскольку они заметно ухудшают качество. Файлы рассчитаны на прямую загрузку в стандартный ComfyUI версии 0.32 и новее, без ComfyUI-GGUF и пользовательского загрузчика. Архитектура основана на MiniMax-H3; в README также указано наследование 200-слойной конфигурации, но число параметров, поддерживаемые языки и размер контекстного окна не приведены. Сильной стороной fl2va является точное следование заданному кадру: в приведённом сравнении она достигла 26,35 dB против 16,15–16,81 dB у ref2va при сопоставимых условиях. Выбор формата зависит от оборудования: NVFP4 лучше всего подходит для видеокарт Blackwell, W4A8 — для Ada, а INT8 — для Ampere; неподдерживаемые форматы могут работать в эмулированном режиме и медленнее. Ограничения включают отсутствие референсного режима, возможное снижение качества у 4-битных весов и неполную проверку: сборки прошли forward-тесты на GPU, но не были протестированы полноценным рендерингом. В README упоминаются и типичные дефекты базовой модели, включая искажение текста, отражающих элементов, конечностей и синхронизации губ. Лицензия — Apache-2.0.

corechan/MiniMax-H3-LightVAE — неофициальная конверсия лёгкого декодера видео VAE LynnReal-Omni, подготовленная для MiniMax H3 WebUI в Google Colab. Модель не переобучалась: веса исходного декодера преобразованы из раскладки ComfyUI в формат diffusers, сохранены в fp16 и частично экспортированы в ONNX для декодирования одного тайла. Декодер использует 26 трансформерных блоков вместо 36. Модель принимает латенты MiniMax H3 и декодирует их в видеоизображения; ONNX-вариант обрабатывает тайл латентов размером 1×24×7×16×16 и выдаёт пиксельный тайл 1×3×28×256×256. Энкодер, латентное пространство и временная структура остаются такими же, как у официального MiniMax H3 VAE; энкодер и аудио-VAE нужно брать из официального репозитория. Конверсия предназначена для сценариев генерации видео в связке с MiniMax H3, а не для самостоятельной генерации по тексту. Это производная модель от stdstu123/LynnReal-Onmi-beta-0.1, без переобучения; метаданные классифицируют её как finetune, хотя README точнее описывает конвертацию весов. README указывает лицензию MiniMax H3 Community License Agreement: использование ограничено в ЕС, Великобритании, Южной Корее и США; для коммерческих продуктов с годовой выручкой свыше 20 млн долларов требуется письменное разрешение MiniMax, а также необходимо заметно указывать MiniMax H3 в интерфейсе. Применяются правила AUP и другие условия лицензии.

MiniMax-H3-MLX-8bit — сборка диффузионного трансформера MiniMax H3, подготовленная для MLX и Apple Silicon. Репозиторий содержит только веса трансформера: текстовый энкодер Qwen3-VL-32B и видео- и аудиокодировщики загружаются из исходного релиза и используются через отдельный код конвейера. Базовая модель описана как мультимодальный генератор коротких видео со стереозвуком по тексту, изображениям, видео и аудио. Модель совместно генерирует синхронизированные видео и аудио, обрабатывая их латентные представления в одном последовательном потоке. Веса преобразованы в формат MLX и квантованы до 8 бит с размером группы 64; указанный объём параметров — 23,1 млрд. Автор README сообщает о близком к исходной bf16-сборке качестве в проведённых сравнениях. Квантование сокращает требования к размещению весов, но почти не ускоряет генерацию: плотное внимание остаётся вычислительным узким местом, а генерация может занимать значительное время. Сборка рассчитана на системы Apple Silicon с MLX и требует конвейера генерации, а также компонентов из исходного релиза. В README приведена лицензия как other; конкретные условия использования следует проверять у автора и в исходном репозитории MiniMax H3. Это производная версия: веса преобразованы и квантованы, поэтому они не являются оригинальными файлами MiniMax.

Minimax-h3_Singularity — модель генерации видео, созданная разработчиком AIGC-Singularity путём объединения контрольных точек и последующего дообучения MiniMax-H3. Она предназначена для рабочих процессов ComfyUI: создания видео по изображению, тексту, референсам и исходному видео. В метаданных основной задачей указана генерация видео по изображению; также заявлена поддержка text-to-video, reference-to-video и video-to-video. Разработчик сообщает об улучшениях чёткости HDR-изображения и снижении размытия в движении, восстановлении лиц на дальних планах, более естественном освещении и динамике, а также о повышенной выразительности лиц, управляемости камеры и качестве боевых сцен и фэнтезийных эффектов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для ускоренной генерации автор рекомендует отдельную LoRA для четырёхшагового вывода. README не приводит размер модели, длину контекста или конкретные требования к оборудованию. Заявления о качестве и сохранении возможностей MiniMax-H3 принадлежат разработчику и не подкреплены в карточке результатами независимой оценки.

MiniMax-H3-Turbo-GGUF — это квантизированная версия мультимодальной генеративной системы MiniMax H3, разработанной MiniMaxAI. Репозиторий molbal предоставляет самостоятельные GGUF-чекпойнты варианта FL2VA Turbo 4-step v1.0 для запуска в ComfyUI. Модель предназначена для унифицированной генерации видео и синхронизированного стереозвука по тексту, изображению или паре первого и последнего кадров, включая сценарии text-to-audio-video, image-to-audio-video и first/last-frame-to-audio-video. Также заявлена поддержка мультимодальных режимов с видео- и аудиовходом на уровне исходной системы, но конкретные возможности данной сборки описаны прежде всего для T2VA, I2VA и FL2VA. Модель обучалась для разрешения 1344×768 при частоте 24 кадра в секунду и формирует стереозвук с частотой 32 кГц. Turbo-дистилляция сокращает генерацию до 4 шагов NFE; для видео используется shift 6, для аудио — shift 3. GGUF-файлы содержат полные объединённые веса базовой модели и Turbo-компонентов, поэтому отдельные базовые веса или LoRA-адаптеры не требуются. Доступны варианты Q4_0 размером около 11,4 ГБ, Q8_0 около 21,4 ГБ и Q8_CR около 20,2 ГБ; Q4_0 обеспечивает меньшее потребление ресурсов при более низком качестве, а Q8-варианты — более высокое качество. Q8_CR предназначен для совместимости с узлами molbal/ComfyUI-GGUF. Основные сильные стороны — мультимодальность, совместная генерация видео и нативного стереозвука, а также высокая скорость благодаря четырём шагам дистилляции. Ограничения включают привязку данной версии к разрешению 768p и необходимость использования ComfyUI с совместимым GGUF Loader и специализированным sampler для MiniMax H3 Turbo; требования к памяти зависят от выбранного варианта квантизации. Модель распространяется по MiniMax H3 Community License Agreement; это лицензия с особыми условиями, а не стандартная свободная лицензия.

MOHAWK v2.0 Baked VAE — модель для генерации изображений по текстовому описанию, опубликованная автором под именем Civitai. Она основана на Stable Diffusion XL и распространяется в формате Diffusers с весами Safetensors. Модель предназначена для создания реалистичных изображений и концепт-арта с эскизной подачей, в том числе персонажей, архитектуры и широких планов; автор отмечает влияние CFG на результат. В карточке описаны улучшения реалистичности, текстур и детализации, а также сочетание 2.5D и 3D стилистики. Использование лицензируется условиями репозитория на Hugging Face; сведений о лицензии в предоставленных данных нет.

NatVis-Natural-Vision-v27-SDXL — модель для генерации изображений по текстовому описанию, разработанная пользователем ndimensional. Она распространяется через Hugging Face и основана на экосистеме Stable Diffusion XL с использованием библиотеки Diffusers. Модель предназначена для создания реалистичных и фотореалистичных изображений в различных сценариях, включая общие задачи генерации, научную фантастику, 3D-визуализацию, а также контент с рейтингами SFW и NSFW. В карточке указано, что она поддерживает английский язык. Архитектура, количество параметров, размер контекста и точный набор поддерживаемых модальностей не раскрыты; по назначению это текстово-изображенческая модель. Сильной стороной модели является специализация на реалистичной и фотореалистичной визуальной генерации с широким тематическим охватом. Ограничения связаны с отсутствием подробных сведений о качестве, производительности, требованиях к оборудованию и рекомендуемых параметрах использования. Модель распространяется по лицензии CreativeML Open RAIL-M; условия лицензии следует учитывать, особенно при создании и распространении потенциально чувствительного контента.

Это дообученная модель генерации изображений по тексту на базе FLUX.2 klein base 4B от Black Forest Labs, опубликованная автором репозитория kimi000. Веса представлены в формате Diffusers и Safetensors: обученная EMA LoRA ранга 32 с alpha 64 объединена с трансформером, поэтому отдельно загружать адаптер не требуется. Модель работает через Flux2KleinPipeline и принимает текстовый запрос, чтобы создать изображение. В README описан экспериментальный запуск AlphaGRPO-подобного обучения по курсу из 39 семейств: шаг 500, изображения 512×512, 20 шагов генерации и guidance scale 4. Указаны файлы происхождения и проверки целостности экспорта, но проверка не является бенчмарком качества. Лицензия — Apache-2.0. Карточка приводит базовую модель как модель для генерации и редактирования изображений по референсам; возможности редактирования этой производной модели отдельно не подтверждены.

Openjourney — модель генерации изображений PromptHero, дообученная на изображениях Midjourney на основе Stable Diffusion. Она принимает текстовые запросы и создаёт изображения; для характерного стиля автор рекомендует добавлять в запрос фразу «mdjrny-v4 style». Модель доступна для запуска через Diffusers и использует формат Stable Diffusion. Модель предназначена для создания иллюстраций и других изображений по текстовому описанию с эстетикой, напоминающей Midjourney. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M. В карточке также упомянуты версии LoRA и Openjourney v4, но приведённые сведения не уточняют их связь с этой версией.

PixArt-LCM-XL-2-1024-MS — модель генерации изображений по тексту, разработанная командами PixArt и LCM. Она основана на трансформерной латентной диффузии PixArt-α и использует дистилляцию LCM для быстрой генерации за небольшое число шагов. Модель принимает текстовые запросы и создаёт изображения разрешением 1024 пикселя; в карточке заявлено использование фиксированного предварительно обученного текстового кодировщика T5 и VAE. Модель подходит для быстрого создания иллюстраций и концептов, творческих и образовательных инструментов, а также исследований генеративных моделей. В README приведены результаты генерации за четыре шага на разных GPU; фактическая скорость зависит от оборудования и конфигурации. Модель плохо справляется с фотореализмом, читаемым текстом, сложной композицией и деталями вроде пальцев; автоэнкодер вносит потери. Она не предназначена для создания достоверных изображений людей или событий. Лицензия в метаданных указана как OpenRAIL++; README называет CreativeML Open RAIL++-M, поэтому точные условия следует сверять с лицензией репозитория.

PixelWave 10 — модель генерации изображений по текстовому описанию, созданная humblemikey на основе дообучения. Она предназначена для создания как художественных изображений, так и фотографий; версия 10 дополнительно обучалась на CLIP-моделях, чтобы улучшить следование запросу и разнообразие стилей. Модель использует StableDiffusionXLPipeline и распространяется в формате Diffusers с весами safetensors. Для генерации можно задавать стиль изображения в запросе; автор приводит рекомендуемые параметры семплирования и отмечает, что отдельный refiner не требуется. Модель рассчитана на англоязычные запросы. Лицензия — CreativeML Open RAIL-M.

John6666/pony-realism-v23-sdxl — модель генерации изображений по текстовому описанию, размещённая пользователем John6666 на Hugging Face; в карточке указано, что исходную модель создал ZyloO. Она построена на Stable Diffusion XL и доступна в формате Diffusers с весами Safetensors; размер модели — около 3 млрд параметров, тип весов — F16. Модель предназначена для фотореалистичных изображений, включая проработку лиц, кожи, освещения и деталей. Карточка демонстрирует генерацию изображения по англоязычному запросу, а метаданные указывают английский язык. Для использования указана лицензия fair-ai-public-license-1.0-sd (FAIPL-1.0-SD). В карточке нет подтверждённых данных о длине контекста или специальных ограничениях качества; генерация доступна через Diffusers и совместимые локальные приложения.

Qwen-Image-2512 — обновлённая в декабре 2025 года модель генерации изображений по тексту, разработанная командой Qwen. В метаданных указаны библиотека Diffusers и форматы safetensors. Модель принимает текстовые запросы на английском и китайском языках и создаёт изображения; карточка описывает улучшения по сравнению с базовой версией Qwen-Image, выпущенной в августе. Модель предназначена для создания реалистичных изображений людей и сцен, детализированных природных объектов, а также композиций с текстом. В README отмечены более естественная передача лиц и волос, тонких деталей ландшафта и шерсти животных, улучшенное следование описанию поз и более точная отрисовка текста и макета. Разработчики сообщают о результатах слепых сравнений, но карточка не приводит подробностей методики. Модель доступна по лицензии Apache-2.0. В представленных материалах не описаны конкретные ограничения по разрешению, скорости или безопасному использованию; качество результата зависит от запроса.

Samaritan 3D Cartoon — модель для генерации изображений по текстовому описанию, опубликованная под аккаунтом stablediffusionapi и предназначенная для использования через ModelsLab API. Карточка приводит примеры запросов с настройками промпта, негативного промпта, разрешения и числа шагов генерации. Модель ориентирована на создание изображений в стиле 3D-мультфильма. Метаданные указывают на pipeline StableDiffusionXLPipeline и форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML Open RAIL-M. В карточке нет сведений о числе параметров и поддерживаемых языках; пример API использует англоязычные промпты.

Yntec/samdoesartsUlt — модель генерации изображений по текстовому описанию в формате Stable Diffusion. В карточке указано, что в модель встроен VAE MoistMix; приведены примеры промптов для создания стилизованных иллюстраций и изображений, включая персонажей, архитектуру и научную фантастику. Модель предназначена для превращения текстовых промптов в изображения. В метаданных указаны Diffusers и форматы PyTorch и safetensors, а также лицензия CreativeML OpenRAIL-M. Карточка содержит примеры на английском языке; сведений о размере модели и контексте нет.

Seek.art MEGA — модель генерации изображений по текстовому описанию, созданная Coreco для seek.art. Она дообучена на почти 10 тысячах высококачественных цифровых произведений из общественного достояния и предназначена для генерации изображений в разных стилях, с гибким сочетанием предметов, тем и деталей. Модель основана на Stable Diffusion 1.5; для лучшего результата авторы рекомендуют использовать разрешение выше 640 пикселей хотя бы по одной стороне и инструмент вывода с поддержкой весов в промпте и оптимизации высокого разрешения. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M с дополнительными ограничениями из карточки. Коммерческая генерация контента в размещённом сервисе требует письменного разрешения seek.art; личное использование результатов не ограничено этим условием. Запрещены, среди прочего, незаконное и вредоносное применение, эксплуатация несовершеннолетних, преследование, дискриминация, медицинские консультации и некоторые виды автоматизированных решений, влияющих на права людей.

sexy_toon_3d_v2 — модель генерации изображений по текстовому описанию, опубликованная Stable Diffusion API. Карточка показывает использование через API и пример настройки промпта, негативного промпта, размера изображения, числа шагов генерации и guidance scale; для генерации можно также задавать seed и подключать embeddings или LoRA. Модель ориентирована на создание стилизованных изображений с трёхмерной мультяшной эстетикой; пример в карточке использует портретный промпт. Репозиторий содержит файлы в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M, которая устанавливает условия использования и ограничения на применение модели.

SkyReels-V2-DF-14B-720P-Diffusers — модель генерации видео SkyReels-V2, разработанная командой Skywork. Это вариант на 14 млрд параметров для генерации видео по текстовому запросу с разрешением 720p; веса представлены в формате Diffusers и Safetensors. Модель использует авторегрессионную архитектуру Diffusion Forcing, предназначенную для создания длинных видео с последовательным продолжением кадров. Она подходит для генерации кинематографических сцен и сюжетных роликов по текстовому описанию. В README также описаны другие возможности семейства SkyReels-V2, но данная карточка относится к текстовой генерации видео. Для запуска предусмотрена интеграция с Diffusers и код инференса для одной или нескольких GPU. README демонстрирует ролики длительностью до 30 секунд, но не уточняет максимальную длительность для этой версии. Лицензия указана как other; конкретные условия использования следует сверить с лицензионными материалами репозитория.

Sulphur 2 (distilled) — NVFP4 — это квантованная версия модели Sulphur-2-base от SulphurAI, созданная на базе архитектуры Lightricks LTX-2.3. Модель распространяется и упакована пользователем coolthor; исходная архитектура разработана Lightricks, а текстовый энкодер использует Google Gemma-3-12B. Это диффузионный трансформер для генерации видео и аудио по текстовому описанию, а также для сценариев image-to-video и text-to-audio-video. Модель позиционируется как uncensored. Используется weight-only-квантизация NVFP4 с 4-битными весами FP4, блочными масштабами FP8 и глобальными масштабами FP32; отдельные чувствительные компоненты сохраняют формат BF16. Размер чекпойнта составляет около 19 ГБ, что примерно на 32% меньше FP8-версии и позволяет разместить модель на видеокарте с 32 ГБ памяти. Проверенная конфигурация обеспечивает генерацию видео 832×480 с частотой 24 кадра в секунду и синхронизированным AAC-аудио; для дистиллированной версии рекомендуется 8 шагов и CFG 1.0. Ключевое преимущество NVFP4 — уменьшенный объём хранения и потребление памяти, а не ускорение: по приведённым измерениям модель работает примерно на 6% медленнее FP8 на GB10 DGX Spark. Для корректной работы в ComfyUI требуется использовать отдельный full VAE, поскольку встроенный VAE зависает, а также запускать ComfyUI с параметрами --disable-async-offload и --disable-dynamic-vram. Текстовый энкодер Gemma-3-12B в комплект не входит и должен быть установлен отдельно. Модель и производные распространяются по LTX-2 Community License Agreement от 5 января 2026 года.

TiC-CLIP-basic-cumulative — модель семейства TiC-CLIP, разработанная Apple на основе модифицированного OpenCLIP. Это зрительно-языковой чекпойнт, обученный на TiC-DataComp-Yearly: версия с базовой фильтрацией использует данные за 2014–2022 годы. В метаданных указан формат PyTorch и задача классификации изображений без примеров. Модель предназначена для оценки изображений по текстовым описаниям и для исследований непрерывного обучения зрительно-языковых моделей на меняющихся во времени данных. Чекпойнт можно использовать как начальную точку для дальнейшего обучения на данных следующего года или месяца, а также для оценки временной устойчивости на наборах TiC-DataComp и стандартных задачах DataComp. В карточке описан подход, при котором продолжение обучения с повторным использованием старых данных сокращало вычисления относительно обучения с нуля. Эта характеристика относится к подходу обучения, а не гарантирует результат для любого применения чекпойнта. Лицензия указана как other; карточка отсылает к файлу LICENSE для условий использования.

ToriiGate-v0.3 — мультимодальная модель Minthy для описания изображений в стиле аниме; это дальнейшее дообучение ToriiGate-v0.2 на базе HuggingFaceM4/Idefics3-8B-Llama3. Модель принимает изображения и текстовые инструкции, а в ответ создаёт текстовые подписи: краткие, подробные или структурированные для последующей обработки. Она предназначена для описания персонажей, их внешности и действий, сложных сцен, взаимодействий, манги и комиксов с разбором по кадрам. Подсказки с тегами booru могут улучшать точность и детализацию. Модель обучена на наборе примерно из 120 тысяч сбалансированных изображений аниме с подписями, подготовленными с помощью Claude и GPT-4o. В метаданных указаны архитектура Idefics3, формат safetensors, поддержка английского языка и лицензия Apache-2.0. Карточка отмечает, что модель иногда ошибается и может создавать провокационные тексты или взрослые темы, если этому способствует изображение или инструкция; для более надёжной разметки рекомендуется дополнительная NLP-обработка и сверка с тегами booru.