I.8Изображения и компьютерное зрение

VideoRefer-7B — мультимодальная модель DAMO-NLP-SG для понимания пространственно-временных характеристик объектов в видео. В архитектуре dense объединены визуальный энкодер SigLIP SO400M patch14-384 и языковой декодер Qwen2-7B-Instruct; модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалоговых вопросов о видео, в том числе для определения объектов и их поведения во времени. В обучении использовалось 16 кадров. В метаданных указаны задачи text-generation и visual-question-answering, причём основная задача автора — visual-question-answering. Модель распространяется в формате safetensors по лицензии Apache-2.0.

deepsweet/Z-Image-Turbo-6B-MLX-Q8 — версия модели Tongyi-MAI/Z-Image-Turbo, преобразованная в формат MLX с помощью MFLUX v0.17.5. Она предназначена для генерации изображений по текстовым описаниям и ориентирована на запуск через MFLUX на устройствах Apple с MLX. Базовая модель — дистиллированная модель Alibaba для быстрой генерации изображений; каталог указывает поддержку английского и китайского текста на изображениях. В карточке этой версии не приведены отдельные сведения о размере, контексте или качестве генерации. Репозиторий распространяется по лицензии Apache-2.0. Указанный формат файлов — safetensors; README описывает преобразование в MLX.

10Eros-Max-Transformer_TURBO-hybrid_beta5 — экспериментальная производная модель для генерации видео по тексту и изображениям, опубликованная пользователем ibyteohdear в формате Diffusers. Это вариант MiniMax-H3 Transformer на 23,1 млрд параметров; автор описывает beta_5 как функциональную версию, собранную с помощью семи групп концептуальных grafts и consensus merges более чем 20 LoRA, а также гибридного turbo delta fusion. Модель рассчитана на создание видео с сохранением базовых возможностей MiniMax-H3 и поддержкой NSFW-контента. Автор приводит настройки генерации с несколькими сэмплерами и 4–8 шагами; для качества движения рекомендует res_multistep, а для turbo-аудио — LCM. Turbo-вариант экономит около 4,2 ГБ памяти на загрузке компонентов, а дополнительные concept LoRA обычно можно подключать с невысокой силой. Метаданные указывают задачу image-text-to-video и формат safetensors; в README также описана загрузка через Diffusers с trust_remote_code=True. Качество зависит от сэмплера и промпта. Автор сообщает о проблемах обучения базовой H3 и предупреждает, что turbo-версии дают менее качественное аудио, чем полношаговая нетурбо-версия; beta_3 и beta_4 названы повреждёнными тестовыми версиями. Указаны лицензия сообщества MiniMax-H3 и применимость лицензий исходных моделей для перенесённых компонентов: это условия сообщества, а не стандартная лицензия из метаданных.

BLIP-2 Flan T5-xl COCO — модель Salesforce для генерации текста по изображению, дообученная на COCO. Она объединяет визуальный энкодер CLIP-подобного типа, трансформер Q-Former и языковую модель Flan-T5-xl. Энкодер изображения и языковая модель используют предварительно обученные и замороженные веса, а Q-Former связывает визуальные признаки с языковой моделью. Модель принимает изображение и, при необходимости, текстовый запрос, чтобы сформировать текстовый ответ. Модель подходит для создания подписей к изображениям и ответов на вопросы об их содержимом; также возможен диалог с изображением и историей переписки в запросе. В метаданных указаны английский язык и форматы PyTorch и Safetensors. Репозиторий распространяется по лицензии MIT. Модель унаследовала ограничения Flan-T5 и обучающих интернет-данных: ответы могут быть неточными или отражать предвзятость и неподходящее содержание. Карточка сообщает, что модель не проверялась в реальных приложениях; перед применением следует оценить её точность, безопасность и справедливость в конкретном сценарии.

BLIP-2 Flan-T5-XXL — модель Salesforce для генерации текста по изображению и текстовому запросу. Она объединяет визуальный энкодер на основе CLIP, трансформер Q-Former и большую языковую модель Flan-T5-XXL; энкодер изображения и языковая модель используются с замороженными весами, а Q-Former связывает их представления. Модель предсказывает следующий текстовый токен с учётом изображения и предыдущего текста. Модель подходит для создания подписей к изображениям, ответов на вопросы о содержимом изображения и диалогов с опорой на изображение. В метаданных указаны архитектура BLIP-2, библиотека Transformers, форматы PyTorch и safetensors и английский язык. Репозиторий распространяется по лицензии MIT. Карточка предупреждает о возможных ошибках, смещениях и генерации неподходящего содержания, унаследованных от Flan-T5 и интернет-датасетов изображений и текстов. Модель не оценивалась в реальных приложениях; перед применением следует оценить её безопасность, точность и справедливость с учётом конкретного сценария.

Карточка модели Bdhj/dreamlike-diffusion-1.0 на Hugging Face совпадает с карточкой dreamlike-art/dreamlike-diffusion-1.0, поэтому описание составлено по ней. Dreamlike Diffusion 1.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания художественных изображений по текстовым запросам; модель можно запускать через Diffusers или использовать на сайте dreamlike.art. Карточка указывает на поддержку Stable Diffusion Pipeline и распространяемые форматы Diffusers, PyTorch и safetensors. В метаданных указан английский язык. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

Yntec/DreamWorld — модель генерации изображений по текстовому описанию на базе Stable Diffusion. Карточка называет её DucHaitenDreamWorld v1.3 и указывает, что это версия без EMA; репозиторий использует Diffusers и формат Safetensors. Модель предназначена для создания иллюстраций и художественных портретов по текстовым запросам. В примере показан сказочный портрет в стилистике анимационного кино с кинематографическим освещением. Лицензия CreativeML OpenRAIL-M допускает использование на её условиях и с установленными ограничениями.

Himanshu806/FluxHyperReal — дообученная модель генерации изображений по текстовым описаниям на базе FLUX.1 [dev] от Black Forest Labs. Она предназначена для создания реалистичных изображений по запросу; запускать её можно через библиотеку diffusers и FluxPipeline. Модель распространяется в форматах diffusers и safetensors. В README рекомендовано соблюдать лицензию базовой модели FLUX.1 [dev]; метаданные указывают лицензию Apache-2.0. Подробности о размере, контексте, поддерживаемых языках и качестве генерации в доступных материалах не приводятся.

MLX-совместимая мультимодальная модель mlx-community/gemma-4-31B-it-qat-4bit, распространяемая сообществом mlx-community. По идентификатору она основана на Gemma 4, имеет размер 31B параметров, предназначена для выполнения инструкций и использует 4-битное квантование QAT для более эффективного запуска в экосистеме MLX. Модель относится к классу image-text-to-text и предназначена для задач понимания изображений и генерации текстовых ответов по ним, например для описания изображений. В README указан английский язык, однако полный набор поддерживаемых языков не раскрыт. Сильными сторонами являются мультимодальность и сниженные требования к памяти благодаря 4-битному квантованию; ограничения, максимальный контекст, точная архитектура и условия лицензирования в предоставленных данных не указаны. Для использования требуется библиотека mlx-vlm.

WhiteAiZ/Illustrious_2.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем WhiteAiZ на Hugging Face. Репозиторий содержит веса в формате Safetensors и доступен через Diffusers с конвейером StableDiffusionXLPipeline; карточка указывает размер 3 млрд параметров и тип данных F16. Модель предназначена для создания изображений по текстовым запросам. Метаданные отмечают английский язык. В карточке указана лицензия «other», поэтому конкретные условия использования следует сверять с лицензией в репозитории; дополнительные ограничения или заявленные сильные стороны карточка не описывает.

krea2_realisticSnapshot — это LoRA-модель для генерации изображений на основе базовой модели Krea-2-Turbo, разработанной Krea. Она предназначена для сценариев text-to-image и, вероятно, используется совместно с библиотекой Diffusers для получения изображений с заданными текстовыми описаниями. В доступных данных указано, что модель относится к классу diffusion LoRA и имеет базовую модель krea/Krea-2-Turbo. Иные характеристики, включая количество параметров, архитектурные детали LoRA, поддерживаемые языки, модальности помимо генерации изображений и размер контекста, не указаны. README также не содержит описания сильных сторон, ограничений или примеров применения. Лицензия и условия использования в предоставленном README не указаны, поэтому их нельзя достоверно определить.

LTX-2.3 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она генерирует синхронизированные видео и аудио; семейство поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим аудио- или видеоданным, а эта версия в каталоге помечена как image-to-video. В карточке перечислены варианты модели на 22 млрд параметров: полная обучаемая версия dev и дистиллированные варианты для генерации за 8 шагов. Модель рассчитана на английские запросы; метаданные также отмечают немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки. Для видео ширина и высота должны делиться на 32, число кадров — иметь вид 8n+1. Модель может не точно следовать запросу, качество зависит от формулировки, а аудио без речи может быть низкого качества; возможна генерация оскорбительного или неподходящего контента. Лицензия указана как other, конкретные условия следует уточнять в репозитории.

Карточка модели Rishu011/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.

Карточка модели zachyuan/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.

vantagewithai/LTX2.3-10Eros-GGUF — это GGUF-версия модели LTX2.3-10Eros, предназначенная для генерации видео из изображений (image-to-video) в ComfyUI. Репозиторий подготовлен VantageWithAI; исходная модель разработана TenStrip, а в основе также используется Sulphur-2-base от SulphurAI. Для работы требуются совместимые узлы 10S-Comfy-nodes. Модель ориентирована на создание видеосцен на основе первого кадра с управлением движениями, изменениями композиции, развитием событий и аудио через текстовый промпт. Она рассчитана на сценарии, где важно сохранить исходную сцену и задать последовательность визуальных действий; README отдельно отмечает возможность использования для эротического контента. Модель слабо выполняет самостоятельное рассуждение, поэтому промпт должен подробно описывать начальную сцену, движения и звуковое сопровождение. Указано, что это отдельная попытка merge-модели с layer-scaled объединением различных этапов, а не простое объединение весов; по заявлению автора, она лучше ведёт себя по сравнению с загрузкой LoRA и точнее следует промпту. Формат GGUF может быть удобен для соответствующих рабочих процессов, однако конкретные требования к памяти, размер модели, архитектура, поддерживаемые языки и максимальный контекст в README не указаны. README предупреждает, что крупные distilled LoRA могут ухудшать fine-tune модели, и рекомендует варианты cond_safe. Лицензия не указана.

vantagewithai/LTX-2.3-GGUF — квантованная версия в формате GGUF модели LTX-2.3, разработанной компанией Lightricks. Это диффузионная аудиовизуальная foundation-модель на базе архитектуры DiT, предназначенная для совместной генерации синхронизированных видео и аудио. Модель ориентирована на локальный запуск и распространяется как открытые веса; исходный чекпойнт LTX-2.3 доступен у Lightricks. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio и совместную генерацию аудио и видео из текста или изображений. В карточке указаны языки English, German, Spanish, French, Japanese, Korean, Chinese, Italian и Portuguese, однако в разделе характеристик отдельно указан English. Конкретный размер квантованного файла, объём контекста, разрешение и требования к оборудованию не приведены; для параметров генерации указано, что ширина и высота должны делиться на 32, а число кадров иметь вид 8n+1. К сильным сторонам относятся совместная генерация аудио и видео в одной модели, улучшенные качество аудио и визуальной части, а также следование промпту по сравнению с LTX-2. Ограничения включают возможное неполное соответствие запросу, зависимость результата от стиля промпта, потенциально неподходящий или оскорбительный контент, усиление существующих социальных предубеждений и более низкое качество аудио без речи. Модель не предназначена для предоставления фактической информации. Указана лицензия LTX-2 Community License Agreement; точные условия следует уточнять в тексте лицензии Lightricks.

LTX-2.3-nvfp4 — версия модели LTX-2.3 в формате NVFP4, разработанная Lightricks. Это диффузионная аудиовизуальная модель на основе DiT, которая совместно генерирует синхронизированные видео и аудио; исходная модель также описана как развивающаяся версия LTX-2 с улучшенным качеством аудио и видео и более точным следованием запросу. Карточка указывает контрольную точку ltx-2.3-22b-dev-nvfp4: полную гибкую модель, подготовленную с помощью дистилляции с учетом квантования. В метаданных репозитория главная задача обозначена как генерация видео по изображению, а карточка перечисляет поддержку английского языка. Модель предназначена для создания аудиовизуальных роликов по входному изображению и текстовым подсказкам, а также для локального запуска в соответствующем коде LTX-2. В карточке также перечислены генерация видео и аудио по тексту, изображению или исходным аудио- и видеоматериалам. Карточка описывает улучшенное следование запросам, но результат зависит от формулировки подсказки; модель не предназначена для выдачи фактической информации, может воспроизводить общественные предубеждения или создавать неподходящий контент, а звук без речи может быть менее качественным. Лицензия указана как other, без уточнения условий в предоставленных данных.

Это GGUF-конверсия LTX-2.5 от Lightricks, подготовленная для локального запуска, в том числе через ComfyUI. Модель предназначена для генерации видео по текстовому описанию; исходная LTX-2.5 также принимает изображения и видео и создаёт синхронизированные видео и аудио. Архитектура исходной модели включает два потока DiT для видео и аудио с межмодальным вниманием, а также текстовый энкодер Gemma 4 12B. В README указано 22 млрд параметров; варианты GGUF уменьшают требования к памяти по сравнению с исходными весами BF16. Модель поддерживает генерацию нескольких связанных сцен с сохранением персонажей и визуального стиля между планами. Качество и требования к видеопамяти зависят от уровня квантизации: низкие варианты Q2 и Q3 автор README считает пригодными главным образом для тестов и прототипов, тогда как более высокие варианты лучше сохраняют качество. В репозитории заявлена лицензия other, поэтому конкретные условия использования следует сверять с лицензией исходной модели Lightricks/LTX-2.5.

MajicFlus — модель генерации изображений по текстовому описанию, дообученная и объединённая на основе flux.dev. Её разработала Shakker Labs; модель предназначена прежде всего для создания реалистичных портретов, особенно портретов азиатских женщин, с выразительной эстетикой и детализированными лицами. Модель работает с короткими и сложными промптами, подходит также для генерации других персонажей и сцен. Она распространяется в формате safetensors и используется через библиотеку Diffusers. В README приведены настройки вывода: 20–30 шагов, VAE Flux и несколько вариантов сэмплирования для разных визуальных результатов. Лицензия указана как other, поэтому условия использования следует уточнить у разработчика. Карточка не описывает конкретные ограничения качества или правила использования.

mBLIP mT0-XL — мультиязычная модель для понимания изображений, разработанная авторами работы «mBLIP: Efficient Bootstrapping of Multilingual Vision-LLMs». Она основана на архитектуре BLIP-2 и объединяет Vision Transformer (ViT), Query Transformer (Q-Former) и большую языковую модель mT0-XL. ViT и Q-Former инициализированы из англоязычного чекпойнта BLIP-2 с Flan-T5-XL, а затем согласованы с mT0-XL на мультиязычном наборе задач. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ. Она предназначена для описания изображений и визуальных вопросов и обучалась на 96 языках, включая русский. Модель можно использовать напрямую в режиме zero-shot или дообучать для прикладных задач; авторы рекомендуют LoRA для настройки LLM и формат bf16, поскольку fp16 может приводить к NaN в функции потерь. Лучшие результаты ожидаются при запросах на ресурсных языках, например английском, немецком и испанском; качество на языках с меньшими ресурсами может быть ниже. Модель не тестировалась в реальных приложениях, поэтому перед развёртыванием требуется оценить её безопасность и справедливость для конкретного сценария. Лицензия — MIT.

MedSigLIP — разработанная Google медицинская версия SigLIP для совместного кодирования изображений и текста в общее пространство эмбеддингов. Модель включает vision transformer на 400 млн параметров и text transformer на 400 млн параметров; принимает изображения размером 448×448 и текст длиной до 64 токенов. Она обучена на обезличенных парах медицинских изображений и описаний, включая рентгенограммы грудной клетки, изображения кожи и глаз, гистопатологические препараты и срезы КТ и МРТ, а также на обычных изображениях и текстах. Модель предназначена для разработчиков медицинских приложений и подходит для классификации без примеров из целевых классов, поиска изображений по смыслу и создания эмбеддингов для последующей классификации или регрессии. Она не генерирует текст и может применяться также к обычным изображениям. Лицензия указана как other; README не приводит её точных условий. Эмбеддинги и оценки требуют проверки и адаптации под конкретное применение. Без независимой валидации результаты не следует использовать для диагностики, выбора лечения или других клинических решений; медицинское приложение должно отдельно соответствовать применимым нормативным требованиям.

MiniMax-H3 FL2VA — MLX-Serve 4bit — это 4-битная квантованная версия чекпойнта MiniMax-H3 FL2VA, подготовленная ddalcu для запуска через mlx-serve на компьютерах Apple Silicon. Модель предназначена для генерации аудио и видео по текстовому описанию: DiT совместно обрабатывает видео и стереоаудио в одной упакованной последовательности. В комплект входят веса, два VAE и токенизатор, поэтому пакет является самодостаточным. Квантованию подвергнуты матричные веса DiT и текстового энкодера: используется 4-битное affine-квантование с размером группы 64. Таблицы эмбеддингов, отдельные fp32-компоненты, выходные головы, временной эмбеддер и оба VAE сохранены без уплотнения. Квантование уменьшает занимаемый объём, но не гарантирует ускорения, поскольку рабочая нагрузка ограничена вычислениями. Точные сведения о размере модели, поддерживаемых языках и максимальном контексте в README не указаны. В комплект включён Turbo LoRA — адаптер дистилляции на 4 шага от larryvrh, позволяющий сократить число шагов с обычных 16–30 до 4–8 и примерно вдвое ускорить сэмплирование. Это экспериментальный режим предварительного просмотра: возможны пластиковая текстура кожи, чрезмерная резкость и зернистость, а адаптер работает медленнее на каждом отдельном шаге и отключает step-caching. Основная модель распространяется по MiniMax H3 Community License Agreement; README указывает территориальные ограничения: использование, воспроизведение, изменение, распространение и демонстрация запрещены в Европейском союзе, Великобритании, Южной Корее и США. Turbo LoRA имеет лицензию Apache-2.0.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Модель понимает контексты, объединяющие текст, изображения, видео и аудио, и генерирует видео с синхронизированным стереозвуком. Репозиторий содержит вариант MiniMax-H3-fp8 и рассчитан на использование с библиотекой minimax-h3.

rockerBOO/minimax-h3-nvfp4-convrot — это квантизированный вариант модели MiniMax H3, разработанной MiniMaxAI. Модель представляет собой мультимодальный генератор видео и аудио на основе diffusion transformer с 33 млрд параметров и предназначена для локального запуска через ComfyUI. Она поддерживает генерацию видео по тексту, изображениям и видео, а также создание синхронизированного стереозвука. Заявлены выходные данные с разрешением 768p, частотой 24 кадра в секунду и длительностью от 4 до 15 секунд; вывод в 2K требует отдельного модуля H3-Regenerate-2K. Данный вариант распространяется как единый checkpoint в формате safetensors, а не как модель Diffusers. В зависимости от режима доступны генерация по тексту и первому или последнему кадру, а также omni-reference-сценарии с использованием до 9 изображений, 3 видеоклипов и 3 аудиоклипов. В комплекте предполагается использование текстового энкодера Qwen3-VL 32B и VAE из репозитория Comfy-Org/MiniMax-H3. Квантизация использует NVFP4 для основной части MLP-слоёв, FP8 для отдельных проекций внимания и AdaLN, а чувствительные слои сохраняются в BF16; вариант convrot также применяет INT8 ConvRot для QKV-проекций. Основное преимущество — уменьшение размера checkpoint примерно до 20 ГБ за счёт квантизации и AdaLN-прунинга без заявленной потери качества, что облегчает локальный запуск. NVFP4-версии требуют видеокарту с архитектурой Blackwell, например RTX 50 или B100/B200; на более старых GPU они не работают. Качество в репозитории системно не измерялось, поэтому заявленные преимущества основаны прежде всего на совместимости и размере, а не на бенчмарках. Для использования необходимы ComfyUI и совместимые модели текстового энкодера и VAE. Лицензия указана как minimax-h3-community; точные условия определяются лицензией MiniMax H3.

MiniMax-H3 Turbo — это квантизированная модель для генерации видео с синхронизированным стереозвуком по текстовому запросу. Она основана на Comfy-Org/MiniMax-H3 и Turbo LoRA от larryvrh, объединённых в единый CMF-файл, разработанный infosave2007 для запуска через cortiq — Rust-бинарник без Python и ML-фреймворков. Модель предназначена для text-to-video сценариев, а варианты fl2va также поддерживают генерацию видео по первому и/или последнему кадру. Один transformer совместно обрабатывает изображение и звук; в состав входят DiT, prompt encoder Qwen3-VL, видео-VAE и аудиовокодер. Заявлены 47,83 млрд параметров, четыре шага сэмплирования, квантизация до 4 бит и файлы размером примерно от 13,2 до 23,9 ГБ. Доступны варианты для видеокарт с 16–20, 24 и 32+ ГБ VRAM; компактная версия использует 4B encoder и ClipProj, а полноразмерная — 32B prompt encoder. Для визуального ввода применяются изображения в формате P6 PPM. Сильные стороны модели — объединённая генерация видео и синхронизированного аудио, малое число шагов сэмплирования, автономный запуск без Python, PyTorch, CUDA toolkit и ffmpeg, а также несколько вариантов под разные объёмы видеопамяти. Ограничения включают высокие требования к VRAM, отсутствие портированного пути ref2va и недостаточно изученное качество conditioning сложных сцен по изображению в компактной ClipProj-версии. Файлы распространяются по лицензии Apache-2.0; Turbo LoRA уже объединена с весами.

MistoonAnime — модель генерации изображений по текстовому описанию, размещённая stablediffusionapi в формате для Diffusers. README показывает вызов модели через API ModelsLab с идентификатором mistoonanime и параметры генерации: размер 512×512, 30 шагов и guidance scale 7,5. Также поддерживаются отрицательный промпт и настройка seed. Пример карточки ориентирован на создание детализированных портретов с кинематографическим освещением. В метаданных указаны StableDiffusionPipeline, форматы PyTorch и safetensors и лицензия CreativeML OpenRAIL-M. Модель принимает текст и выдаёт изображения; сведения о базовой модели, размере весов и поддерживаемых языках в доступных данных отсутствуют.

Yntec/mistoonAnime2 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она предназначена для создания иллюстративных изображений в аниме- и мультяшной стилистике. Репозиторий содержит веса в формате safetensors для запуска через Diffusers; карточка демонстрирует пример промпта с описанием персонажа и художественного оформления. Модель создана на основе Stable Diffusion и рассчитана на генерацию изображений по текстовым промптам. В метаданных указана лицензия CreativeML OpenRAIL-M. README не сообщает точный размер модели, контекст или подробные результаты оценки качества.

omnigenxl-nsfw-sfw — модель генерации изображений по текстовому описанию, опубликованная под аккаунтом stablediffusionapi и предназначенная для использования через сервис ModelsLab. В карточке указано семейство Stable Diffusion XL и поддержка конвейера StableDiffusionXLPipeline; пример запроса показывает генерацию фотореалистичных изображений по prompt и negative prompt с настройкой размера, числа шагов и guidance scale. Модель подходит для создания портретов и других изображений по тексту, в том числе с реалистичной эстетикой. README также показывает параметры усиления запроса и подключения LoRA и embeddings через API ModelsLab. В метаданных указан тег not-for-all-audiences; название модели и пример запроса указывают на поддержку как NSFW-, так и SFW-контента. Модель распространяется по лицензии CreativeML OpenRAIL-M. README описывает доступ к генерации через API ModelsLab и не содержит сведений о весах или локальном запуске.

OpenDalle v1.1 — модель генерации изображений по текстовому описанию, разработанная Alexander Izquierdo и опубликованная в репозитории dataautogpt3/OpenDalleV1.1. Она предназначена для создания изображений с акцентом на соответствие запросу, реалистичность и художественный стиль. Модель работает через StableDiffusionXLPipeline в Diffusers; файлы доступны в форматах Diffusers и Safetensors. В README рекомендованы CFG scale 7–8, 35 шагов для более быстрой генерации или 60–70 для большей детализации, а также sampler DPM2 с обычным расписанием или Karras. Модель рассчитана на текстовые запросы и выдаёт изображения; сведения о поддерживаемых языках и размере контекста не приводятся. Лицензия CC-BY-NC-ND-4.0 в метаданных, а README также содержит отдельное соглашение о личном некоммерческом использовании с ограничениями на распространение и публичный показ; перед использованием следует проверить применимые условия. Коммерческое применение не разрешено указанными условиями.

thisisiron/Ovis2-2B-hf — мультимодальная модель семейства Ovis2, опубликованная пользователем thisisiron на Hugging Face; карточка репозитория автоматически создана и не называет разработчика, поэтому модель описана по принадлежности к семейству Ovis2 от AIDC-AI. Это компактная модель для диалога по изображениям и текстовым инструкциям: принимает изображение и текст, генерирует текстовые ответы, например описания изображения и ответы на вопросы о его содержимом. Архитектура — Ovis2ForConditionalGeneration с языковой частью на базе Qwen2; репозиторий содержит веса в safetensors и поддерживает Transformers. Для семейства Ovis2 разработчик указывает улучшения в визуально-текстовом выравнивании, обучающих данных и методах обучения, а также усиленное рассуждение. В карточке конкретного репозитория не подтверждены число параметров, длина контекста и языки; лицензия также не приведена. Официальный репозиторий Ovis2-2B указывает английский и китайский языки и лицензию Apache-2.0, но эти сведения нельзя уверенно переносить на перезалив thisisiron без отдельного подтверждения. Как и другие модели, отвечающие на вопросы по изображениям, модель может ошибаться в интерпретации визуального содержимого.