I.8Изображения и компьютерное зрение

Dreamlike Photoreal Remix — ремикс модели Dreamlike Photoreal 2.0, созданный для возвращения характеристик, удалённых из версии Dreamlike Photoreal 1.0. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors и предназначена для генерации изображений по текстовым запросам, в том числе фотореалистичных и художественных изображений. В карточке приведён пример запроса для создания детализированной фантастической иллюстрации. Модель использует английские текстовые запросы. В README не названы точная архитектура, размер, длина контекста или базовая модель ремикса. Лицензия обозначена как other, её условия в доступных сведениях не раскрыты.

Dreamshaper SDXL-Turbo — модель генерации изображений по текстовому описанию от Lykon, полученная дообучением Stable Diffusion XL Base 1.0. Она предназначена для быстрого создания художественных изображений и иллюстраций по текстовым запросам; в карточке отмечены стили art и anime, а также связь с Turbo и LCM. Модель распространяется в формате Diffusers и Safetensors и использует лицензию OpenRAIL++.

EpicMixVirtualRealismv6 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная в библиотеке SD Dreambooth Library. По README, это отдельная ветвь EpicMix V3: при создании смешивали Epicv3 с Noise Offset, Babes 11, Cake Mix, Epic Portrait, Retro и Lucious Mix; в README также упомянуты отрицательные эмбеддинги из блокнота Nocrypt. Модель предназначена для создания реалистичных изображений, в том числе портретов и изображений людей, по текстовым запросам. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; указана лицензия CreativeML OpenRAIL-M. Точное число параметров и длина контекста в предоставленных данных не приводятся.

FFusion-BaSE — модель генерации изображений по текстовому описанию, опубликованная FFusion AI и разработанная Idle Stoev, Source Code Bulgaria, Praesidium CX и BlackSwan Technologies. Она основана на Stable Diffusion 2.1 и использует латентную диффузию; репозиторий представлен в форматах Diffusers, PyTorch и safetensors. Модель предназначена для художественного творчества, изучения генеративных моделей и создания творческих или образовательных инструментов. Вариант BaSE описан как основа для применения более чем 200 обученных LoRA-моделей. Основной язык промптов — английский. Лицензия — CreativeML Open RAIL++-M. Ограничения включают ненадёжную генерацию фотореалистичных изображений и лиц, особенно на дальнем плане, а также трудности с разборчивым текстом внутри изображения. В карточке также перечислены ограничения на вредоносное, дискриминационное, вводящее в заблуждение и несогласованное откровенное содержимое.

FLUX.1 [dev] Abliterated — модифицированная модель генерации изображений по текстовому описанию, основанная на FLUX.1 [dev] от Black Forest Labs. Она использует архитектуру Rectified Flow Transformer и содержит 12 млрд параметров. Репозиторий распространяет веса в формате Diffusers и Safetensors; для работы указана библиотека Diffusers. Модель предназначена для создания изображений по текстовым запросам. В README заявлено, что модификация abliteration убирает встроенный механизм отказа и позволяет отвечать на более широкий спектр запросов. Это может расширять диапазон генерируемого контента, но само по себе не подтверждает качество результатов. Карточка не приводит измерений качества или подробных рекомендаций по эксплуатации. Лицензия репозитория — Apache-2.0. Модель унаследовала возможности и ограничения базовой FLUX.1 [dev]; сведения о конкретных ограничениях генерации в карточке не приведены.

Font Classifier — модель классификации изображений шрифтов, созданная на основе DINOv2 и дообученная автором dchen0 с помощью LoRA. Она распознаёт 394 варианта шрифтов из 32 семейств Google Fonts. Чекпойнт содержит 113,2 млн параметров; адаптер LoRA объединён с базовой моделью, поэтому для работы не требуется отдельная библиотека PEFT. Модель предназначена для определения шрифта по изображению с текстом, например для сортировки образцов или предварительной идентификации гарнитуры. В README сообщается точность top-1 99,0% на отложенной тестовой выборке и точность 99,8% при определении семейства шрифта. Обучение проводилось на синтетических изображениях, созданных рендерингом текста; перед подачей изображения необходимо преобразовать в RGB, дополнить до квадратного размера, изменить размер до 224×224 и нормализовать по статистикам ImageNet. Лицензия — Apache-2.0. Модель распознаёт только охваченные обучением шрифты и варианты; ошибки чаще возникают между начертаниями одного семейства.

Gemma3-12B-CVRR — мультимодальная модель для ответов на вопросы по изображениям, разработанная в рамках работы Reason Through the Latent! Making Latent Visual Reasoning Necessary. Она основана на Google Gemma 3 12B Instruct и использует метод Causal Visual Recurrent Reasoning (CVRR): состояние вопроса несколько раз уточняется с доступом к визуальным свидетельствам, а итоговый ответчик получает это состояние без прямого доступа к исходным визуальным данным. Модель рассчитана на визуальные вопросы и задачи рассуждения по изображениям; поддерживает текстовый ввод вместе с изображением и выдаёт текстовый ответ. В репозитории указаны веса safetensors и лицензия Gemma. CVRR сохраняет визуальные возможности исходной VLM и настраивает рекуррентный переход с помощью LoRA и обучения на токенах ответа; отдельная загрузка LoRA не требуется. Для запуска нужен специальный загрузчик Transformers и зависимости из README. Модель требует отдельную полную копию на GPU и не поддерживает автоматическое разбиение по устройствам, стандартную переупаковку через save_pretrained() или прямую загрузку в vLLM и SGLang.

Gemma-4-E2B-it-4bit — это 4-битная MLX-конверсия модели Google Gemma-4-E2B-it, подготовленная сообществом mlx-community для работы на устройствах Apple с Apple silicon. Модель относится к мультимодальному классу image-text-to-text и предназначена для обработки текстовых запросов, связанных с изображениями, включая их описание и визуальный анализ. Ключевые характеристики включают поддержку мультимодального ввода текста и изображений, 4-битное квантование и формат MLX, оптимизированный для Apple silicon. В README не указаны точный размер модели, архитектурные параметры, поддерживаемые языки и размер контекстного окна. Для запуска рекомендуется пакет mlx-vlm; пример использования предусматривает передачу текстового запроса и изображения. Модель удобна для локального мультимодального инференса на совместимых устройствах Apple, а 4-битное представление может снизить требования к памяти. Ограничения и точные показатели качества в README не приведены. Модель распространяется по лицензии Gemma.

ostris/ikea-instructions-lora-sdxl — адаптер LoRA для генерации изображений на базе stabilityai/stable-diffusion-xl-base-1.0. Модель ориентирована на стиль иллюстрированных инструкций IKEA и может создавать изображения по текстовым описаниям объектов, сцен, персонажей или последовательностей действий. Адаптер предназначен для text-to-image сценариев: можно задавать простые промпты вроде «hamburger» или описывать шаги, которые должны быть показаны на изображении. Специальное trigger word не требуется. Согласно README, хорошо работает с весом 1.0 при использовании базовой модели SDXL 1.0; негативные промпты обычно не нужны, хотя слова «blurry» и «low quality» могут улучшать результат. Ключевые ограничения связаны с зависимостью от базовой модели SDXL и форматом LoRA: адаптер не является самостоятельной генеративной моделью и требует совместимого пайплайна. README не приводит точные сведения о размере адаптера, поддерживаемых языках, длине контекста, датасете или систематически измеренных показателях качества. Лицензия указана как other, без дополнительных условий в представленном описании.

Juggernaut XL v5 — модель генерации изображений по текстовым запросам, созданная KandooAI в сотрудничестве с RunDiffusion. Это один из ранних чекпойнтов семейства Juggernaut на базе Stable Diffusion XL, выпущенный до интеграции RunDiffusion Photo в последующих версиях. Модель сохранена для ознакомления и рабочих процессов, которым нужен характерный стиль v5. Модель предназначена для создания фотореалистичных изображений по текстовым описаниям. Для генерации автор рекомендует портретное разрешение 832 × 1216 или альбомное 1216 × 832, сэмплер DPM++ 2M Karras и 30–40 шагов. Она работает с Diffusers и совместима с интерфейсами ComfyUI, Forge, Automatic1111, Fooocus, InvokeAI и SwarmUI. Модель дообучена на Stable Diffusion XL Base 1.0 и принимает текст, выдавая изображения. Карточка указывает лицензию CreativeML Open RAIL-M: личное и творческое использование разрешено, но размещение за платными API требует отдельного разрешения и лицензирования. Это ранняя версия семейства; автор рекомендует для новых проектов более поздние выпуски Juggernaut.

Juggernaut XL v8 — дообученная на базе Stable Diffusion XL Base 1.0 модель генерации изображений, созданная KandooAI совместно с RunDiffusion. Это заключительная версия поколения RunDiffusion Photo v1 в линейке Juggernaut SDXL; она рассчитана на создание фотореалистичных и кинематографичных изображений по текстовому запросу. Модель подходит для портретов, архитектурной, природной, автомобильной, интерьерной и предметной фотографии, а также для творческих рабочих процессов, настроенных на эстетику v8. Её визуальный профиль описан как более мягкий по контрасту и освещению по сравнению с последующей v9. Модель использует архитектуру Stable Diffusion XL и доступна для Diffusers и интерфейсов генерации изображений, включая ComfyUI и Automatic1111. Модель поддерживает английские запросы. Карточка рекомендует портретное разрешение 832 × 1216 или альбомное 1216 × 832 и 30–40 шагов генерации. Лицензия CreativeML OpenRAIL-M допускает личное и творческое использование; размещение за платными API-сервисами требует отдельного разрешения RunDiffusion. Для новых проектов авторы рекомендуют более поздние версии Juggernaut.

vantagewithai/Krea-2-Turbo-GGUF — версия модели Krea-2-Turbo, разработанной Krea и опубликованной в формате GGUF. Модель предназначена для генерации изображений по текстовым описаниям и относится к классу text-to-image; в метаданных указано использование библиотеки Diffusers. Модель поддерживает текстовые запросы на английском языке. Примеры демонстрируют генерацию сцен и изображений в различных визуальных стилях, включая фотографию, аниме, живопись, пиксельную графику, монохромную стилизацию и термографический эффект. Архитектура, количество параметров, размер контекста, требования к оборудованию и точные особенности GGUF-квантизации в README не указаны. Сильной стороной модели является универсальность в создании изображений по подробным описаниям и работе с разнообразными художественными стилями. Ограничения включают отсутствие сведений о производительности, поддерживаемых разрешениях, качестве на разных типах запросов и дополнительных модальностях. Модель распространяется по лицензии Krea-2 Community License; условия следует уточнять в документе лицензии Krea.

Yntec/LehinaModel — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она распространяется в формате Diffusers и Safetensors и предназначена для создания фотореалистичных изображений и портретов по промптам; в карточке приведён пример запроса на иллюстрацию девочки в школьном классе.

Minimax-h3_Singularity — дообученная модель генерации видео на базе MiniMaxAI/MiniMax-H3, опубликованная WarmBloodAban. Она предназначена для мультимодальных видеосценариев в ComfyUI: генерации видео по изображению, а также по описанным в карточке сценариям text-to-video, reference-to-video и video-to-video. В репозитории указаны веса safetensors и лицензия Apache-2.0. Автор заявляет улучшения HDR-детализации, снижение размытия при быстром движении, более естественные материалы и освещение, восстановление лиц в дальних планах, выразительную мимику и более точную реакцию на движения камеры. Модель также нацелена на динамичные сцены боя и фэнтезийные визуальные эффекты. Карточка описывает обучение на видео с HDR и несколько этапов настройки и оптимизации весов. В метаданных основная задача обозначена как image-to-video; остальные режимы перечислены в README. В качестве ограничений следует учитывать, что заявления об улучшениях принадлежат автору модели, а карточка не приводит количественных оценок качества или подробных требований к ресурсам. Для ускорения автор рекомендует отдельную LoRA на четыре шага, но она не входит в состав этой модели.

Mo Di Diffusion — дообученная на базе Stable Diffusion 1.5 модель генерации изображений в современном диснеевском анимационном стиле. Её разработал автор nitrosocke; для выраженного стиля в запрос рекомендуется включать фразу «modern disney style». Модель обучали методом DreamBooth с сохранением prior и дообучением текстового энкодера в течение 9 000 шагов на скриншотах анимационной студии. Модель предназначена для создания изображений персонажей видеоигр, животных, автомобилей и пейзажей по текстовым описаниям. Она использует конвейер Stable Diffusion и доступна в форматах Diffusers и PyTorch; пример в карточке генерирует изображение размером 512 × 512 или 512 × 768. Для запуска подходит библиотека Diffusers. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении модели.

Eugeoter/noob-sdxl-controlnet-lineart_anime — модель для генерации изображений по текстовому описанию с использованием ControlNet, ориентированная на управление композицией по линейному изображению в anime-стилистике. Она построена на базе Laxhar/sdxl_noob и предназначена для работы с библиотекой Diffusers и экосистемой Stable Diffusion XL. Модель может применяться для создания изображений по эскизам, lineart-референсам и другим структурным направляющим изображениям, однако подробные сведения о точной архитектуре, размере, поддерживаемых разрешениях, контексте и качестве результатов в карточке не указаны. В метаданных заявлен английский язык. Ключевое преимущество модели — сочетание генерации по тексту с управлением позой и композицией через lineart, что может быть полезно при создании персонажей и сцен в аниме-стилистике. Ограничения, особенности обучения и рекомендуемые параметры использования не описаны. Модель распространяется по Fair AI Public License 1.0 for SD; условия лицензии следует уточнять по указанной ссылке: https://freedevproject.org/faipl-1.0-sd/.

wssdaas/nova-anime-xl-ilv-19.0 — модель преобразования текстовых запросов в изображения, доступная для запуска через библиотеку Diffusers и сохраняемая в формате safetensors. Карточка указывает на совместимость с конвейером StableDiffusionXLPipeline. Модель предназначена для генерации изображений по текстовым описаниям; название указывает на аниме-направленность, но карточка не описывает её стиль подробнее. README не содержит сведений об авторе разработки, размере, языках, контексте или лицензии, поэтому эти характеристики нельзя уточнить.

Opiate_v3 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Репозиторий опубликовал пользователь digiplay; карточка содержит примеры изображений исходного автора, но не сообщает дополнительных сведений о разработчике или обучении модели. Модель предназначена для создания изображений по текстовым запросам. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия указана как other, без конкретизации условий использования.

Pika_v1 — модель генерации изображений по текстовому описанию в формате Diffusers, размещённая пользователем digiplay. В карточке README приведены только примеры изображений, созданные автором исходной модели; сведений о разработчике исходной модели и её архитектуре нет. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в форматах PyTorch и SafeTensors для использования с Diffusers. Лицензия обозначена как other, поэтому условия использования следует уточнять по материалам репозитория.

Pixel Art Style — дообученная модель Stable Diffusion для создания изображений в стиле пиксель-арта по текстовому описанию. Разработчик рекомендует добавлять токен pixelartstyle в запрос, чтобы задать нужный стиль. Модель принимает текстовые запросы на английском языке и выдаёт изображения. В карточке указан формат Diffusers на PyTorch. Размер модели и длина контекста не приведены. Модель опубликована под лицензией, сведения о которой в доступных данных отсутствуют.

Pony-InternVL2-40B-AWQ — дообученная модель purplesmartai на основе OpenGVLab/InternVL2-40B-AWQ, предназначенная для описания содержимого изображений по специализированному запросу Pony V7. Её используют для получения подписей к изображениям с акцентом на их содержание; дополнительные теги к изображению помогают распознавать персонажей, места и действия. Модель построена на архитектуре InternVLChatModel и настроена на чатовый сценарий с изображениями и текстовым запросом; семейство InternVL2 поддерживает обработку визуального ввода и генерацию текста. README сообщает о меньшем числе отказов для разных категорий контента, но не приводит количественной оценки качества. Указана лицензия MIT. В README советуют рассмотреть более новые модели InternVL или Gemini для актуальных возможностей.

Protogen x3.4 — модель генерации изображений по текстовому описанию, разработанная darkstorm2150. Она основана на Stable Diffusion v1.5: обучение началось с этой модели, а версия 3.4 продолжила обучение Protogen v2.2 с усилением фотореалистичной стилистики. Модель предназначена для создания художественных и фотореалистичных изображений по промптам; в README указаны триггерные слова modelshoot style, analog style, mdjrny-v4 style и nousr robot. Модель доступна в форматах Diffusers и PyTorch, включая файлы Safetensors и контрольные точки в полной и pruned fp16 версиях. Для использования подходят Stable Diffusion Pipeline и интерфейс Stable Diffusion WebUI. Лицензия — CreativeML OpenRAIL-M.

pseudo-flex-v2 — полновесная дообученная модель генерации изображений на основе Stable Diffusion 2.1, опубликованная пользователем RareConcepts. Она создаёт изображения по текстовому описанию и обучалась на смешанном наборе данных с материалами о кино и постерах, архитектуре, спорте, пиксель-арте, анатомии и других темах. Текстовый энкодер базовой модели не дообучался; для запуска можно использовать энкодер Stable Diffusion 2.1. В README приведены параметры проверки генерации, включая 30 шагов и примеры разрешений около одного мегапикселя, однако они не гарантируют оптимальное качество для любого запроса. Модель обучалась в BF16 и распространяется в форматах Diffusers и safetensors. Лицензия — CreativeML OpenRAIL-M. Данные обучения включают категории откровенного контента, поэтому модель может создавать материалы для взрослых; качество и точность генерации текста внутри изображения отдельно не заявлены.

RealVisXL V2.0 — модель генерации изображений по текстовому описанию, разработанная автором репозитория SG161222 и основанная на Stable Diffusion XL. Она предназначена для создания фотореалистичных изображений; автор отмечает, что модель может создавать как изображения общего содержания, так и материалы для взрослой аудитории. Репозиторий использует Diffusers и формат весов Safetensors. Модель рассчитана на генерацию изображений по текстовым запросам. Автор предупреждает, что на момент публикации карточки модель ещё находилась в процессе обучения и могла давать артефакты или слабые результаты в отдельных случаях. Лицензия — OpenRAIL++; перед использованием следует учитывать её условия, особенно для создаваемого контента.

jbilcke-hf/sdxl-cinematic-1 — это адаптация LoRA в формате DreamBooth для модели stabilityai/stable-diffusion-xl-base-1.0, разработанная пользователем jbilcke-hf и обученная с использованием SD-XL trainer от @fffiloni на датасете jbilcke-hf/cinematic-1. Модель предназначена для генерации изображений по текстовым описаниям с использованием библиотеки Diffusers и базовой SDXL-модели. Адаптация ориентирована на создание кинематографичных визуальных сцен и активируется специальным ключевым словом cnmt в промпте. Это компактные дополнительные веса, а не самостоятельная генеративная модель; для работы требуется загрузить SDXL base и применить LoRA с подходящим коэффициентом масштабирования. В обучении адаптации LoRA для текстового энкодера не использовалась. Для обучения применялся VAE madebyollin/sdxl-vae-fp16-fix, который также рекомендуется использовать при инференсе. README не указывает точный размер весов, поддерживаемые языки, длину контекста или отдельные сведения о вычислительных требованиях. Для запуска рекомендуются Diffusers версии 0.19.0 или новее, а также transformers, safetensors, accelerate и invisible_watermark. Лицензия в предоставленных данных не указана; условия использования следует проверять отдельно для этой адаптации и базовой SDXL-модели.

SemiRealMix — модель генерации изображений по текстовому описанию, созданная путём многократного слияния моделей. Она предназначена для создания полуреалистичных изображений людей, в частности портретов; автор приводит пример промпта для изображения девушки в студийном освещении и рекомендует негативный промпт для исключения низкого качества, наготы и детских образов. Модель основана на Stable Diffusion 1.5 и распространяется в формате Diffusers с весами PyTorch и Safetensors. В README приведены настройки генерации: sampler DPM++ SDE Karras, 20 шагов, CFG 7 и размер 512×768. Для использования указана библиотека Diffusers. Лицензия — CreativeML Open RAIL-M.

SenseNova-U1-8B-MoT-Infographic-V2 — мультимодальная модель SenseNova, созданная на архитектуре NEO-unify для понимания и генерации текста и изображений. Это специализированная версия SenseNova-U1-8B-MoT, доработанная для создания инфографики с плотной информацией: постеров, презентаций, дашбордов, отчётов, комиксов и иллюстраций знаний. Модель формирует изображения с текстом и структурированной композицией, а также поддерживает мультимодальное понимание и диалог. По данным README, версия V2 улучшает отрисовку мелкого текста, работу со сложными макетами и визуальную согласованность; также исправлена проблема с непреднамеренно тёмным фоном. В карточке указана архитектура NEOChatModel, библиотека Transformers и формат safetensors. Модель распространяется по лицензии Apache-2.0. README не сообщает размер контекста и список поддерживаемых языков; примеры и показатели генерации приведены для английского и китайского. Качество мелкого текста и сложных макетов улучшено, но README не гарантирует точность текста или пригодность результатов без проверки человеком.

Карточка модели Shriramnag/shiv-ai-wan-model 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.

SkyReels V1 Hunyuan T2V — модель генерации видео по тексту от команды Skywork, созданная дообучением Tencent HunyuanVideo на высококачественных клипах из кино и телевидения. Репозиторий содержит веса в формате Diffusers для работы с библиотекой Diffusers. Модель предназначена для создания видео с людьми по текстовым запросам. В карточке заявлены выразительная анимация лиц, широкий диапазон эмоций и движений, а также кинематографические композиция, освещение и постановка камеры. Указаны разрешение 544×960 пикселей, длина ролика до 97 кадров и частота 24 кадра в секунду. Модель принимает текст и генерирует видео. Для запуска авторы направляют к отдельному репозиторию с кодом инференса. Лицензия — Apache-2.0. Заявления о качестве и сравнении с коммерческими системами принадлежат авторам модели и не сопровождаются в карточке описанием независимой оценки.

SP-PE-Qwen3.5-35B-A3B — модель расширения структурированных промптов из проекта Context-Scaling, дообученная на основе Qwen/Qwen3.5-35B-A3B. Она принимает текстовое описание изображения и целевое соотношение сторон, а затем формирует JSON со структурированным промптом для генерации изображений моделями QwenImage-типа. Для этой задачи используется текстовый тракт мультимодальной архитектуры Qwen3.5 MoE; зрительный модуль поставляется вместе с моделью, но при расширении промптов не используется. Репозиторий содержит веса safetensors объёмом около 66 ГБ в bf16; в README для запуска через vLLM приведены квантование FP8 и ограничение контекста до 8192 токенов. Модель предназначена для преобразования обычных запросов в структурированные условия генерации изображений, в том числе с учётом соотношения сторон. Она выдаёт JSON, рассчитанный на подачу в QwenImage-стиль text-to-image DiT, поэтому её основная роль — подготовка промпта, а не генерация изображения. Базовая модель имеет 35 млрд параметров, однако README не сообщает точное число активных параметров этой MoE-модели. Лицензия — Apache-2.0. Карточка не приводит отдельной оценки качества; результат зависит от соответствия ожидаемой схемы JSON и последующей модели генерации изображений.