I.8Изображения и компьютерное зрение

UI-Venus-1.5-2B-GGUF — набор GGUF-квантизаций мультимодальной модели UI-Venus-1.5-2B, разработанной inclusionAI. Модель предназначена для задач image-to-text, то есть анализа изображений и генерации текстового описания их содержимого, включая сценарии локального запуска через llama.cpp. Модель основана на UI-Venus-1.5-2B и доступна в нескольких вариантах квантизации. Для работы требуются актуальные версии llama.cpp и отдельный файл mmproj; для максимального качества рекомендуется версия mmproj в формате F32, затем BF16 или F16. Квантизация снижает требования к ресурсам, но может уменьшать качество по сравнению с исходной моделью; конкретные размеры, архитектура, поддерживаемые языки и максимальная длина контекста в README не указаны. Лицензия и условия распространения в предоставленных данных не указаны.

Danrisi/UltraReal_FineTune_Anima_base1_v3 — дообученная с помощью LoRA модель генерации изображений на основе circlestone-labs/Anima, разработанная Danrisi. Она предназначена для создания реалистичных изображений по текстовым описаниям, включая портреты, повседневные фотосцены, селфи и стилизацию под снимки со смартфона, компактной цифровой камеры, DSLR, плёнки или VHS. Для настройки сцены в README предложена структура промпта с тегами камеры, освещения и стиля в начале, описанием сцены на естественном английском и тегами года и качества в конце. Модель распространяется в формате Safetensors через библиотеку Diffusers; лицензия — Apache-2.0. В README отмечены улучшение реализма и разнообразия по сравнению с предыдущей версией и трудности с отдельными эмоциями, в частности с надутыми губами. Поскольку это LoRA, для генерации требуется базовая модель circlestone-labs/Anima. Параметры размера и длины контекста в предоставленных данных не приведены.

WAI-REALMIX-v11 — модель генерации изображений по текстовому описанию, опубликованная автором WAI0731. Это чекпойнт на базе Pony, доступный в формате Diffusers с весами Safetensors. В версии 11 автор отмечает улучшение общей визуальной согласованности, композиции и фона, а также проработки рук и ног. Модель предназначена для создания изображений по промптам. В карточке приведены настройки для предыдущей версии: CFG scale 7, 30–50 шагов и сэмплер Euler a; параметры могут служить отправной точкой для v11. Автор предупреждает, что более ранняя версия v10 могла быть менее стабильной после изменения стиля и формы лица. Лицензия и точный размер модели в предоставленных данных не указаны.

Карточка модели tofan2/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 Isi99999/Wan2.1-T2V-14B 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.

sinkinai/Beautiful-Realistic-Asians-v5 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, предназначенная для создания реалистичных изображений азиатских людей. В метаданных указаны конвейер text-to-image и форматы Diffusers и PyTorch; карточка упоминает возможность запуска через API.

BeautyFool Remix — слитая модель для генерации изображений по текстовому описанию, опубликованная Yntec. Она основана на BeautyFoolReality_4 и CocaCola и использует текстовый энкодер CocaCola для создания выразительных композиций. Примеры в карточке показывают фотореалистичные портреты и сцены, в том числе с кинематографическим освещением и стилизацией. Модель работает в Diffusers как Stable Diffusion 1.5 и распространяется в формате safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка ориентирована на англоязычные промпты; размер модели и длина контекста не указаны в предоставленных данных.

Карточка модели votepurchase/ChilloutMix на Hugging Face совпадает с карточкой Yntec/ChilloutMix, поэтому описание составлено по ней. ChilloutMix — модель семейства Stable Diffusion от Yntec для генерации изображений по текстовым запросам. Карточка приводит пример запроса для создания стилизованной иллюстрации персонажа в игровой комнате; метаданные указывают на использование Diffusers и форматов Diffusers и safetensors. Модель подходит для создания художественных изображений по описанию сцены и стиля. В README также упомянуты варианты ChilloutMixMini без EMA и ChilloutMixVAE со встроенным zVAE. Модель распространяется по лицензии CreativeML Open RAIL-M. Карточка не сообщает размер модели, длину контекста и поддерживаемые языки. Пример показывает стилизованную иллюстрацию, но README не описывает качество или ограничения генерации.

CLIP ViT-B/32 — модель OpenAI для сопоставления изображений и текстовых описаний. Она использует Vision Transformer ViT-B/32 как кодировщик изображений и Transformer с маскированным self-attention как кодировщик текста; контрастивное обучение сближает представления соответствующих пар «изображение — текст». Репозиторий содержит реализации для PyTorch, TensorFlow и JAX/Flax. Основной сценарий — классификация изображений без дообучения по заданному набору текстовых меток: модель сравнивает изображение с описаниями классов и оценивает их соответствие. Она также подходит для исследовательского изучения обобщения и устойчивости моделей компьютерного зрения. Модель обучалась на англоязычных парах изображений и подписей; README рекомендует ограничивать её применение английским языком. CLIP может хуже справляться с тонкими различиями между классами и подсчётом объектов. Результаты зависят от формулировок и состава меток, а модель имеет выявленные смещения, в том числе при оценке изображений людей. README не приводит лицензию. В карточке модель предназначена прежде всего для исследований; развёрнутые сценарии применения, включая распознавание лиц и наблюдение, обозначены как недопустимые без специального тестирования, а некоторые — как всегда недопустимые.

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.

epiCDream Lullaby — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Карточка показывает примеры фантастических сцен, портретов и детализированных пейзажей; репозиторий подготовлен для использования с библиотекой Diffusers и содержит веса в формате safetensors. Метаданные относят модель к семейству Stable Diffusion. Модель подходит для создания иллюстраций по промптам с атмосферным освещением, насыщенными цветами и высокой детализацией. В карточке указана лицензия other; перед использованием следует проверить условия на исходной странице модели.

FeverDream — модель генерации изображений по текстовому описанию, созданная Cosmo-Hug как дообучение Stable Diffusion 1.5. Она предназначена для создания детализированных фотореалистичных и стилизованных изображений: среди характерных сюжетов — портреты людей, пейзажи, интерьеры, городские и заброшенные здания, а также отдельные художественные стили. Обучение проходило на разрешении 576 пикселей; автор сообщает, что изображения для обучения были высокого качества, увеличены и очищены от шума, а при обучении применялся offset noise fix. Модель ориентирована на насыщенные цвета, глубокие тени и чёткие детали. Для реалистичных изображений автор советует учитывать особенности обучающих подписей: слово «realistic» может смещать результат в сторону фарфоровых кукол, поэтому при чрезмерно гладких лицах можно добавить «doll» в негативный промпт. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M.

Fiamix Illustrious XL v250 Anime Semi-Realistic — модель преобразования текста в изображение на базе Illustrious-XL-v1.0 от OnomaAIResearch. Согласно карточке модели, её создал Fia_TKTD; модель опубликована в репозитории John6666/fiamix-illustrious-xl-v250-anime-semi-realistic-sdxl. Модель предназначена для генерации изображений по текстовым описаниям в аниме- и полу­реалистичном стилях. Она ориентирована на создание персонажей, включая женских и мужских, фонов и изображений с различными стилевыми решениями. Для запуска используется библиотека Diffusers и StableDiffusionXLPipeline, а основной язык текстовых запросов — английский. Модель распространяется по лицензии faipl-1.0-sd, обозначенной в карточке как other. Для работы требуется совместимый стек Stable Diffusion XL и Diffusers.

Realism_Engine_V2 — адаптер LoRA для генерации изображений по текстовому описанию, разработанный Keltezaa. Модель предназначена для использования с базовой моделью black-forest-labs/FLUX.2-klein-base-9B и ориентирована на задачи text-to-image, в частности на получение более реалистичных изображений. Указана совместимость с экосистемой Diffusers. В карточке не приведены сведения о точной архитектуре адаптера, размере файла, поддерживаемых языках, размере контекстного окна, конкретных параметрах обучения или результатах тестирования. Поэтому сильные стороны можно определить только по заявленной специализации на реалистичной генерации, а ограничения связаны с необходимостью использовать совместимую базовую модель и отсутствием подробной технической документации. Распространение модели регулируется лицензией CC BY-NC-ND 4.0, которая предусматривает некоммерческое использование и ограничения на создание производных работ.

GuoFeng4 — серия дообученных моделей генерации изображений на основе Stable Diffusion XL 1.0; карточка описывает версии GuoFeng4.0 Real Beta, 4.1 2.5D и 4.2. Модель предназначена для создания изображений по текстовым запросам в эстетике, популярной в китайском визуальном искусстве, с образами в стилях 2.5D и CG, а также с текстурами, напоминающими игровые модели и 3D-моделирование. Благодаря базе SDXL модель подходит и для других сюжетов и стилей. Для GuoFeng4.1 автор отмечает, что проблема искажения лица при генерации изображения в полный рост почти отсутствует. Для других версий при таком сценарии может потребоваться убрать из запроса указание на полный рост или применить инструмент автоматической коррекции лица. В README рекомендуются сэмплер DPM++ 2M SDE Karras и CFG Scale 8. Репозиторий использует формат safetensors и библиотеку diffusers. Лицензия — Creative Commons Attribution-NonCommercial-ShareAlike 4.0 (CC BY-NC-SA 4.0), которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

Hassan 1.5.1.2 — модель генерации изображений по текстовому описанию, опубликованная Yntec на базе Stable Diffusion. Веса доступны в формате Diffusers и Safetensors; в модель встроен VAE MoistMixV2. Модель предназначена для создания иллюстраций и концепт-арта по текстовым запросам. В карточке приведён пример промпта для детализированного цифрового изображения в стиле аниме и фэнтези. Метаданные указывают поддержку английского языка и лицензию CreativeML OpenRAIL-M. README предупреждает, что урезанные файлы модели могут быть повреждены; для полной версии указан размер 6 ГБ. Сведения о рекомендуемых настройках генерации и ограничениях качества не приведены.

ailexleon/Huihui-Qwen3.8-27B-abliterated-mlx-8Bit — модель в формате MLX, конвертированная из huihui-ai/Huihui-Qwen3.8-27B-abliterated с использованием mlx-vlm 0.6.13. Она предназначена для мультимодальных задач «изображение—текст», в частности для анализа и описания изображений, и может использоваться в экосистеме MLX через библиотеку mlx-vlm. В README указано значение reasoning_effort по умолчанию medium. Модель имеет размер 27B параметров, 8-битное представление и поддерживает английский язык. Архитектура и максимальная длина контекста в README не указаны. Сильной стороной является адаптация к запуску в формате MLX и поддержка мультимодального ввода, однако сведения о качестве, тестовых результатах, производительности, ограничениях и совместимых аппаратных конфигурациях отсутствуют. Модель распространяется по лицензии Apache-2.0.

Kiel-2-Image — LoRA-модель, разработанная KielTech на базе Stable Diffusion XL Base 1.0 для создания и редактирования футуристических портретов, научно-фантастических персонажей и концепт-арта. Она поддерживает генерацию изображения по текстовому запросу и преобразование исходного изображения с помощью текстового описания. Модель рассчитана на детализированные изображения с реалистичными текстурами. В карточке рекомендовано генерировать изображения в разрешении 1024 × 1024 с 25–35 шагами сэмплирования; для преобразования изображения указана сила воздействия 0,45–0,6. Доступны веса LoRA в safetensors и варианты GGUF F16 и Q4_0. Для работы требуется базовая модель SDXL Base 1.0. В карточке указан английский язык запросов. Лицензия — CreativeML Open RAIL-M.

RudySen/Krea2-realism-V2 — это LoRA-модель для генерации изображений по текстовому описанию, разработанная пользователем RudySen и предназначенная для использования поверх базовой модели krea/Krea-2-Turbo. Модель совместима с экосистемой Diffusers и рассчитана на применение в готовых рабочих процессах для Krea-2-Turbo, включая сценарии, где требуется более реалистичная визуальная подача. Основной акцент сделан на улучшении текстур, освещения, композиции, лиц, кожи и естественности выражений. Модель поддерживает различные стили и особенно хорошо работает с естественными описаниями сцен длиной примерно 4–5 предложений. Она также совместима с другими character LoRA. Для активации не требуется специальное ключевое слово: в карточке указано значение none. Рекомендуемый автором вес LoRA составляет 1,5–2,0, хотя при удачном запросе возможно использование веса 1,0. Модель может применяться и для создания NSFW-контента, однако из-за использования большого количества обычных качественных фотографий соответствующая подача описывается как более сдержанная. Ограничения включают зависимость результата от качества и подробности текстового запроса, а также отсутствие в карточке сведений о размере, архитектуре базовой модели, поддерживаемых языках и длине контекста. Распространяется по лицензии MIT.

Raxephion/Krea2-Serendipity-V3 — дообученная текстово-графическая модель для генерации изображений по текстовым описаниям, созданная на основе Krea 2 Turbo. Автор дообучил LoRA на отобранных и размеченных вручную фотографиях, затем объединил её с базовой моделью. Модель распространяется в вариантах fp8, int8convrot и bf16. Serendipity V3 ориентирована на кинематографичные сцены и точное управление композицией: положением камеры и объектов, глубиной переднего, среднего и заднего планов, перспективой, освещением и взаимодействием персонажей. Подходит для раскадровок, кадров в стиле кино, комиксов, концепт-арта, динамичных сцен и многоплановых композиций. README также заявляет улучшенное следование композиционным инструкциям и генерацию NSFW-контента без дополнительных LoRA. Модель принимает текстовые запросы и выдаёт изображения. Лицензия — KREA 2 License Agreement; перед использованием необходимо соблюдать её условия. По заявлению автора, модель предназначена для общего NSFW-контента, но не для откровенной эротики; для более специализированного контента рекомендуется отдельная LoRA.

Это экспериментальный полноразмерный fine-tune Krea 2 Raw от автора lamshiu, обученный с DiffSynth-Studio на примерно 3,7 тыс. изображений в течение трёх эпох. Модель смещает эстетический стиль базовой диффузионной модели в сторону фотографии и создаёт изображения по текстовым запросам. Модель относится к классу Raw. В README рекомендуются настройки Krea 2 Raw — около 52 шагов и CFG 3,5–4,5; для работы нужны текстовый энкодер Qwen3-VL-4B и VAE Qwen-Image. Она доступна как INT8 ConvRot в safetensors и как bf16-чекпойнт; режимы Turbo на 8 шагов несовместимы. Данные обучения включали материалы для взрослых, поэтому возможна генерация NSFW-контента. Производная распространяется на условиях Krea 2 Community License Agreement, которая ограничивает коммерческое использование и требует от развёртывающих модель настроить фильтрацию контента.

Это производная версия LingBot Video MoE 30B-A3B, подготовленная WaveCut для генерации видео по текстовому описанию. Диффузионный трансформер хранится в статически квантованном формате SDNQ UINT4; текстовый энкодер, токенизатор, планировщик и VAE оставлены в исходной точности. В карточке указано, что квантованы почти все параметры трансформера и рефайнера, включая тензоры экспертов MoE. Модель предназначена для создания видео по текстовым запросам и может использоваться с базовым трансформером или рефайнером. В опубликованных тестах на конкретной системе квантованный вариант снизил пиковое потребление видеопамяти базовой генерации примерно на 66%, но генерация шла медленнее, чем у исходной версии BF16. Это результаты одного тестового окружения, а не гарантия производительности на другом оборудовании. Квантование заметно меняет пиксели результата. В тестах отмечены ухудшение соответствия запросу и артефакты; пример с рефайнером также демонстрировал клиппинг цветов, присутствовавший и в исходной версии. Модель распространяется по лицензии Apache-2.0.

LLaVA-3D-7B — мультимодальная модель диалогового типа, разработанная в рамках проекта LLaVA-3D и дообученная на наборе LLaVA-3D-Instruct-1M на основе LLaVA-v1.5-7B. Это плотная архитектура LlavaLlamaForCausalLM примерно на 6,6 млрд параметров; репозиторий содержит веса safetensors, а длина контекста составляет 4096 токенов. Модель предназначена для вопросов и инструкций по одиночным изображениям в 2D-сценариях и по RGB-D изображениям с данными о позе для задач понимания 3D-сцен. Обучение включало подписи к сценам и их областям, а затем смесь из 1 млн инструкционных примеров 2D и 3D. Основной язык — английский. Модель принимает изображения и текст, а ответы формирует в виде текста. Модель подходит для описания визуальных сцен и ответов на вопросы о содержимом изображений, включая 3D-сцены. Карточка не приводит количественных оценок качества или детальных ограничений применения. Лицензия — Apache-2.0.

MBZUAI/LLaVA-Phi-3-mini-4k-instruct-FT — мультимодальная модель для диалога по изображениям, объединяющая LLaVA v1.5 и языковую модель Phi-3-mini-4k-instruct. В README указано, что на этапе предварительного обучения обучался только проектор между зрительной и языковой частями, а при дообучении обновлялись параметры модели, кроме замороженной зрительной основы CLIP. Использованы наборы LCS-558K и LLaVA-Instruct-665K. Модель предназначена для генерации ответов на текстовые запросы с учётом изображений и для задач визуального понимания. Она содержит 3,7 млрд параметров, имеет контекст 4096 токенов и распространяется в формате safetensors. Лицензия — MIT. README описывает зрительно-языковые возможности, однако метаданные HF указывают text-generation; для применения с изображениями может потребоваться совместимый интерфейс LLaVA.

SurfaceData/llava-v1.6-mistral-7b-sglang — форк LLaVA-v1.6-Mistral-7B, адаптированный для инференса с SGLang; в README указано, что других изменений не вносили. Это плотная авторегрессионная мультимодальная модель на архитектуре Transformer с классом LlavaLlamaForCausalLM и 7,1 млрд параметров. Базовая языковая модель — mistralai/Mistral-7B-Instruct-v0.2; модель разработана на основе LLaVA, обученной в декабре 2023 года. Модель предназначена для диалогов по изображениям и выполнения мультимодальных инструкций: например, для ответов на визуальные вопросы, описания изображений и решения задач компьютерного зрения на естественном языке. Она принимает текст и изображения и формирует текстовые ответы. Максимальная длина контекста — 32 768 токенов. В README перечислены обучающие данные с подписями к изображениям, мультимодальными инструкциями, наборами VQA и диалогами ShareGPT. README позиционирует LLaVA прежде всего для исследований мультимодальных моделей и чат-ботов, а также для работы исследователей и энтузиастов в компьютерном зрении и машинном обучении. Репозиторий содержит веса safetensors и опубликован по лицензии Apache-2.0. Форк заявлен как совместимый с SGLang для инференса.

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.

TheDivergentAI/ltx25-turbo-distill-lora — адаптер LoRA для базовой модели Lightricks/LTX-2.5, предназначенный для генерации видео по текстовому описанию. Это не официальный релиз Lightricks, а сторонняя дистиллированная версия, рассчитанная на применение поверх 22B dev-трансформера LTX-2.5 на пользовательском GPU. Адаптер использует distillation rank 450, дополнительно пониженный для уменьшения размера файлов, при этом сохраняет те же ключи и дельту B @ A. По заявленным параметрам генерация выполняется за 8 шагов при CFG 1. В примерах представлены различные соотношения сторон — от 1:1 до 21:9 — и кинематографичные сцены с людьми, животными, природой и предметами; также упоминаются циклы обработки аудио, однако подробные характеристики аудиомодальности не указаны. Адаптер ориентирован на более быструю генерацию видео при меньших требованиях к хранению и запуску по сравнению с полноразмерными компонентами. Его нельзя применять к уже дистиллированному checkpoint; README рекомендует использовать его именно с dev-моделью. Языки, максимальная длина контекста, точные требования к памяти и ограничения качества не указаны. Распространяется по LTX-2 Community License Agreement; ссылка на лицензию ведет в репозиторий Lightricks/LTX-2.

MGM-7B-HD — открытый мультимодальный чат-бот, разработанный авторами проекта MGM и дообученный на базе Vicuna-7B-v1.5 на наборе MGM-Instruction с инструкциями, сгенерированными GPT. Это плотная модель с архитектурой MiniGeminiLlamaForCausalLM и примерно 6,6 млрд параметров; версия HD предназначена для понимания изображений высокого разрешения, рассуждений по визуальному содержимому и диалога. Модель принимает текстовые запросы и изображения, а ответы формирует в текстовом виде; заявленный контекст составляет 4096 токенов. Модель предназначена для мультимодальных диалогов и исследовательских экспериментов с анализом изображений, визуальными вопросами и ответами, а также рассуждениями по изображениям. Обучение этой версии датировано мартом 2024 года. В README не приведены условия лицензии, поэтому режим использования по лицензии определить нельзя.

MiniMax-H3 Text Encoder GGUF — это квантованные версии текстового энкодера, используемого моделью MiniMax-H3 в ComfyUI. Энкодер основан на vision-language модели Qwen3-VL-32B, разработанной командой Alibaba / Qwen, а квантование и упаковку выполнил joeygambino. Модель предназначена для подготовки текстовых и, при использовании отдельного мультимодального проектора, визуальных условий для генерации видео в сценариях text-to-video, image-to-video и reference-to-video. Энкодер представляет собой усечённую версию Qwen3-VL-32B: 50 слоёв без финальной нормализации и lm_head. Доступны варианты Q4_K_M размером около 19,8 ГБ и Q5_K_M размером около 23,2 ГБ; рекомендуемым указан Q4_K_M, занимающий примерно 16,5 ГБ в памяти. Для обработки изображений требуется отдельный файл mmproj-F16.gguf размером около 1,2 ГБ, который должен находиться рядом с энкодером. Модель поддерживает текстовые и визуальные входы через соответствующую инфраструктуру ComfyUI, однако сведения о языках и размере контекстного окна в README не указаны. К сильным сторонам относятся заметное снижение требований к памяти благодаря GGUF-квантованию и поддержка мультимодальных видеосценариев при наличии проектора. Энкодер и основной DiT-компонент MiniMax-H3 не помещаются одновременно на видеокарте с 32 ГБ памяти, поэтому энкодер рекомендуется выгружать после вычисления условий; иначе генерация существенно замедляется из-за использования системной RAM. Для работы необходим совместимый загрузчик ComfyUI и правильное сопряжение файлов по имени. В README указано, что материалы бесплатны и остаются бесплатными, однако конкретная лицензия модели не приведена.

Qwen2.5-7B-Instruct-Flux — дообученная авторами репозитория mrkrak3n языковая модель на архитектуре Qwen2, предназначенная для создания подробных, образных текстовых промптов для генерации изображений в Flux. Модель насчитывает 7,1 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — 32 768 токенов. Она основана на Qwen/Qwen2.5-7B-Instruct и дообучена на наборе FluxDev ControlNet 16k и синтетических данных. Модель подходит для превращения краткого описания сцены в развернутый промпт с деталями объекта, окружения, освещения и настроения, а также для подготовки промптов в творческих рабочих процессах Flux и ComfyUI. Метаданные перечисляют поддержку английского, китайского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. README не приводит сравнительных оценок качества и не уточняет лицензию; не следует считать, что модель сама генерирует изображения.