I.8Изображения и компьютерное зрение

mlx-community/Qwen3.5-0.8B-8bit — это 8-битная версия модели Qwen3.5-0.8B в формате MLX, предназначенная для запуска с использованием библиотеки mlx-vlm. Модель преобразована сообществом mlx-community из Qwen/Qwen3.5-0.8B с помощью mlx-vlm версии 0.3.12; базовая модель указана как Qwen/Qwen3.5-0.8B-Base, а разработчиком исходной модели является команда Qwen. Модель относится к классу image-text-to-text и предназначена для задач, в которых требуется генерировать текст на основе изображения и текстового запроса, например описывать изображения. В README не указаны точная архитектура, число параметров исходной модели, поддерживаемые языки, размер контекстного окна и другие характеристики. Также не приведены сведения о специальных сильных сторонах и ограничениях, поэтому их нельзя достоверно оценить по имеющимся данным. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-abliterated-v1 — дообученная мультимодальная модель prithivMLmods на основе Qwen/Qwen3-VL-8B-Instruct, предназначенная для анализа изображений и генерации описаний с подробными рассуждениями. Модель принимает изображения и текстовые инструкции, а отвечает текстом; в карточке заявлена работа с изображениями разных размеров и пропорций. В метаданных указаны архитектурное семейство Qwen3-VL, 8 млрд параметров у базовой модели, библиотека Transformers и формат safetensors. Модель подходит для подробного описания обычных, художественных, технических, абстрактных и чувствительных изображений, визуального рассуждения, творческой интерпретации и исследований модерации контента. Основной язык ответов — английский; автор также заявляет возможность получать ответы на других языках с помощью формулировки запроса. Модель может выдавать откровенный, чувствительный или оскорбительный контент, а качество ответов зависит от изображения и запроса; автор не рекомендует её для сред, где требуется строгая фильтрация. Лицензия — Apache-2.0.

Qwen-Image-2.1-PE-I2I Heretic — созданная сообществом производная модели Qwen/Qwen-Image-2.1-PE-I2I на архитектуре Qwen3.5-VL с 9 млрд параметров. Она принимает короткую инструкцию по редактированию и одно или несколько изображений, анализирует их и формирует подробный промпт на английском языке для редактирования изображения. Это переписыватель промптов, а не генератор изображений. Модель дообучена с применением направленной абляции Heretic, которая снизила частоту отказов на вредоносных текстовых запросах: в описанной проверке отказов было 9 из 100 против 100 из 100 у исходной модели. При этом автор сообщает, что обычное поведение при переписывании инструкций для редактирования изображений сохранилось. Проверка проводилась на ограниченных наборах примеров, поэтому результаты не гарантируют такое же поведение на других запросах. Веса представлены в формате bf16 Safetensors и имеют ту же форму и число параметров, что и исходная модель. Для запуска используются AutoModelForImageTextToText и AutoProcessor; необходим также файл system_prompt.txt из репозитория. Модель распространяется по лицензии Qwen Research License: использование некоммерческое, для коммерческого применения нужна отдельная лицензия Qwen.

RealCartoon3DRemix — модель генерации изображений по текстовому описанию, созданная Yntec. Это слияние базовых блоков RealCartoon3D 2.5 и a-Zovya RPG Artist Tools V2 Art на основе Stable Diffusion 1.5; автор сообщает, что слияние предназначено для получения альтернативных композиций. Модель распространяется в форматах Diffusers и safetensors и использует библиотеку Diffusers. Примеры в карточке показывают генерацию иллюстраций с персонажами, фэнтезийными и игровыми мотивами, а также сценами в мультяшной, стилизованной и близкой к реалистичной подаче. Для использования задают текстовый промпт, описывающий персонажей, сцену, стиль и детали изображения. Лицензия — CreativeML OpenRAIL-M. Автор отмечает, что удалил EMA-веса и преобразовал модель между форматами Diffusers и safetensors. В карточке нет сведений о размере модели, длине контекста или поддерживаемых естественных языках; промпты приведены на английском языке.

Yntec/REV — модель генерации изображений по текстовому описанию в формате Diffusers и Safetensors. В README указано, что в модель встроен Color101VAE; приведён пример запроса для создания детализированного изображения в стилистике чиби, рекламной иллюстрации и фантастического или художественного арта. В метаданных отмечены фотореалистичные, фэнтезийные и научно-фантастические изображения, а также английский язык. Модель предназначена для преобразования текстовых запросов в изображения. Лицензия — CreativeML OpenRAIL-M. README не сообщает базовую модель, размер, длину контекста или подробные ограничения применения; параметры генерации и качества по приведённому примеру оценить нельзя.

SDXL-LORA — это LoRA-модель для генерации изображений на базе Stable Diffusion XL. Модель разработана FFusion и связана с оригинальной моделью 400GB-LoraXL, а в качестве базовой модели указана FFusion/FFXL400. Для активации в промпте предусмотрен идентификатор Morphxl_V10. Модель предназначена для text-to-image-сценариев, включая создание стилизованных изображений с детализированной, кинематографичной и концептуальной визуальной подачей. В качестве примера приведена генерация киберпанк-города с неоновым окружением, персонажем и элементами механики, выполненная в смешанной стилистике. Известно, что модель поддерживает Stable Diffusion XL и интеграцию с библиотекой diffusers; формат адаптера — LoRA. Основной заявленный язык — английский. Данные о размере, точном наборе поддерживаемых модальностей, длине контекста и количественных характеристиках отсутствуют. Модель распространяется по лицензии openrail++.

Voxel — модель генерации изображений из текста на основе Stable Diffusion 1.5, созданная автором репозитория Yntec. Она получена слиянием моделей VoxelArt и SQUEE и настроена для создания изображений в стиле voxel art; модель также реагирует на запросы без обязательного указания VoxelArt и меньше зависит от негативных промптов. Разрешение модели — 768×768, в веса встроен VAE MoistMixV2VAE. Модель предназначена для генерации иллюстраций по текстовым описаниям, включая стилизованные персонажи, сцены и low-poly изображения. Распространяется в формате Diffusers с весами safetensors по лицензии CreativeML OpenRAIL-M. README содержит примеры промптов и изображений, но не описывает систематические ограничения качества или языковую специализацию.

Это дообученная модель обнаружения объектов YOLOv8m от Lisa Gollner, созданная на основе контрольной точки Ultralytics yolov8m.pt и обученная на оцифрованных страницах исторического сатирического журнала Die Bombe. Она предназначена для поиска и локализации объявлений, комиксов, редакционных карикатур, заголовков и иллюстраций на страницах журнала, а также может применяться к похожим историческим периодическим изданиям с учётом ограничений обучающих данных. Обучающая выборка включает 508 страниц, а проверочная — 106 страниц из отдельных выпусков журнала. На проверочной выборке общие precision и recall составили 0,836 и 0,835, mAP@0.50 — 0,913. Классы фотографий и карт присутствуют в схеме разметки, но недостаточно представлены для надёжного обнаружения. Модель распространяется по лицензии AGPL-3.0.

Yntec/3DRendering — модель генерации изображений по текстовому описанию на основе ReVAnimated, в которую слита LoRA 3DMM V3. Для работы используется MoistMixV2VAE; метаданные указывают на Diffusers и формат SafeTensors. Модель предназначена для создания иллюстраций, в том числе стилизованных под аниме и рисунок, по текстовым промптам. В примере автор использует подробный промпт для изображения натюрморта с фруктами и персонажем в мультяшном стиле. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не сообщает о контекстных ограничениях или специальных защитах; результат зависит от формулировки промпта.

Animagine XL 4.0 — диффузионная модель генерации и редактирования изображений в аниме-стиле, разработанная Cagliostro Research Lab на основе Stable Diffusion XL 1.0. Модель дообучена на более чем 8,4 млн изображений и рассчитана на создание иллюстраций по текстовым запросам. Она поддерживает работу через Diffusers, ComfyUI и Stable Diffusion WebUI; карточка описывает вариант Animagine XL 4.0 Opt с улучшенной стабильностью, анатомией, снижением шума и цветопередачей. Для управления результатом модель лучше использовать с запросами в формате тегов и специальными тегами качества, рейтинга и периода. Поддерживаемый язык в метаданных — английский. Лицензия — CreativeML Open RAIL++-M (в метаданных Hugging Face указана OpenRAIL++).

Baberu OCR — компактная модель распознавания текста в вырезанных областях манги, разработанная авторами проекта Baberu OCR. Она принимает изображение одного речевого облака и возвращает распознанный текст; для обработки целой страницы перед ней нужен отдельный детектор текста. Модель рассчитана на японский, китайский и английский языки и подходит для вертикального текста, звукоподражаний и смешения письменностей. В карточке указаны 25,6 млн параметров, архитектура BaberuOCRModel на основе DINOv2 и декодера, а также контекст 2048 токенов. README описывает символьный словарь из 14 630 знаков и приводит размер 115 млн параметров, что расходится с метаданными. Доступны сборки ONNX и safetensors; в README также указаны локальный запуск через ONNX Runtime и Apache-2.0. На японском бенчмарке модель показывает результат лучше модели manga-ocr, от которой была дистиллирована, а на китайском и английском сопоставима с более крупной моделью на типичных речевых облаках. Ограничения включают путаницу некоторых японских диакритических знаков, пропуски редких кандзи и малых кан, а также ухудшение распознавания ближе к концу очень длинных облаков. Модель предназначена для текста внутри отдельного облака, а не для распознавания целых страниц; на печатных материалах за пределами манги крупная универсальная VLM может работать лучше.

Burger_Mix_semiR2Lite — модель для генерации изображений в стиле мультфильмов и аниме по текстовым описаниям. Карточка представляет её как инструмент для создания концепт-артов; модель распространяется в формате Diffusers с весами Safetensors и использует Stable Diffusion Pipeline. Модель подойдёт для создания иллюстраций и визуальных концепций по текстовым запросам. В карточке указана лицензия other; условия использования следует сверять с файлами и сведениями о лицензии в репозитории.

Canopus-LoRA-Flux-FaceRealism — адаптер LoRA, разработанный prithivMLmods для генерации фотореалистичных изображений лиц и портретов. Модель предназначена для text-to-image сценариев на базе FLUX.1-schnell и ориентирована на создание реалистичной кожи, черт лица, освещения и фотографической детализации в портретной и fashion-съёмке. Это LoRA для диффузионной архитектуры с параметрами Network Dim 64 и Network Alpha 32. Для обучения использовано более 200 изображений высокого разрешения; разметка выполнена с помощью Florence2 на английском языке и естественном языке. В README не указаны точный объём адаптера, максимальный контекст, поддерживаемые языки интерфейса или отдельные модальности, однако модель является изображенческой и не предназначена для обработки текста как самостоятельная модель. Сильная сторона адаптера — специализация на реалистичных лицах, портретах и естественном освещении. Ограничение заключается в том, что модель всё ещё находится на стадии обучения и может создавать артефакты или работать нестабильно в отдельных случаях. Для активации рекомендуется использовать instance prompt «face, realism, face realism». Указана лицензия creativeml-openrail-m; условия совместного использования с базовой моделью FLUX.1-schnell следует дополнительно проверять по её лицензии.

Cetus — модель генерации изображений по текстовому описанию в формате Diffusers, представленная пользователем Yntec. В карточке указана версия 3.5 и вариант весов fp16-no-ema; примеры показывают создание аниме- и 2D/2.5D-изображений по англоязычным промптам. Модель предназначена для генерации иллюстраций по тексту. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Модель распространяется по лицензии CreativeML OpenRAIL-M. Подробные сведения об архитектуре, размере, обучении и контексте в доступных материалах не приведены.

Dec2023 — это смешанный чекпойнт для генерации изображений по текстовому запросу, опубликованный Earth & Dusk и предназначенный для использования с библиотекой Diffusers. Автор сообщает, что в сборке смешаны чекпойнты SDXL и Stable Diffusion 1.5; метаданные связывают модель с stabilityai/stable-diffusion-xl-base-1.0 и stable-diffusion-v1-5/stable-diffusion-v1-5. В репозитории указаны веса Safetensors и лицензия CreativeML Open RAIL-M. Модель подходит для создания иллюстраций, аниме- и комикс-стиля по текстовым описаниям. Карточка не приводит сведений о размере модели, контекстном окне, точных настройках смешивания или результатах оценки качества; автор также отмечает, что декабрьские сборки оказались продублированы из-за ошибки с API-ключами. Перед практическим использованием следует учитывать условия лицензии и рекомендацию автора не перезагружать модель без разрешения.

DeDeDeP — модель генерации изображений по текстовому описанию, созданная автором репозитория nakayama на базе Stable Diffusion. Она настроена на создание более фотореалистичных изображений в аниме-стиле по сравнению с исходной DeDeDe. В README указано, что DeDeDe объединяет DreamLike Diffusion 1.0, Trinart Characters v2 Derrida и DreamLike Photoreal 1.0, а DeDeDeP дополнительно получена иерархическим слиянием частей DeDeDe с DreamLike Photoreal 1.0. Модель предназначена для создания иллюстраций в фотореалистичном аниме-стиле. Для улучшения результата автор рекомендует положительный промпт «best quality, masterpiece» и отрицательный промпт с исключением нежелательных стилей и артефактов, включая плохую анатомию, лишние пальцы, размытость, водяные знаки и текст. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Применяется модифицированная лицензия CreativeML OpenRAIL-M, унаследованная от DreamLike Diffusion 1.0 и DreamLike Photoreal 1.0. В частности, использование модели или её производных на сайтах и в приложениях, получающих доход или пожертвования, требует согласования с правообладателем; коммерческое использование результатов разрешено командам до 10 человек на условиях лицензии. Необходимо внимательно изучить её полный текст и ограничения.

DeliberateRealisticWoop — смешанная модель для генерации изображений по текстовому описанию, созданная на основе Deliberate, Realistic Vision 1.3 и WoopWoopPhoto 1.1. В карточке указаны авторы исходных моделей: zoidbb, XpucT, SG_161222 и osi1880vr; отдельный автор сборки не назван. Модель предназначена для создания реалистичных и полуреалистичных изображений, а также иллюстраций и изображений в аниме-стиле. Пример в карточке сочетает описание персонажа и художественные указания, включая цифровое искусство и 3D-рендер. Репозиторий использует Diffusers и формат safetensors; мини-версия представлена в fp16 без EMA, а в другой версии встроен zVAE. Модель распространяется по лицензии CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели, длине контекста и систематической оценке качества; результат зависит от текстового запроса и выбранных настроек генерации.

DreamWorks — модель генерации изображений по текстовому описанию, размещённая пользователем Yntec. Карточка показывает пример промпта для создания кинематографичного CGI-изображения в стилистике анимационных фильмов: персонаж играет с сестрой во дворе в солнечный день. Модель предназначена для генерации иллюстраций с визуальной подачей, напоминающей CGI и мультфильмы DreamWorks или Pixar. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия — CreativeML Open RAIL-M.

DucHaiten-AnyUnreal — модель генерации изображений по текстовому описанию из семейства Stable Diffusion, опубликованная Yntec. Примеры в карточке показывают широкий художественный диапазон: аниме и чиби, фотореалистичные и кинематографичные сцены, иллюстрации и фантазийные образы. Репозиторий использует библиотеку Diffusers и формат safetensors. Модель предназначена для создания изображений по промптам, включая персонажей, стилизованные иллюстрации и сцены с визуальными эффектами. Примеры демонстрируют разные стили, но не содержат количественной оценки качества или описания ограничений. Лицензия — CreativeML OpenRAIL-M.

EvtV3 — модель генерации изображений по текстовому описанию, опубликованная пользователем haor. Она основана на Evt_V2 и дообучена в течение 20 эпох на 35 467 изображениях. Модель распространяется в формате Diffusers для PyTorch и предназначена для создания изображений в аниме-стиле по текстовым запросам. Модель использует пайплайн Stable Diffusion. В карточке указана лицензия CreativeML OpenRAIL-M. Данных о конкретных ограничениях качества и поддерживаемых языках запросов в предоставленных источниках нет.

Yntec/Film — модель генерации изображений по текстовому описанию, созданная на основе LEOSAMsFilmGirlUltra и объединённая с кинематографичными моделями, чтобы усилить плёночную и киношную эстетику. Модель предназначена для создания реалистичных кинематографичных сцен, портретов, фэнтезийных сюжетов и кадров в стиле фильмов. Модель работает через StableDiffusionPipeline из библиотеки diffusers и распространяется в форматах Diffusers и safetensors. В примерах README показаны сцены с персонажами, существами, боевыми эпизодами и драматичным освещением. Лицензия — CreativeML OpenRAIL-M; её условия ограничивают некоторые виды использования, поэтому перед применением следует ознакомиться с текстом лицензии.

flat-2d-animerge — модель генерации изображений по текстовому описанию, созданная bigbeanboiler и опубликованная на CivitAI. Это чекпойнт Stable Diffusion в формате Diffusers; веса преобразованы для использования с библиотекой Diffusers. Модель ориентирована на создание плоских 2D-аниме-изображений по англоязычным запросам. Модель распространяется в форматах Diffusers и safetensors по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или подробные результаты оценки качества.

playrobin/furniture-styles — классификатор изображений мебели по стилям. Модель создана с помощью HuggingPics, инструмента для обучения классификаторов изображений на пользовательских категориях. Она предназначена для определения стилевой категории по изображению мебели. Модель построена на архитектуре ViT и содержит 113,2 млн параметров. Репозиторий содержит веса PyTorch в формате Safetensors. Карточка не сообщает список классов, языки, лицензию или ограничения применения.

mlx-community/gemma-4-26B-A4B-it-qat-8bit — модель для задач image-text-to-text, то есть генерации текстовых ответов на основе изображений и текстовых запросов. В README указано, что она распространяется сообществом mlx-community и предназначена для запуска с библиотекой mlx-vlm в экосистеме MLX. Модель поддерживает сценарии визуального анализа, включая описание изображений по текстовой инструкции. В качестве входа используется изображение, а результатом является сгенерированный текст. Из идентификатора следуют обозначения Gemma 4, 26B, A4B, instruction-tuned и 8-bit QAT, однако README не раскрывает подробности архитектуры, число параметров, языки, размер контекста или точную интерпретацию этих обозначений. Для запуска требуется mlx-vlm; в примере используется генерация до 100 токенов и температура 0.0. README не содержит сведений о сильных сторонах, ограничениях, разработчике исходной модели и лицензии, поэтому их нельзя достоверно описать.

mlx-community подготовило конверсию Gemma 4 E2B IT от Google DeepMind для запуска на компьютерах Apple с Apple silicon через библиотеку MLX. Это плотная мультимодальная модель с поддержкой диалога и анализа изображений; вариант весов — bf16, формат репозитория — safetensors. В метаданных для модели указана задача image-text-to-text. Модель принимает текст и изображения и формирует текстовые ответы. Её можно использовать для описания изображений и визуальных вопросов в диалоговом формате. README указывает конверсию исходных весов google/gemma-4-E2B-it с помощью mlx_vlm.convert. Лицензия — Gemma; перед использованием следует соблюдать её условия. Длина контекста и перечень поддерживаемых языков для этой конверсии в предоставленных данных не приведены.

Human-LLaVA — мультимодальная модель семейства LLaVA, разработанная командой OpenFace-CQUPT для понимания изображений, связанных с людьми. Модель дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и принимает изображения вместе с текстовыми вопросами, выдавая текстовые ответы и описания. Модель предназначена для визуальных вопросов и ответов о людях, включая анализ лиц, тела и изображения целиком. В README заявлены специализированное обучение на данных HumanCaption и высокие результаты на связанных с людьми задачах; это утверждения авторов, без приведённых в карточке подробных численных результатов. Репозиторий использует Transformers и формат safetensors. Лицензия указана как Llama 3.

KielForge-fast — дообученный LoRA-адаптер для Stable Diffusion XL Base 1.0, созданный KielTech. Он предназначен для генерации изображений по тексту и преобразования исходных изображений, с акцентом на детализированные футуристические портреты, персонажей научной фантастики и концепт-арт с реалистичными текстурами. Адаптер доступен в виде 16-битных весов safetensors, а также вариантов GGUF F16 и Q4_0. Для генерации рекомендуется разрешение 1024 × 1024; в README также приведены параметры сэмплирования и силы преобразования изображения. Для работы нужны базовая модель SDXL и совместимый интерфейс или конвейер, например Diffusers, ComfyUI либо WebUI Forge. Модель ориентирована на англоязычные запросы. Квантованная версия Q4_0 может давать небольшие артефакты по сравнению с вариантом F16. Модель наследует ограничения и профиль безопасности базовой SDXL. Лицензия — CreativeML OpenRAIL-M.

Raxephion создал Serendipity V2 — дообученный чекпойнт Krea 2 Turbo для генерации изображений по текстовым описаниям. Модель ориентирована на кинематографичные композиции, в которых важны положение камеры, глубина пространства, взаимодействие нескольких персонажей и действие в окружении. По карточке модели, версия V2 улучшает передачу материалов, преломление света, отражения, локальное освещение, анатомию и мелкие детали. Она подходит для фотореалистичных и стилизованных сцен, включая раскадровки, концепт-арт, комиксы и динамичные эпизоды. Доступны варианты fp8, int8convrot и bf16; метаданные указывают библиотеку Diffusers и формат safetensors. Модель основана на Krea 2 Turbo: автор описывает обучение LoRA на вручную отобранных и размеченных фотографиях, после чего адаптер был объединён с базовым чекпойнтом. В метаданных базовая связь обозначена как finetune, поэтому происхождение классифицировано как дообучение. Для изображений по тексту в первую очередь рекомендуется использовать английские описания; лицензия — KREA 2 License Agreement, условия которой следует проверить перед использованием.

LemonCreami — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. Автор описывает версию V1 как модель с балансом между детализированной живописью и аниме-стилистикой, а также отмечает, что применение VAE может улучшить цвета. Модель предназначена для создания изображений по текстовым запросам в сценариях, где нужны иллюстрации с живописными или аниме-чертами. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

MirageML/lowpoly-world — модель Stable Diffusion, дообученная разработчиком MirageML методом DreamBooth на концепции Low Poly World. Она предназначена для генерации изображений по текстовому описанию в низкополигональном стиле; для вызова концепции в запросе README рекомендует фразу «a photo of lowpoly_world». Модель распространяется в форматах Diffusers и PyTorch, поддерживает английский язык и лицензирована по CreativeML OpenRAIL-M. README также упоминает запуск через Gradio и платформу Mirage.