I.8Изображения и компьютерное зрение

BeenYouLiteL11_diffusers — модель генерации изображений по текстовому описанию в милом реалистичном стиле anime. Карточка описывает её как модель для создания изображений; репозиторий использует формат Diffusers и файлы Safetensors. Модель предназначена для генерации изображений по текстовым запросам в эстетике anime с реалистичной подачей. В карточке не приведены сведения о размере модели, контексте или поддерживаемых языках. Указана лицензия other, поэтому условия использования следует уточнять по файлам репозитория.

Карточка модели Bercraft/blip2-opt-2.7b-coco на Hugging Face совпадает с карточкой Salesforce/blip2-opt-2.7b-coco, поэтому описание составлено по ней. BLIP-2 OPT-2.7b COCO — мультимодальная модель Salesforce для генерации текста по изображению с возможностью учитывать текстовый запрос. Архитектура объединяет визуальный энкодер типа CLIP, модуль Querying Transformer (Q-Former) и языковую модель OPT-2.7b; параметры визуального энкодера и OPT заморожены, а Q-Former обучен связывать представления изображения с языковой моделью. Модель опубликована в формате PyTorch и Safetensors под лицензией MIT. Модель подходит для создания подписей к изображениям, ответов на вопросы о содержимом изображения и диалоговых сценариев с изображением и историей переписки. В карточке указано, что она дообучена на COCO; метаданные указывают поддержку английского языка. Она может ошибаться, галлюцинировать и воспроизводить смещения или неподходящее содержимое из обучающих данных. Разработчики предупреждают, что модель не проверялась в реальных приложениях и требует оценки перед применением.

CapQwen3.6-27B-BLIP3o-Long-Caption-Distilled — экспериментальная мультимодальная модель prithivMLmods для создания подробных, связных и контекстных описаний изображений. Она построена на дообученной модели prithivMLmods/Qwen3.6-27B-abliterated-rMAX и использует дистилляцию длинных подписей в стиле BLIP3o; заявленный размер — 27 млрд параметров. Модель принимает изображения и текстовые инструкции, а в ответ генерирует текстовые подписи и описания. В карточке указана поддержка английского языка. Модель подходит для описания изображений, мультимодальных исследований и экспериментов с визуально-языковым выравниванием. Карточка также отмечает способность следовать инструкциям и сниженные механизмы отказа. Модель экспериментальная, может выдавать артефакты, а ослабленные отказы повышают риск небезопасных или чувствительных ответов; для запуска требуются значительные вычислительные ресурсы. Лицензия — Apache-2.0.

Cetus Remix — смешанная модель генерации изображений по текстовому описанию, созданная автором Yntec на основе CetusMix v3.5 и CetusMix v4. Она предназначена для создания изображений в стилях аниме, 2D и 2.5D; в карточке приведён пример изображения и промпта, а также ссылки на исходные версии CetusMix. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. Размер модели и длина контекста в предоставленных данных не указаны.

CLIP ViT-L/14 — модель OpenAI, обученная сопоставлять изображения и текст по контрастивной функции потерь. В этой версии используется визуальный энкодер на архитектуре Vision Transformer ViT-L/14 и текстовый энкодер на Transformer с masked self-attention. Модель предназначена прежде всего для исследовательской оценки обобщения и устойчивости компьютерного зрения, в том числе классификации изображений по произвольным текстовым описаниям без дополнительного обучения. На вход подаются изображение и текстовые метки или описания, а на выходе модель оценивает их сходство, что позволяет выбрать подходящую категорию. Модель обучалась на англоязычных парах изображений и подписей; для применения рекомендуется ограничиваться английским языком. CLIP может хуже справляться с тонкой классификацией и подсчётом объектов. Результаты и проявления смещений зависят от формулировок и состава категорий; в карточке описаны различия в оценках людей по демографическим группам. Карточка рекомендует тщательно проверять модель в конкретной области и считает развёрнутые прикладные сценарии, включая распознавание лиц и наблюдение, неподходящими. Лицензия в предоставленных данных не указана.

DreamFul V2 — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка содержит пример запроса для создания детализированного аниме-портрета девушки; метаданные также отмечают портретную и 3D-тематику. Модель предназначена для создания иллюстраций и обоев по текстовым промптам. Репозиторий использует форматы PyTorch и safetensors и распространяется по лицензии CreativeML OpenRAIL-M. Данных о базовой модели, размере и контексте в предоставленных материалах нет.

Dreamshaper 8 — модель генерации изображений по текстовому описанию от Lykon, дообученная на Stable Diffusion 1.5 (runwayml/stable-diffusion-v1-5). Она предназначена для создания художественных изображений, в том числе в стилях аниме и фотореализма; результат зависит от формулировки запроса и навыка пользователя. Модель доступна в форматах Diffusers и Safetensors и распространяется по лицензии CreativeML OpenRAIL-M. По сравнению с предыдущей версией автор отмечает улучшения относительно Dreamshaper 7. Модель универсальна по стилям, но может уступать специализированным моделям в фотореализме или аниме. Карточка не приводит сведения о размере модели и длине контекста.

EimisAnimeDiffusion_1.0v — модель диффузии для генерации изображений в аниме-стиле, обученная разработчиком eimiss на качественных детализированных изображениях. Она предназначена для создания аниме-сцен и пейзажей по текстовым запросам; автор также отмечает, что модель подходит для обработки изображений через img2img и добавления деталей. В примере приведены настройки генерации: 20 шагов, sampler DPM++ 2S a Karras, CFG scale 9 и размер 896×640. Модель распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML OpenRAIL-M. Автор предупреждает, что некоторые запросы могут работать неидеально, в частности при задании цветов.

FastVideo-FastH3-8-Step-V2-ComfyUI-GGUF — это GGUF-квантизованные версии чекпойнта FastVideo-FastH3-8-Step-V2, подготовленные VantageWithAI для использования в ComfyUI. Базовая модель — MiniMaxAI/MiniMax-H3, разработчик исходного чекпойнта — проект FastVideo. Модель предназначена для генерации синхронизированных видео и аудио по текстовому описанию. Модель использует трансформерную архитектуру и генерирует результат за восемь прямых проходов трансформера. Чекпойнт на шаге обучения 1300 был оптимизирован с использованием методов DMD2 и VSA-H3 при разреженности 80%, что ориентировано на ускорение генерации. Для работы требуется backend внимания VSA-H3; параметр video scheduler shift должен быть установлен в 10 вместо 12 у базовой модели. Поддержка FL2VA и Ref2VA в этой дистиллированной версии отсутствует, сведения о языках и размере модели в карточке не указаны. Сильными сторонами модели являются малое число шагов генерации и поддержка текстовой генерации сразу двух модальностей — видео и аудио. По сравнению с базовой MiniMax H3 возможны ухудшения в сложной динамике, детализации и отдельных элементах аудио. Модель распространяется по лицензии MiniMax H3 Community License; применимые условия следует уточнять в файле LICENSE.

Helios Distilled Visualizer BF16 — версия модели Helios для генерации видео по текстовому описанию, опубликованная sarat-adusumilli. Это авторегрессионная диффузионная модель, основанная на Wan2.1 T2V 14B и предназначенная для создания длинных связных роликов; она формирует видео блоками по 33 кадра. В карточке семейства Helios заявлена генерация с частотой до 19,5 кадра в секунду на одном H100, однако эта скорость зависит от оборудования и конфигурации. Модель доступна в формате Diffusers и safetensors, в варианте bf16; лицензия — Apache-2.0. Метаданные указывают английский язык. README описывает генерацию минутных видео и оптимизации производительности, но не приводит отдельные результаты оценки именно этого чекпойнта. Для вывода требуется совместимая среда Diffusers и значительные вычислительные ресурсы.

calcuis/hyvid — это набор GGUF-квантизированной и FP8-масштабированной версии HunyuanVideo с LoRA-адаптером для генерации видео по текстовому описанию. Проект разработан calcuis на базе HunyuanVideo от Tencent и использует LoRA-адаптер AnimeShots от trojblue. Модель ориентирована прежде всего на создание аниме-сцен: персонажей, окружений и коротких сюжетных действий. В качестве рабочего окружения предусмотрен ComfyUI с поддержкой GGUF-узлов и соответствующих workflow. В состав входят квантизированная diffusion-модель HunyuanVideo T2V 720p, текстовый энкодер LLaVA-Llama 3 в формате GGUF, CLIP-L FP8, VAE HunyuanVideo FP8 и LoRA-адаптер размером около 323 МБ. Заявлены варианты с разрешением 720p, а метаданные указывают английский язык. Адаптер делает результаты более стабильными, а квантизированные и масштабированные компоненты ускоряют загрузку и снижают требования к хранению по сравнению с полноразмерными версиями, однако для работы всё равно требуется несколько гигабайт дискового пространства и совместимая конфигурация ComfyUI. Лицензия указана как MIT с названием tencent-hunyuan-community.

kyujinpy/KO-stable-diffusion-disney — дообученная модель Stable Diffusion 1.5 для генерации изображений в стиле современной диснеевской анимации. Автор сообщает, что модель обучена на снимках из популярной анимационной студии с помощью DreamBooth в Diffusers, с сохранением prior и дообучением текстового энкодера в течение 9000 шагов; для получения нужного эффекта рекомендуется добавлять в запрос «modern disney style». Примеры показывают генерацию персонажей по текстовым запросам, в том числе на корейском языке. Модель принимает текстовые запросы и выдаёт изображения; в карточке указана работа через StableDiffusionPipeline и форматы Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Результаты зависят от формулировки запроса и настроек генерации; обучение на материалах популярной студии может приводить к сходству с её персонажами и визуальным стилем.

Krealism — дообученная модель Krea 2 Turbo от автора Lonecatone23 для генерации реалистичных изображений по текстовым запросам в ComfyUI. Она ориентирована на фотографии с плёночной эстетикой, естественными цветами и непринуждённой композицией; дополнительные LoRA не требуются. Для V3.1 доступны исходная версия bf16 и варианты с меньшим размером: int8, mxfp8 и w4a8. В README указаны замеры скорости и сходства качества с bf16 на RTX 5090 и ноутбуке с RTX 5060; некоторые варианты требуют актуальной ComfyUI с Comfy Kitchen. В репозитории также сохранены старые версии V1.0 и вариант GGUF Q8_0. Для использования нужны ComfyUI и подходящий файл модели; автор рекомендует шаблон Krea 2 с 10 шагами, CFG 1.0 и Euler. Лицензия — MIT.

Lance-3B-Video-bf16 — порт ByteDance Intelligent Creation Lab модели Lance_3B_Video в формате MLX от mlx-community, подготовленный для Apple Silicon. Это плотная мультимодальная архитектура на базе Qwen2.5-VL; в README указаны около 6,44 млрд параметров языковой модели и 669 млн параметров зрительного энкодера, тогда как метаданные каталога указывают общий размер 3,1 млрд. Контекст — 128 000 токенов по метаданным. Модель предназначена прежде всего для генерации видео по текстовому описанию. README сообщает о приемлемом качестве генерации коротких клипов вплоть до 768×768 и 25 кадров после исправления, с намеренно живописной стилистикой. Для длинных клипов и больших латентных сеток качество деградирует; при этом понимание видео и другие пайплайны в этой сборке не проверены. Она рассчитана на английские и китайские запросы, другие языки находятся вне распределения. Сборка использует bf16 и библиотеку MLX; README описывает запуск на компьютерах Apple Silicon, включая режимы экономии памяти. Это дообученный вариант bytedance-research/Lance и распространяется по лицензии Apache-2.0. Релиз отмечен как alpha, поэтому качество и применимость следует оценивать с учётом указанных ограничений.

MirageML/lowpoly-office — модель Stable Diffusion, дообученная методом DreamBooth разработчиками MirageML на концепции низкополигонального офисного интерьера. Она предназначена для генерации изображений по текстовому описанию; для вызова изученного стиля или объекта в запрос рекомендуется включать фразу «a photo of lowpoly_office». Модель опубликована в формате Diffusers/PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Модель ориентирована на создание изображений офиса в low-poly стиле по англоязычным запросам. Карточка не сообщает размер модели, длину контекста или подробности обучения; её возможности текстом в 3D-сцену README не подтверждает.

Карточка модели MLXBits/ltx-2.3-10eros-v1.3-dmd-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.3-dmd-mlx-q8, поэтому описание составлено по ней. Это 8-битная MLX-версия LTX-2.3 10Eros v1.3 DMD, подготовленная для запуска на компьютерах Apple Silicon. Веса основаны на TenStrip/LTX2.3-10Eros; DMD-дистилляция JoyAI Echo объединена с базовой моделью, а линейные слои трансформера квантованы до int8. Модель принимает текстовые описания и изображения для генерации видео; текстовый энкодер Gemma 3 12B загружается отдельно и не входит в пакет. Модель предназначена для генерации видео по текстовому запросу и изображению с помощью ltx-2-mlx. Это дистиллированная сборка, рассчитанная на режим --distilled; варианты запуска, которым нужен dev-трансформер, здесь недоступны. Модель ориентирована на контент для взрослых. В README указана лицензия «other»; дополнительных условий лицензии в предоставленных данных нет.

BodyPositivity IC-LoRA — адаптер для Lightricks/LTX-2.3, предназначенный для преобразования видео с сохранением сцены и движения, но с более полным телосложением персонажей. Эффект включается триггером «bodypositivity»; при необходимости его можно сочетать с обычным текстовым промптом. Силу адаптера можно регулировать: автор рекомендует начинать со значения 1.0, а значения выше 1.1 могут ухудшать сходство персонажей и смягчать мелкие детали. Модель основана на LTX-2.3 и предназначена для использования в стандартном workflow IC-LoRA для LTX-2.3, например в ComfyUI. Обучающий набор создан автором из синтетических данных и вручную отобран; реальные люди в нём не использовались. Лицензия указана как other, без уточнения условий в предоставленных данных.

joeynyc/Ming-Image-0.1-Design-mflux-q8-te8 — конверсия модели Ming-Image-0.1-Design для запуска через mflux на Apple Silicon. Это модель генерации изображений по текстовому описанию, ориентированная на графический дизайн: плакаты, открытки, пользовательские интерфейсы и изображения с типографикой. Она формирует изображения с альфа-каналом RGBA. Вариант использует 8-битные веса DiT и текстового энкодера, 8-битный Qwen2 connector и bf16 projection heads; репозиторий занимает около 25,2 ГБ. README сообщает, что реализация сверялась поэтапно с официальным PyTorch-пайплайном, а сохранение 8-битной точности DiT выбрано для качества крупной надписи. Для текстового энкодера требуется примерно 18,5 ГБ памяти на этапе кодирования; автор рекомендует Mac с 32 ГБ памяти или больше. Для запуска нужна версия mflux с поддержкой семейства Ming-Image. Модель основана на inclusionAI/Ming-Image-0.1-Design, лицензия — MIT.

MiniMax-H3-Prompt-Rewriter-LoRA-Omni-GGUF — это GGUF-конверсия LoRA-адаптера lightx2v/MiniMax-H3-Prompt-Rewriter-LoRA-Omni, опубликованная pytraveler. Адаптер предназначен для запуска через llama.cpp на квантованной мультимодальной модели Qwen2.5-Omni-7B. Нового обучения в этой версии нет: значения тензоров исходного адаптера сохранены, изменён только формат представления. Модель переписывает исходные запросы для генерации видео и поддерживает сценарии T2AV, I2AV, L2AV, FL2AV и Ref2AV. Она может работать с текстом, изображениями, видеоклипами и звуком, включая анализ референсных материалов и их использование в итоговом описании. Адаптер формирует структурированные описания сцен с композицией, освещением, движением камеры и таймингом. Он изменяет только текстовую часть модели; зрительный и аудиомодули Qwen2.5-Omni не затрагиваются. Доступны варианты F16 размером около 0,65 ГБ и Q8_0 размером около 0,34 ГБ; README рекомендует Q8_0. Для работы требуются совместимые файлы базовой модели Qwen2.5-Omni-7B и мультимодального проектора, причём при контексте 12 тысяч токенов заявлено около 9 ГБ VRAM. Для корректной генерации необходимо применять шаблон чата Qwen2.5-Omni; задачи с референсами запускаются через мультимодальный интерфейс llama.cpp. Лицензия в предоставленных данных не указана.

ModernDisney — модель генерации изображений по текстовому описанию, созданная Yntec смешением Deliberate и Mo-Di-Diffusion. Для получения стилизации под современную анимацию Disney автор рекомендует добавлять в запрос токен «Modern Disney»; без него модель опирается на стиль Deliberate. Примеры охватывают мультяшных персонажей, чиби-иллюстрации и сцены с людьми. Модель основана на Stable Diffusion и распространяется в формате Diffusers с файлами safetensors. В опубликованном варианте VAE kl-f8-anime2 встроен в веса. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит сведения о размере и длине контекста.

Это набор весов LTX 2.5, подготовленный Rootport для инференс-движка engine25 плагина Nz-Videomni в видеоредакторе AviUtl2. Основную часть составляет 22-миллиардный distilled transformer для генерации видео по тексту; README также описывает видео- и аудио-VAE и пространственный апскейлер. Три вспомогательных файла побайтно скопированы из Lightricks/LTX-2.5, а веса трансформера Rootport преобразовал из BF16 в GGUF с преимущественной квантизацией Q4_K. Это конверсия и квантизация готовой модели, а не самостоятельно обученный чекпойнт. Набор предназначен для генерации видео в AviUtl2 через Nz-Videomni. LTX 2.5 поддерживает совместную генерацию видео и аудио; текстовый энкодер Gemma 4 для этого движка размещён отдельно в Rootport/Nz-Gemma4-12B-LTX25 и в состав данного репозитория не входит. Указанные в карточке языки — японский и английский. Веса несовместимы с LTX 2.3 и должны использоваться с соответствующим движком и отдельным текстовым энкодером. Распространяются по LTX-2.x Community License Agreement с ограничениями использования; компаниям с годовой выручкой не менее 10 млн долларов нужна отдельная коммерческая лицензия Lightricks.

pi-r2 — модель обнаружения объектов на газетных страницах времён Первой мировой войны. Разработчик дообучил DETR с backbone ResNet-50, шестью слоями энкодера и декодера и 100 запросами объектов на наборе biglam/loc_beyond_words. Модель выделяет на изображениях фотографии, иллюстрации, карты, комиксы и карикатуры, заголовки и рекламу. Модель предназначена для анализа исторических газетных страниц, в частности сканов коллекции Chronicling America Библиотеки Конгресса США за 1910–1920 годы. Изображения при обработке масштабируются так, чтобы длинная сторона не превышала 1200 пикселей. Репозиторий распространяется по лицензии Apache-2.0. Проверка на 32 изображениях валидационной выборки показала крайне низкие значения mAP, поэтому качество обнаружения по приведённой оценке ограничено. Данные несбалансированы: заголовки и реклама встречаются чаще редких классов; на плотных страницах среди максимум 100 рамок некоторые объекты могут быть пропущены. На современных документах и страницах вне обучающего домена точность может снижаться.

Proteus v0.6 — модель генерации изображений по текстовым запросам, созданная автором репозитория dataautogpt3 как переработка предыдущих версий Proteus. Она дообучена на базе stabilityai/stable-diffusion-xl-base-1.0 и ориентирована на фотореалистичные изображения. Автор описывает метод Multi-Perspective Fusion: несколько LoRA-модулей и полноразмерных чекпойнтов, обученных на одном наборе данных, объединяются в общую систему. Это предварительная версия с фокусом на фотореализм, а не универсальная модель изображений. В README рекомендованы разрешение 1024×1024, CFG Scale 7 и 25–50 шагов генерации; для запуска предлагается библиотека diffusers. Модель не предназначена для иллюстраций и аниме, а автор не заявляет о качестве уровня state of the art. Лицензия в предоставленных данных не указана.

Z-Engineer V4 — модель BennyDaBall, построенная на архитектуре Qwen3 с 4 млрд параметров. Это полноценно дообученная версия текстового энкодера Z-Image-Turbo от Tongyi-MAI, предназначенная для работы с англоязычными запросами в задачах генерации изображений и text-generation. Модель расширяет краткие идеи до подробных промптов для генерации изображений, помогая описывать композицию, сцену, освещение, оптику, глубину резкости, материалы, атмосферу и цветовую схему. Она рассчитана на локальное использование, включая улучшение промптов в LM Studio и Ollama, а также интеграцию с ComfyUI. В качестве энкодера она заявлена как обратно совместимая с рабочими процессами Z-Image-Turbo. Ключевые особенности V4 — полное дообучение всех параметров, обучение на 55 000 примерах, более 7 500 шагов оптимизации и методика SMART Training с дополнительными регуляризаторами для повышения разнообразия, связности и стабильности результатов. Модель ориентирована на точное и выразительное описание визуальных сцен, включая использование терминов, связанных с объективами и схемами освещения. Ограничения модели включают специализацию преимущественно на англоязычных промптах и зависимость качества результата от корректной настройки совместимого локального окружения; конкретные требования к памяти и результаты независимых бенчмарков не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Thinking-abliterated-v1 — мультимодальная модель PrithivMLmods, дообученная на основе Qwen/Qwen3-VL-4B-Thinking. Она принимает изображения вместе с текстовыми запросами и генерирует подробные описания и рассуждения о визуальном содержимом, в том числе о сложных, стилизованных и чувствительных изображениях. Модель поддерживает разные пропорции и разрешения изображений и позволяет получать как краткие сводки, так и детальные описания. Модель предназначена для описания изображений, визуального анализа, творческих сценариев и исследований модерации и безопасности. Она рассчитана прежде всего на английский язык; мультиязычные запросы возможны, но зависят от формулировки запроса. Модель распространяется в формате safetensors и лицензирована по Apache-2.0. Вариант abliterated настроен на обход стандартных фильтров и может выдавать откровенные, чувствительные или оскорбительные описания. Точность может снижаться на незнакомых, синтетических и абстрактных изображениях, а стиль и ход рассуждений зависят от запроса; модель не подходит для систем, которым требуется строгая модерация контента.

SEA-CLIP-Tiny-abl-cg — исследовательская абляционная версия SEA-CLIP-Tiny, опубликованная авторами проекта SEA-CLIP-Tiny для сравнения вариантов обучающей смеси в работе ACCV 2026. Это модель сопоставления изображений и текста на базе CLIP: визуальная башня ViT-T/16 и 12-слойная текстовая башня шириной 384, размерность эмбеддингов 512; всего 46,11 млн параметров. Контекст токенизатора CLIP BPE — 77 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также поддерживает поиск соответствий между изображениями и текстом. Вариант «Only CG» обучен на смеси CG; в таблице результатов его R@1 составляет 46,5 на CG и существенно ниже на остальных указанных источниках и ImageNet. Используется через библиотеку open_clip. Лицензия — MIT. README описывает абляционный чекпойнт, поэтому результаты и область применимости следует считать экспериментальными.

SoteMix V3 — модель генерации изображений по текстовому описанию в семействе Stable Diffusion, опубликованная автором Disty0. Она предназначена для создания иллюстраций в художественном и аниме-стиле; в карточке приведены настройки генерации и рекомендации для высоких разрешений, включая 1024×1536. Модель проверена с SD.Next и бэкендом Diffusers. По описанию автора, это объединение SoteMix V1, Lunar Radiance Light и дообученной LoRA для генерации изображений высокого разрешения. В качестве подсказки для такого режима автор рекомендует слово highres. При разрешениях 1024×1536 и 1920×1080 результаты могут быть нестабильными. Репозиторий содержит варианты Diffusers, ONNX и OpenVINO. Лицензия — CreativeML OpenRAIL-M.

Sulphur 2 distilled fp8 — версия модели генерации видео от автора проекта Sulphur, основанная на LTX 2.3. Она предназначена для создания видео по текстовому описанию; семейство Sulphur также поддерживает генерацию по изображению и тексту. В репозитории указаны веса safetensors и библиотека Diffusers, а суффикс fp8 обозначает вариант с 8-битным представлением весов. Модель подходит для создания видеоклипов по промптам. В README также описан отдельный улучшатель промптов, принимающий текст и изображение, однако его файлы и установка не относятся напрямую к этой версии весов. Для запуска автор рекомендует использовать dev-версии с distill LoRA либо полные модели, не подключая LoRA одновременно с полной моделью. Условия лицензии в доступных материалах не указаны.

These Foolish Things — модель преобразования текста в изображение от Yntec, созданная слиянием RPG Remix и BeautyFoolReality_4. Она предназначена для генерации изображений по текстовым запросам, включая фэнтезийные сцены, персонажей и стилизованные или реалистичные портреты. В карточке показаны примеры запросов для мозаичного искусства, сказочных сюжетов и кинематографичных изображений. Модель основана на Stable Diffusion 1.5 и распространяется в формате Diffusers с весами Safetensors. Автор описывает рецепт слияния весов и встраивания 840KVAE, после чего модель была преобразована в вариант без EMA для использования в Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает длину контекста или список поддерживаемых языков; качество результата зависит от формулировки запроса и настроек генерации.

TrinArt Characters v1 — модель генерации изображений в стиле аниме и манги, разработанная командой AI Novelist/TrinArt компании Bit192. Она основана на Stable Diffusion v1 и обучена примерно на 19,2 млн изображений в стиле аниме и манги, включая аугментированные данные, с дополнительной финальной настройкой примерно на 50 тыс. изображений. Модель рассчитана на создание персонажей и иллюстраций по текстовому описанию, сочетая разнообразие художественных стилей с качеством анатомии. Репозиторий содержит веса в форматах Diffusers и PyTorch; также предоставлялся отдельный файл параметров пользовательского KL-автоэнкодера, который при необходимости подключается отдельно. В README указано, что модель применялась в сервисе TrinArt и прошла проверку на реальных пользовательских запросах. Датасет фильтровали от NSFW- и небезопасного содержимого, однако авторы предупреждают, что провокационными запросами всё же можно добиться нежелательной генерации. Лицензия — CreativeML OpenRAIL-M.