I.8Изображения и компьютерное зрение

Z-Image-Turbo-Realism-LoRA — это лёгкий LoRA-адаптер, разработанный suayptalha для базовой модели Z-Image-Turbo от Tongyi-MAI. Адаптер дообучен на отобранной подвыборке датасета CC12M с реалистичными изображениями и предназначен для генерации высококачественных ультрареалистичных изображений по текстовым описаниям. Модель подходит для создания реалистичных портретов, сцен, предметных и кинематографичных изображений с детализированными текстурами, освещением и атмосферой. Для активации нужного стиля рекомендуется использовать триггерное слово Realism. Это именно адаптер, поэтому его необходимо применять совместно с базовой моделью Z-Image-Turbo; заявлена совместимость с конвейерами Hugging Face diffusers. Архитектура, размер адаптера, поддерживаемые языки, модальности помимо text-to-image и максимальная длина контекста в README не указаны. К сильным сторонам относятся специализация на реалистичной визуальной стилистике, единообразный характер генерации и небольшой объём LoRA-адаптера по сравнению с полной моделью. Ограничение заключается в зависимости от базовой Z-Image-Turbo и необходимости корректно подключать адаптер и использовать триггерное слово. Модель распространяется по лицензии Apache-2.0.

thejagstudio/3d-animation-style-sdxl — стилевой LoRA-адаптер, разработанный автором thejagstudio для генерации изображений на основе Stable Diffusion XL Base 1.0 от Stability AI. Модель предназначена для задач text-to-image и добавляет к базовой модели визуальную стилистику 3D-анимации; по тегам также заявлены направления anime и paper. Адаптер распространяется в формате Safetensors и загружается поверх stabilityai/stable-diffusion-xl-base-1.0 через библиотеку Diffusers. Он может использоваться для создания иллюстраций и концепт-артов с выраженным стилизованным 3D-анимационным видом. Данные о размере адаптера, поддерживаемых языках, длине контекста, рекомендуемых весах и точных ограничениях по качеству в README не указаны. Для работы требуется совместимая базовая модель SDXL и программный стек Diffusers; итоговый результат зависит от исходной модели и текстового запроса. Лицензия обозначена как bespoke-lora-trained-license, с отдельными условиями по указанию авторства, коммерческому использованию, производным работам и возможности применения другой лицензии. Полные условия приведены по ссылке, указанной в карточке модели.

AAM XL AnimeMixTurbo — модель генерации изображений на основе Stable Diffusion XL, дообученная Lykon на базе stabilityai/stable-diffusion-xl-base-1.0. Она предназначена для создания изображений в аниме-стиле по текстовым запросам и доступна для запуска через Diffusers в формате safetensors. Модель принимает текстовые описания на английском языке и выдаёт изображения. Модель ориентирована на генерацию художественных и аниме-изображений. Она распространяется по лицензии Fair AI Public License 1.0-SD. Подробные сведения о размере модели, контексте и специфических ограничениях качества в карточке не приведены.

AnimeGen I2V — модель генерации видео по исходному изображению, разработанная AIdeaLab, Inc. на базе Wan 2.2 I2V A14B и дообученная для японского аниме-стиля. Это Diffusion Transformer с обучением по Flow Matching, совместимый с Diffusers. Для подсказок рекомендуется английский язык; лицензия — Apache-2.0. Модель предназначена для создания коротких аниме-видео и визуальной разработки анимации: предварительной визуализации сцен, раскадровок, движений персонажей и исследования композиции. Для локального запуска рекомендуется высокопроизводительная видеокарта NVIDIA RTX 4090 или мощнее. Модель лучше подходит для аниме-стиля, чем для реалистичного видео. Возможны мерцание и дрейф персонажей между кадрами, нестабильность сложных движений, ошибки в мелких деталях и трудности с продолжительными сценами и физическими взаимодействиями. В README также отмечены ограничения для NSFW-генерации и необходимость проверять результаты перед публикацией.

AnimeGen T2V — модель генерации видео по текстовому описанию, разработанная AIdeaLab, Inc. при поддержке японского проекта GENIAC. Она дообучена на базе Wan-AI/Wan2.2-T2V-A14B и использует архитектуру Diffusion Transformer с целью Flow Matching; модель рассчитана на работу через Diffusers. Модель предназначена для создания коротких видео в стиле японского аниме: визуального прототипирования, раскадровок, предварительной визуализации анимации и изучения движения персонажей, композиции и атмосферы. Для запросов рекомендуется английский язык. Лицензия Apache-2.0. Модель оптимизирована для аниме-графики, а не для фотореалистичного видео. Возможны мерцание и дрейф внешности между кадрами, ошибки в деталях персонажей, нестабильность сложных движений и физического взаимодействия, а также снижение качества вне аниме-стиля. Для локального запуска рекомендуется мощная видеокарта NVIDIA, например RTX 4090 или выше; результаты следует проверять перед публикацией или коммерческим использованием.

AniPlus v1 — модель генерации изображений в стиле аниме на основе Stable Diffusion 1.5, Waifu Diffusion 1.3, TrinArt Characters v1 и нескольких моделей DreamBooth. Репозиторий использует форматы Diffusers и PyTorch, а лицензия модели — CreativeML OpenRAIL-M. Модель предназначена для создания изображений по текстовым запросам, в том числе в аниме и полу-реалистичных стилях, с разнообразными позами персонажей. В карточке приведён пример работы через AUTOMATIC1111 Stable Diffusion Web UI с изображением 512×512; отдельного VAE AniPlus нет, автор рекомендует для хороших результатов VAE от TrinArt Characters.

AOT Inpainting for Manga — разработанная авторами проекта manga-image-translator и опубликованная mayocream конверсия генератора AOT для восстановления изображений. Модель принимает RGB-изображение с бинарной маской из четырёх каналов и восстанавливает замаскированные области, прежде всего участки, оставшиеся после удаления текста из манги и комиксов. Архитектура AOTGenerator включает 32 базовых канала, 10 AOT-блоков и коэффициенты дилатации 2, 4, 8 и 16; выход — изображение RGB. Веса представлены в формате SafeTensors, совместимом с Candle. Модель предназначена для локального заполнения масок в иллюстрированных изображениях, например при очистке страниц комиксов перед переводом или редактированием. Она не рассчитана на универсальное восстановление фотографий. Для больших изображений может понадобиться уменьшение размера или обработка фрагментами; конфигурация задаёт максимальную сторону 1024 пикселя. Метрики оценки и артефакты обучающего набора не включены. Лицензия — MIT.

AstolfoMix — серия слитых моделей Stable Diffusion от автора 6DammK9 для генерации изображений по текстовым описаниям, в том числе изображений в аниме-стиле. README описывает варианты Baseline, Extended, Reinforced и 21b: они объединяют веса нескольких моделей, а версия 21b создана слиянием Extended и Reinforced. В метаданных указаны pipeline text-to-image, библиотека Diffusers и форматы PyTorch и safetensors. Автор ориентирует модель на генерацию изображений высокого разрешения и совместимость с LoRA, embedding и другими дополнениями. Для Baseline указано нативное разрешение 1024×1024 и рекомендованные настройки CFG; отдельные конфигурации способны работать с разрешением до 1280×1280, но генерация может быть медленной и давать мало удачных результатов. Для вариантов и настроек могут потребоваться эксперименты. Модель распространяется по лицензии CreativeML OpenRAIL-M. README описывает работу с SD 1.4 и рецепты слияния, но не позволяет однозначно установить конкретную базовую модель для репозитория целиком.

CuriousMerge2.5D_v5 — модель генерации изображений по текстовому описанию в стиле 2.5D. Автор карточки описывает её визуальный результат как красивый и придающий персонажам выразительность; в README также приведён пример изображения, созданный автором. Модель представлена в формате Diffusers с весами PyTorch и safetensors и предназначена для создания изображений по текстовым запросам. Карточка не сообщает базовую модель, размер, поддерживаемые языки или конкретные настройки генерации. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория. Описание качества носит субъективный характер.

CyberRealistic Flux — модель генерации изображений по текстовому описанию на основе FLUX.1 dev. Она предназначена для создания реалистичных изображений, включая контент для взрослой аудитории. В карточке указаны форматы Diffusers и safetensors и лицензия CreativeML OpenRAIL-M. Автор описывает модель как раннюю версию: результаты ещё не идеальны, а модель служит основой для дальнейшего развития. Данных о размере, длине контекста и поддерживаемых языках нет.

liamhvn/disney-pixar-cartoon-b — модель генерации изображений по текстовому описанию, опубликованная через Stable Diffusion API. Карточка содержит пример вызова API для модели с идентификатором disney-pixar-cartoon и указывает на генерацию изображений размером 512 × 512 пикселей; в примере используются 30 шагов вывода и guidance scale 7.5. Модель предназначена для создания изображений по текстовым запросам, в том числе стилизованных под мультфильмы Disney и Pixar. Пример запроса включает портрет персонажа с киберпанк-эстетикой и кинематографическим освещением, однако сам пример не подтверждает специализацию на этом жанре или гарантированное качество результата. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M.

Diving Illustrious Flat Anime Paradigm Shift v40 VAE SDXL — модель преобразования текста в изображение, созданная пользователем DivingSuit. Она основана на OnomaAIResearch/Illustrious-xl-early-release-v0 и предназначена для генерации изображений по текстовым описаниям с использованием Stable Diffusion XL и библиотеки Diffusers. Модель ориентирована на аниме-стилистику с плоской заливкой, при этом поддерживает элементы реалистичной визуальной подачи. Её можно применять для создания персонажей, иллюстраций, концепт-артов и других изображений по англоязычным промптам. В метаданных указана реализация через StableDiffusionXLPipeline и формат safetensors. Модель распространяется по лицензии FAIR AI Public License 1.0 for Stable Diffusion (FAIPL-1.0-SD); перед использованием необходимо учитывать условия этой лицензии и ограничения базовой модели.

Модель dchen0/font-classifier-v3 — дообученный классификатор изображений на основе визуального трансформера DINOv2-base. Разработчик дообучил checkpoint facebook/dinov2-base-imagenet1k-1-layer с LoRA-весами на наборе изображений шрифтов dchen0/font_crops_v3 для распознавания шрифта по изображению его фрагмента. Модель предназначена для классификации изображений со шрифтами и может использоваться, например, для определения гарнитуры по обрезанному фрагменту текста. Веса опубликованы в формате safetensors и содержат 113,2 млн параметров. На оценочной выборке указана точность 0,5903 и loss 1,3447. Лицензия — Apache-2.0. Результаты оценки указывают на ограниченную точность; качество распознавания может зависеть от состава шрифтов и изображений в конкретной задаче.

microsoft/git-large-msrvtt-qa — крупная версия модели GIT (Generative Image-to-Text), разработанная Microsoft и дообученная на наборе MSRVTT-QA для ответов на вопросы о видео. Это плотный Transformer-декодер GitForCausalLM, который принимает визуальные токены изображения вместе с текстовыми токенами и генерирует ответ по одному токену; в метаданных указано 80,1 млн параметров и контекст длиной 1024 токена. Модель предназначена прежде всего для визуальных вопросов и ответов по видео; семейство GIT также поддерживает описания изображений и видео и генерацию текстовых меток классов. Основной язык карточки — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. В README отмечено, что модельная карточка подготовлена Hugging Face, а за деталями обучения и оценками предлагается обращаться к статье и исходному репозиторию.

Insane Isometric — модель преобразования текста в изображение на базе Stable Diffusion, дообученная Duskfallcrew методом DreamBooth с помощью ноутбука fast-DreamBooth от TheLastBen. Она предназначена прежде всего для создания изометрических сцен и пейзажей по текстовым запросам, но может генерировать и другие изображения. Модель понимает теги Danbooru; чтобы чаще получать изображения без людей, в запрос можно включать «isometric» или «non humans». В метаданных указаны библиотека Diffusers и форматы PyTorch и Safetensors. Модель рассчитана на генерацию изображений по тексту и, судя по карточке, лучше всего подходит для стилизованных изометрических композиций и ландшафтов. В тегах также указаны anime и английский язык. Лицензия — CreativeML OpenRAIL-M. Автор просит не перезагружать модель в другие репозитории; это условие карточки модели, а не описание технических возможностей лицензии.

Модель city96/llava-llama-3-8b-v1_1-imat-gguf представляет собой GGUF-конверсию с imatrix базовой модели xtuner/llava-llama-3-8b-v1_1-transformers. Её подготовил пользователь city96. Основное назначение модели — использование в качестве текстового энкодера для Hunyuan Video; также возможна работа с задачами компьютерного зрения при подключении совместимого файла mmproj из GGUF-репозитория xtuner. Модель относится к семейству LLaVA на базе Llama 3 с размером 8B и поддерживает сценарий image-text-to-text при использовании соответствующего мультимодального проектора. Доступна в формате GGUF с imatrix-квантизацией. Для калибровки использован набор calibration_datav3.txt; заявлено, что варианты с imatrix превосходят проверки на wikitext и без imatrix для квантов ниже Q6_K. В README также отмечено различие vocab_size между версиями Transformers и HF; использована конфигурация Transformers, применявшаяся в официальном коде Hunyuan Video. Ограничения модели включают необходимость совместимого mmproj-файла для полноценных vision-задач и низкую скорость IQ-квантов в ComfyUI из-за использования резервной реализации на numpy. Сведения о лицензии, поддерживаемых языках, размере контекста и точной архитектуре в README не указаны.

Это квантованный вариант LTX-2.3 10Eros v1.3, подготовленный MLXBits для запуска на Apple Silicon. Модель предназначена для генерации видео по текстовому описанию, а также заявлена в метаданных как модель для генерации видео по изображению и тексту. Веса основаны на TenStrip/LTX2.3-10Eros и включают слитую дистилляцию JoyAI Echo DMD; трансформер квантован до int4, тогда как часть компонентов сохранена в bf16. Текстовый энкодер Gemma 3 12B в пакет не включён и загружается отдельно. Пакет содержит только дистиллированный трансформер и рассчитан на запуск через ltx-2-mlx с режимом --distilled. Двухэтапный путь с dev-трансформером и режим one-stage-dev недоступны. Квантование уменьшает размер трансформера примерно до 11,6 ГБ, но может снизить детализацию и точность следования запросу по сравнению с int8. Модель предназначена для взрослого контента; лицензия указана как other.

Карточка модели reallusion4free/ltx-2.3-10eros-v1.3-dmd-mlx-q4 на Hugging Face совпадает с карточкой MLXBits/ltx-2.3-10eros-v1.3-dmd-mlx-q4, поэтому описание составлено по ней. Это квантованный вариант LTX-2.3 10Eros v1.3, подготовленный MLXBits для запуска на Apple Silicon. Модель предназначена для генерации видео по текстовому описанию, а также заявлена в метаданных как модель для генерации видео по изображению и тексту. Веса основаны на TenStrip/LTX2.3-10Eros и включают слитую дистилляцию JoyAI Echo DMD; трансформер квантован до int4, тогда как часть компонентов сохранена в bf16. Текстовый энкодер Gemma 3 12B в пакет не включён и загружается отдельно. Пакет содержит только дистиллированный трансформер и рассчитан на запуск через ltx-2-mlx с режимом --distilled. Двухэтапный путь с dev-трансформером и режим one-stage-dev недоступны. Квантование уменьшает размер трансформера примерно до 11,6 ГБ, но может снизить детализацию и точность следования запросу по сравнению с int8. Модель предназначена для взрослого контента; лицензия указана как other.

LTX Video-2.5 Uncensored Turbo v1.1 FP8 — GGUF-квантизированная модель для генерации видео, опубликованная ChrisColeTech на основе Lightricks/LTX-2.5 и производных TenStrip. Она предназначена для преобразования текста в видео, изображения в видео, видео в видео, аудио в видео, а также сценариев с речью и звуками. Модель ориентирована на высокую скорость генерации и допускает работу в режиме от 4 шагов, при этом 8 шагов рекомендуются для лучшего качества. В веса объединены Eros10 NSFW LoRA, DMD Distilled LoRA, официальный LTX Video IC-LoRA, его Detailer-вариант и Img2Vid LoRA. Заявлены улучшенная связность сцен, сохранение лиц, следование инструкциям, соответствие референсному изображению и поддержка многокадровых сцен. Для IC-LoRA можно использовать шаблон с тегами [VISUAL], [SPEECH] и [SOUNDS]. Текстовый энкодер Gemma4 12B с интегрированными проекциями LTX указан как встроенный и работающий в режиме int8; основной формат сборки — FP8 scaled. Модель подходит для экспериментального и творческого создания видеоконтента, включая NSFW-сценарии, но README не содержит точных сведений о разрешении, максимальной длине контекста или поддерживаемых языках. Ограничения могут включать зависимость качества от числа шагов, промпта и режима генерации. Лицензия указана как unknown, поэтому условия использования необходимо уточнить отдельно.

Neta-Lumina v1.0 — основанная на Lumina2 модель генерации изображений в аниме-стиле. Она использует конвейер Lumina2Pipeline и планировщик FlowMatchEulerDiscreteScheduler; в карточке указаны формат bfloat16 и целевое разрешение 1024×1024. Модель принимает текстовые описания и создаёт изображения, в том числе для генерации иллюстраций в аниме-стиле. Для запуска поддерживаются Diffusers и формат весов safetensors. Авторы отмечают, что качество генерации сэмплера Lumina2 в Diffusers уступает ComfyUI и рекомендуют ComfyUI для лучшего результата. Базовая модель — Lumina-Image-2.0; отдельная лицензия в доступных данных не указана.

QuinceMix — модель генерации изображений по текстовому описанию, созданная Hemlok как смесь моделей на базе Defacta. Она предназначена для художественных иллюстраций; автор отмечает сильные стороны в создании фонов и визуальных эффектов. В README рекомендуются сэмплеры DDIM или DPM++ SDE Karras, не менее 20 шагов, Clip Skip 2 и CFG Scale 5–8; VAE не обязателен, также предлагается использовать EasyNegative. Модель работает в формате Diffusers и доступна в форматах PyTorch и safetensors. Карточка указывает японский язык. Лицензия CreativeML OpenRAIL-M разрешает использование и распространение весов, в том числе коммерческое, при соблюдении её ограничений и передаче условий пользователям. Автор не рекомендует создавать и публиковать NSFW-контент в общественных местах; качество и безопасность результатов не гарантируются.

Redshift-WD12-SD14-NAI-FMD Checkpoint Merger — модель генерации изображений по текстовому описанию на базе Stable Diffusion. Автор объединил Redshift Diffusion, Waifu Diffusion 1.2, Stable Diffusion 1.4, Novel AI, Yiffy и Zack3D_Kinky-v1, чтобы создавать изображения в разнообразных стилях и с разными сюжетами. Модель предназначена для генерации людей, фурри, пейзажей, фонов, зданий, а также изображений в стилях Disney и живописной иллюстрации. Для усиления стиля Redshift можно добавить в запрос «redshift style» с весом примерно от 1.06 до 1.3; для фурри автор рекомендует слова «furry», «anthro», «Zootopia» или «anthropomorphic». Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CC0 1.0. Модель объединяет несколько чекпойнтов, поэтому результаты могут зависеть от формулировки запроса и выбранных стилевых подсказок. README не приводит сведений о размере модели, длине контекста или поддерживаемых языках; для генерации важны текстовые описания, а результатом служат изображения.

Sink Or Swim — слитая модель на основе Kitsch-In-Sync v2 и Generate Me!, созданная автором Yntec с помощью SuperMerger. Она предназначена для генерации изображений по текстовым промптам и ориентирована на стилизованные иллюстрации, дизайн персонажей, мультяшные и CGI-образы. Примеры в карточке показывают сказочные сцены, милых персонажей и иллюстрации с предметами и животными. Модель использует Stable Diffusion через библиотеку Diffusers; веса доступны в формате Safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает подробностей о размере модели, контексте или поддерживаемых языках.

Yuzu — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная пользователем Yntec. Веса представлены в формате Diffusers и Safetensors; в модель встроен VAE MoistMixV2. Модель предназначена для создания иллюстраций по промптам. В карточке приведён пример запроса для реалистичной живописной chibi-сцены с видеоиграми, растениями и классическими мотивами. Теги модели указывают на аниме и полуреалистичный стиль. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не содержит сведений о размере модели и контексте; эти характеристики для генерации изображений не приводятся.

Anima Base v1.0 — модель генерации изображений по текстовому описанию, разработанная в сотрудничестве CircleStone Labs и Comfy Org. Она создана на базе oron1208/OOO_Anima и предназначена прежде всего для создания аниме-иллюстраций, персонажей и художественных стилей, а также другого не photorealistic-контента. Модель не ориентирована на реалистичные изображения. Модель содержит около 2 миллиардов параметров и обучена на нескольких миллионах аниме-изображений и примерно 800 тысячах других художественных изображений; синтетические данные не использовались. Она поддерживает работу с тегами в стиле Danbooru, естественными англоязычными описаниями и их сочетаниями. Рекомендуемый диапазон разрешений — от 512×512 до 1536×1536 пикселей, типичные параметры генерации — 30–50 шагов и CFG 4–6. Модель нативно поддерживается ComfyUI и требует отдельные text encoder Qwen 3 0.6B и VAE Qwen-Image. Сильные стороны модели — гибкость, разнообразие результатов и хорошее следование художественному стилю; она особенно подходит для аниме-арта, концепт-иллюстраций и стилизованных персонажей. Ограничением является слабая пригодность для фотореализма, а качество зависит от корректного составления промптов, включая использование англоязычных тегов и подходящих параметров генерации. Данные аниме-обучения имеют дату отсечения сентябрь 2025 года. Модель распространяется по лицензии CDLA-Permissive-2.0.

Anime-Pencil-Diffusion — модель генерации изображений, созданная Yehia Serag на основе Stable Diffusion 1.5 и дообученная методом DreamBooth. Она предназначена для создания иллюстраций в стиле аниме-карандашных концепт-рисунков. Чтобы вызвать стиль, автор рекомендует добавлять в запрос фразу «animepencilconcept style» или «anime pencil concept style»; в README описаны версии от V1 до V5, обученные на наборах от 16 до 5000 изображений. Модель принимает текстовые запросы и генерирует изображения. В карточке указана поддержка английского языка; модель распространяется в форматах Diffusers, PyTorch и Safetensors. Для использования действует лицензия CreativeML Open RAIL-M, принятие которой автор связывает с использованием модели.

Anole‑Zebra‑CoT — мультимодальная модель зрения и языка на 6,7 млрд параметров, разработанная на основе GAIR/Anole-7b и дообученная командой Multimodal Reasoning Lab на наборе Zebra‑CoT. Модель предназначена для визуальных задач рассуждения: она принимает изображения и текст и генерирует чередующиеся текстовые и графические фрагменты рассуждений. Обучающие данные включают 182 384 примера по 18 подзадачам в областях 2D- и 3D-визуальных задач, научного рассуждения и визуальной логики и игр. В README сообщается об улучшении точности на тесте, соответствующем обучающим данным, с 4,2% до 16,9%, а также о более высоких результатах на MathVision, MathVista и VisuLogic по сравнению с Anole с CoT-промптингом. Архитектура — плотная Chameleon; формат весов — safetensors, длина контекста — 4096 токенов. Модель распространяется по лицензии Apache-2.0.

Anything V4 — модель семейства Stable Diffusion, разработанная Yntec для генерации изображений 768×768 по текстовым запросам. Она предназначена прежде всего для создания изображений в аниме-стилистике; в карточке приведён пример запроса с персонажем и художественными деталями. В модель встроен VAE MoistMix V2, а файлы доступны в форматах Diffusers и safetensors. Модель дообучена на Yntec/AnythingV3. Метаданные указывают английский язык и лицензию CreativeML OpenRAIL-M. Карточка не сообщает подробностей о составе обучающих данных или оценках качества.

BLIP-2 OPT-6.7B COCO — модель Salesforce для генерации текста по изображению и необязательному текстовому запросу; карточку модели подготовила команда Hugging Face. Архитектура объединяет визуальный энкодер типа CLIP, Querying Transformer (Q-Former) и языковую модель OPT с 6,7 млрд параметров. Энкодер изображений и OPT используют предобученные замороженные веса, а Q-Former связывает представления изображения с языковой моделью. Модель дообучена на COCO. Подходит для создания подписей к изображениям, ответов на вопросы о содержимом изображения и диалоговой генерации с изображением и историей разговора в запросе. Принимает изображения и текст, генерирует текст; в метаданных указан английский язык. Модель может наследовать смещения и проблемы качества OPT и интернет-данных для пар изображение–текст, включая галлюцинации и генерацию неуместного содержания. Она не оценивалась в реальных приложениях; перед применением следует проверять точность, безопасность и справедливость. Лицензия — MIT; карточка указывает исследовательское назначение и не рекомендует прямое развёртывание без оценки рисков.

Jak’s Clayitization Image Pack — дообученная модель на базе Stable Diffusion 1.5 для генерации изображений с видом лепных глиняных фигур и сцен. Её создал Jak; для обучения использовали 100 изображений размером 768 пикселей, 8000 шагов обучения и 500 шагов обучения текстового энкодера. Модель предназначена для преобразования текстовых запросов в изображения. Для вызова характерного стиля README рекомендует начинать запрос с «clayitization», после чего указать объект или сцену. Для портретов предлагается квадратный формат, для диорам — прямоугольный; разрешение 768 пикселей или выше рекомендуется для лучших результатов. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Это стилизованный генератор изображений; качество зависит от запроса, и карточка не приводит результатов систематической оценки или других ограничений.