I.8Изображения и компьютерное зрение

KrorngAI/deepseek_ocr_Khmer_finetuned — дообученная Kimang18 модель DeepSeek-OCR для распознавания кхмерского текста на изображениях текстовых областей. Она основана на DeepSeek-OCR, использует архитектуру DeepseekOCRForCausalLM и обучалась с LoRA на данных WildKhmerST; для обработки изображений указаны размер 512 × 512 и отключённый режим обрезки. Модель содержит 559,7 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для OCR и бенчмаркинга распознавания кхмерского письма, в том числе на искажённых текстовых изображениях из набора WildKhmerST-Warped. Автор сообщает об улучшении распознавания кхмерского текста после дообучения, однако качество пока ограничено: на тестовом наборе CER составил 237% с учётом случаев галлюцинаций; без них — 67,66%. В проблемных случаях модель может пропускать изображение и повторять один и тот же текстовый токен до достижения лимита генерации. README не содержит готового примера использования.

TencentARC DSR Suite — дообученная мультимодальная модель для динамического пространственного рассуждения по видео, представленная в работе Learning to Reason in 4D. Она анализирует, как геометрия объектов и пространственные отношения меняются со временем, и отвечает на вопросы о содержимом видео. Модель основана на Qwen2.5-VL-7B-Instruct, имеет 7,1 млрд параметров и контекст длиной до 128 000 токенов; поддерживает обработку видео и текстовые ответы. Для обучения использованы набор DSR-Train из 50 000 вопросов и ответов и модуль Geometry Selection Module, который добавляет геометрические априорные данные от 3D-моделей. Для оценки разработчики представили бенчмарк DSR-Bench из 1 484 вопросов. Модель рассчитана на анализ пространственной динамики в видео и может использоваться в исследовательских и прикладных сценариях визуального понимания. Лицензия — Apache-2.0.

DucHaiten Golden Life — модель генерации изображений по текстовому описанию, опубликованная под именем Yntec. Карточка показывает пример запроса с персонажем в юмористической журнальной иллюстрации, деталями в духе работ Альфонса Мухи и фантастическими мотивами. Модель предназначена для создания стилизованных изображений, в том числе персонажей и иллюстраций с аниме-, 3D- и Pixar-подобной эстетикой, указанной в метаданных. Она распространяется в формате Diffusers с весами PyTorch SafeTensors и лицензией CreativeML OpenRAIL-M. Сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

Eggnog-Milkshake — созданная EarthnDusk модель Stable Diffusion для генерации изображений по текстовому описанию. В карточке она названа дочерней моделью Neneko Splat; репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors. Модель предназначена для создания изображений в аниме- и художественной стилистике. В карточке указано использование датасетов EasyNegative и DuskfallCrewArtStyle_Lora, но подробностей об обучении, размере модели и длине контекста нет. Метаданные указывают английский язык; лицензия — CreativeML OpenRAIL-M. Автор просит запрашивать разрешение и указывать авторство при использовании модели на сайтах генерации.

EvtV4-preview — экспериментальная модель генерации изображений в стиле аниме, созданная автором haor как дообучение Stable Diffusion на крупном наборе изображений. Для обучения использовано около 550 тысяч изображений в стиле аниме, модель обучалась 10 эпох при разрешении 512 пикселей на базе ACertainty. Автор сообщает о cosine similarity 85% с ACertainty и предупреждает, что модель может вести себя иначе, чем другие модели. Модель предназначена для создания изображений по текстовым запросам и используется через StableDiffusionPipeline из библиотеки Diffusers. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; автор также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX. Карточка указывает английский язык. Лицензия — CreativeML OpenRAIL-M.

Flux-Super-Realism-LoRA — адаптер LoRA для модели black-forest-labs/FLUX.1-dev, предназначенный для генерации фотореалистичных изображений высокого разрешения. В README разработчик или организация явно не указаны; модель связана с репозиторием Stranger-Zone и идентификатором автора strangerzonehf. Адаптер ориентирован на портреты, лица, реалистичные сцены и изображения в стиле ultra-realism. Указан триггерный промпт «Super Realism». Обучение выполнено на 55 изображениях высокого разрешения с английской разметкой, рекомендуемые размеры — 1024×1024 и 768×1024. Технические параметры включают Network Dim 64, Network Alpha 32, 20 эпох и 4380 шагов. Модель работает с текстовыми промптами и генерирует изображения; сведения о поддерживаемых языках, максимальном контексте и точных требованиях к ресурсам не указаны. Сильная сторона адаптера — специализация на реалистичности, детализации и качестве лиц по сравнению с базовой моделью и предыдущими версиями. Ограничения README не описывает; качество может зависеть от базовой FLUX.1-dev, промпта и параметров генерации. Лицензия — MIT.

Ghibli Diffusion — модель генерации изображений на основе Stable Diffusion, дообученная nitrosocke на изображениях из современных полнометражных аниме Studio Ghibli. Для получения характерного эффекта в запрос рекомендуется добавлять токен «ghibli style». Модель создаёт изображения по текстовому описанию; в карточке также приведены примеры пейзажей, автомобилей и персонажей. Модель обучена методом DreamBooth с сохранением prior-preservation loss и дообучением текстового энкодера в течение 15 000 шагов. Она предназначена для создания иллюстраций в стилистике Ghibli, например фантастических персонажей, транспорта и пейзажей. Доступна в форматах Diffusers, PyTorch и Safetensors; лицензия — CreativeML OpenRAIL-M.

Inkpunk Diffusion — дообученная методом DreamBooth модель Stable Diffusion от Envvi для генерации изображений по текстовым запросам. Она создаёт иллюстрации в стилистике, вдохновлённой Gorillaz, FLCL и работами Ёдзи Синкавы; для активации характерного стиля в запросе рекомендуется использовать токен nvinkpunk. Модель рассчитана на англоязычные подсказки и работает через StableDiffusionPipeline в Diffusers. Модель предназначена для создания стилизованных изображений по тексту. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML Open RAIL-M; условия лицензии следует учитывать при использовании и распространении созданных материалов.

Onely7/llava-1.5-llm-jp-3.1-1.8b-instruct4 — японская визуально-языковая модель на архитектуре LLaVA 1.5, предназначенная для ответов на инструкции и вопросы по изображениям. Она принимает изображение и запрос на японском языке и формирует ответ на японском. Общий размер модели составляет около 2,18 млрд параметров: визуальный энкодер openai/clip-vit-large-patch14-336 связан с языковой моделью llm-jp/llm-jp-3.1-1.8b-instruct4 через двухслойный MLP-адаптер. Модель собрана из этих компонентов и обучена в два этапа: сначала на подписях к изображениям настраивался адаптер, затем на японских инструкциях обучались адаптер и LLM при замороженном визуальном энкодере. Модель подходит для визуальных вопросов и ответов, описания изображений и визуальных рассуждений. В карточке указаны контексты обучения до 2048 токенов на первом этапе и до 4096 на втором; это не гарантирует максимальную длину контекста при использовании. Разработчик подготовил модель для книги о мультимодальных моделях и ориентирует её на исследования и проверку. Лицензия — CC BY-NC-SA 4.0; для входящих в состав весов и данных также действуют условия их первоначальных лицензий.

LLaVA-UHD v2 Vicuna 7B — мультимодальная модель для диалога по изображениям, разработанная на основе Vicuna 7B и визуального энкодера CLIP. Архитектура LLaVA с иерархическим оконным трансформером строит и объединяет пирамиду визуальных признаков, чтобы обрабатывать изображения с разной детализацией, включая изображения высокого разрешения. В репозитории около 6,6 млрд параметров; модель использует Transformers и формат safetensors, а длина контекста составляет 4096 токенов. Модель предназначена для исследовательской работы и экспериментов с мультимодальными моделями и чат-ботами. Она принимает изображения и текстовые запросы и генерирует текстовые ответы: например, описывает содержимое изображения, отвечает на вопросы о нём и поддерживает визуальный диалог. Обучение включало данные MS-COCO, LLaVA-Pretrain и смешанный набор для дообучения. Поддерживаемые языки в карточке явно не перечислены. Базовые компоненты объединены в модель; указанные в метаданных базовые репозитории — lmsys/vicuna-7b-v1.5 и openai/clip-vit-large-patch14-336. Лицензия в предоставленных данных не указана.

Loc3R-VLM — видеоязыковая модель для локализации по текстовому описанию и пространственных рассуждений о 3D-сценах в видео. Модель разработана Кевином Ку и соавторами из Microsoft Spatial AI Lab, ETH Zurich и EPFL; опубликованный чекпойнт основан на LLaVA-Video-7B-Qwen2 и содержит 7,1 млрд параметров. Архитектура — плотная LlavaQwenForCausalLM, контекст — до 32 768 токенов. Модель строит внутреннюю карту окружения и учитывает положение и ориентацию наблюдателя. Она предназначена для поиска описанных на естественном языке объектов или мест в видео и для ответов на вопросы о пространственных отношениях с учётом точки обзора. Метаданные указывают задачи video-text-to-text и text-generation; модель поддерживает чат. Модель принимает видео и текстовые запросы и выдаёт текст. Карточка не описывает поддерживаемые языки, поэтому языковая поддержка не уточняется. Модель распространяется по лицензии Apache-2.0. Численные оценки качества и подробные сведения об ограничениях в предоставленной карточке отсутствуют.

digiplay/majicMIXfantasy_v2 — модель Stable Diffusion для генерации изображений по текстовому описанию. В карточке указана библиотека Diffusers; файлы представлены в форматах PyTorch и safetensors. Модель предназначена для создания фэнтезийных изображений по текстовым запросам. README содержит только подпись к демонстрационному изображению, поэтому подробности об архитектуре, размере, языках, контексте и рекомендуемых сценариях использования установить нельзя. Лицензия обозначена как other, без дополнительных условий в доступных данных.

digiplay/MeinaPastel_v3 — модель генерации изображений в пастельном аниме-стиле по текстовым запросам. Карточка описывает её как ориентированную на яркие, сияющие цвета; модель распространяется в форматах Diffusers и PyTorch с весами Safetensors. Модель предназначена для создания иллюстраций в аниме-стиле по текстовому описанию. Сведения о размере, архитектуре сверх принадлежности к семейству Stable Diffusion, контексте и поддерживаемых языках в карточке отсутствуют. Указана лицензия other, поэтому условия использования следует проверять в файлах репозитория.

John6666/mikomic-anime-v10-superdetailed-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Это дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 на базе Stable Diffusion XL, предназначенная прежде всего для создания детализированных аниме-иллюстраций. Репозиторий содержит компоненты Diffusers и веса Safetensors; для запуска используется StableDiffusionXLPipeline. Модель принимает текстовый промпт и генерирует изображение. Метки карточки указывают на тематику аниме, персонажей, освещение, фоны и детализацию. Карточка помечена английским языком, но это само по себе не подтверждает, что модель ограничена только английскими промптами. Модель опубликована по лицензии faipl-1.0-sd; применимость лицензии следует оценивать с учётом её условий.

mo-di-bear-guitar — дообученная модель на основе nitrosocke/mo-di-diffusion, подготовленная авторами Tune-A-Video-library для генерации видео по текстовому запросу. Обучающий запрос описывает медведя, играющего на гитаре; примеры показывают персонажей в современном диснеевском анимационном стиле. Модель предназначена для создания коротких стилизованных видео по текстовым описаниям, в частности сцен с персонажем, играющим на гитаре. Репозиторий содержит веса в форматах Diffusers и PyTorch и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M.

NewMoon — модель генерации изображений по текстовому описанию, представленная автором mirav. Автор описывает NewMoon как вариант с мягкими и яркими цветами; в репозитории также указаны альтернативные варианты ChamomileTea с более тёмной и мрачной палитрой, TestMoon в милом стиле с некоторыми недостатками и NewMoonTest2A с мягкой, плоской и милой стилистикой. Модель предназначена для создания стилизованных изображений по текстовым запросам. Репозиторий содержит файлы в формате Diffusers и Safetensors. README также включает пример промпта для AnimateDiff и извлечённый CLIP для продвинутого слияния моделей. В метаданных указан английский язык и лицензия CC; конкретные условия лицензии в доступных данных не раскрыты.

NyteTydeNoobAIXLvpred1.0EqB7-1024-with-protectedtags-withoutfaces — дообученная модель StarkEater для генерации изображений по текстовому описанию. Она основана на StarkEater/NoobAIXLvpred10EQB7 и предназначена для создания изображений без необходимости использовать специальные триггерные слова. Модель обучалась на разрешении 1024 пикселя. Некоторые теги в обучении сохранялись, но перемешивались; в наборе данных не было папки с кадрированными лицами. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

calcuis/pony — модель для генерации изображений по текстовому описанию, предназначенная прежде всего для аниме и других стилизованных изображений. Разработчик и происхождение исходных моделей в README не указаны; автор отмечает, что часть оригинальных файлов предоставлена сторонними участниками Civitai. Модель распространяется в формате GGUF и рассчитана на использование с ComfyUI и gguf-node. Для работы требуются совместимые текстовые энкодеры legacy_clip_g и legacy_clip_l, а также VAE-декодер legacy-vae. README рекомендует использовать теги и отдельные слова для более точных результатов и отмечает поддержку старого оборудования, включая видеокарты серии NVIDIA 9xx и более ранние, в режиме low VRAM. Указан английский язык и назначение text-to-image; сведения о размере, точной архитектуре, максимальном контексте и дополнительных модальностях отсутствуют. Сильной стороной модели является возможность запуска на устаревших компьютерах и совместимость с gguf-node. Ограничением названа меньшая удобность по сравнению с более современными моделями на начальном этапе работы, поскольку для получения точных результатов желательно использовать специальные теги. Модель распространяется по лицензии Apache-2.0.

PP-OCRv6 One Piece Bubble Line Recognition — браузерный OCR-пакет для Projet Poneglyph, предназначенный для распознавания текста в репликах манги One Piece. Конвейер обнаруживает строки текста в пузыре с помощью YOLO26n, объединяет их в горизонтальный фрагмент, распознаёт текст дообученной PP-OCRv6 и применяет правила восстановления пробелов и регистра. В репозитории представлены модели ONNX и safetensors, включая варианты ONNX для браузера и WebGPU. В README приведены результаты проверки: CER 1,45% на тестовой выборке и точное совпадение для 75,96% примеров после постобработки. Пакет рассчитан на извлечение текста из изображений манги; показатели качества относятся к указанной выборке и сценарию. Лицензия — Apache-2.0.

SilvermoonMix-Anima-Evolved — модель генерации изображений, созданная silvermoong путём дообучения Anima. Она предназначена для создания аниме-иллюстраций по текстовым запросам, в том числе сцен с несколькими персонажами. Обучение нацелено на более стабильное изображение рук и нейтральную базовую стилистику, которую можно сочетать с тегами художников. В репозитории представлены варианты Anima 2B и 2.9B, включая обычную и Turbo-версии; для 2.9B также доступен вариант INT8 + ConvRot. Для работы требуются отдельные текстовый энкодер Qwen и VAE. Модель рассчитана на использование в ComfyUI или Forge Neo; Turbo позволяет генерировать изображения за меньшее число шагов. Для тегов художников автор рекомендует ставить перед именем символ @. Улучшение рук и генерации нескольких персонажей является целью обучения, а не гарантией: анатомия и взаимодействие персонажей могут требовать исправлений. Модель ориентирована на аниме и иллюстрации, ограничена в фотореализме и рендеринге длинного текста. Применяются условия CircleStone Labs Non-Commercial License v1.2 с указанными в ней исключениями; README отмечает, что лицензия допускает коммерческое использование созданных изображений по её условиям, но это не означает свободного коммерческого использования весов или любого способа развертывания.

Это конвертированная в формат MLX версия SmolVLM2-256M-Video-Instruct, подготовленная сообществом mlx-community с помощью mlx-vlm 0.1.13. Модель семейства SmolVLM предназначена для диалоговой работы с видео: она принимает видео и текстовые запросы и формирует текстовые ответы. В метаданных указаны архитектура SmolVLMForConditionalGeneration, базовые компоненты SigLIP и SmolLM2-360M-Instruct, поддержка английского языка и формат весов safetensors. Модель подходит для локального использования в задачах описания видеосодержимого и ответов на вопросы о видео. Репозиторий распространяется по лицензии Apache-2.0. Поскольку README отсылает к карточке исходной модели, подробные сведения о контекстном окне и дополнительных ограничениях здесь не приводятся.

Fictiverse/Stable_Diffusion_PaperCut_Model — дообученная модель генерации изображений на основе Stable Diffusion 1.5, обученная на изображениях в стиле вырезанной бумаги. Для получения этого стиля в запросе рекомендуется использовать слово PaperCut. Модель предназначена для создания изображений по текстовым описаниям; в карточке приведён пример генерации изображения персонажа R2-D2. Модель использует StableDiffusionPipeline из библиотеки Diffusers и распространяется в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M. README также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX, но не приводит сведения о качестве такого экспорта или дополнительные ограничения.

Stable Video Diffusion 1.1 Image-to-Video — диффузионная модель Stability AI для создания коротких видеоклипов по одному изображению. Это латентная диффузионная модель, дообученная на базе Stable Video Diffusion Image-to-Video для 25 кадров. Она генерирует до 25 кадров с разрешением 1024×576; обучение с фиксированными настройками на 6 кадрах в секунду и Motion Bucket ID 127 повышает согласованность результата. Эти параметры можно менять, но качество за пределами фиксированных настроек может отличаться от SVD 1.0. Модель предназначена для экспериментов с генеративными моделями, создания художественных материалов, дизайна и творческих или образовательных инструментов. Она принимает изображение и выдаёт видео; управление текстовыми запросами не поддерживается. Видеоролики короткие — до четырёх секунд; возможны отсутствие движения или медленные панорамы, несовершенная фотореалистичность и ошибки в изображении лиц и людей. Модель не умеет создавать читаемый текст и не предназначена для достоверного изображения людей или событий. Лицензия указана как other; README рекомендует использовать модель только в исследовательских целях и соблюдать Acceptable Use Policy Stability AI.

Sulphur 2 — созданная сообществом модель генерации видео на основе LTX-2.3. Она предназначена для генерации видео по текстовому описанию и по изображению; автор также заявляет поддержку форматов LTX-2.3 и наличие отдельного улучшателя промптов, который может работать с текстом и изображением. Модель ориентирована на создание видео по пользовательским запросам. Для улучшения описаний предусмотрен prompt enhancer; автор рекомендует запускать его через LM Studio. В репозитории представлены варианты GGUF, включая BF16 и Q8_0, а также Safetensors. В README сказано, что официальный способ запуска модели ещё готовится, а инструкции и сведения о дообучении будут дополнены. Автор описывает Sulphur 2 как uncensored, но не приводит подробностей о фильтрации или ограничениях контента. README упоминает тестирование и слияние моделей участниками сообщества, тогда как метаданные классифицируют модель как дообучение Lightricks/LTX-2.3. Условия лицензии в предоставленных материалах не указаны.

Taiyi-Stable-Diffusion-1B-Anime-Chinese-v0.1 — модель генерации изображений по текстовому описанию, выпущенная командой Fengshenbang из IDEA Research Institute. Это модель Stable Diffusion для создания аниме-иллюстраций по китайским промптам; в README указано, что она обучалась в два этапа на отфильтрованных парах «китайский текст — аниме-изображение»: примерно 1 млн низкокачественных и 10 тыс. высококачественных примеров. Заявленный размер модели — 1 млрд параметров. Модель подходит для генерации персонажей и сцен в аниме-стиле, а также для преобразования изображений в сценариях img2img. README показывает генерацию изображений размером 512×512 и рекомендует интерфейс WebUI; для увеличения разрешения предлагается отдельная модель суперразрешения. Репозиторий содержит веса в форматах Diffusers и PyTorch, а лицензия — CreativeML OpenRAIL-M. Авторы называют эту версию предварительной и сообщают о планах дальнейшей оптимизации. Основное заявленное языковое направление — китайский; качество для других языков в предоставленных материалах не описано. Модель предназначена для генерации аниме-изображений, а не для распознавания или анализа изображений.

Карточка модели ByteDance-Seed/Tar-7B на Hugging Face совпадает с карточкой csuhan/Tar-7B-v0.1, поэтому описание составлено по ней. csuhan/Tar-7B-v0.1 — дообученная модель на архитектуре Qwen2.5 с 7,3 млрд параметров, разработанная авторами работы «Unifying Visual Understanding and Generation via Text-Aligned Representations». Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена для объединения визуального понимания и генерации с помощью представлений, согласованных с текстом. Модель основана на Qwen/Qwen2.5-7B-Instruct и имеет контекстное окно до 32 768 токенов. Архитектура указана как LlavaQwenForCausalLM; метаданные связывают её с задачами генерации текста и any-to-any, однако карточка не описывает поддерживаемые входные и выходные модальности и конкретные сценарии использования. Поэтому визуальные возможности и качество выполнения отдельных задач нельзя уточнить по доступным сведениям.

DunnBC22 подготовил дообученную версию Microsoft TrOCR Base для распознавания текста на изображениях CAPTCHA. Модель использует архитектуру vision-encoder-decoder и принимает изображение, выдавая распознанный текст. В README приведены результаты на оценочном наборе: CER 0,0075 и loss 0,1380; источник обучающих данных не раскрыт. Модель предназначена для экспериментов и извлечения текста из изображений CAPTCHA. В метаданных указан английский язык. Репозиторий распространяется по лицензии MIT; для обучающих сторонних данных могут действовать отдельные лицензионные ограничения.

Unlimited Replicant — Ясунори Одзаки (Yasunori Ozaki) разработал эту модель генерации изображений по текстовым запросам, специализируя её на AI-арте как альтернативу NovelAI Diffusion. Это диффузионная модель на основе Latent Diffusion Model с текстовым энкодером OpenCLIP-ViT/H; карточка указывает японский язык. Модель предназначена для создания иллюстраций по промптам, самовыражения, образовательных работ и иллюстраций для статей и блогов. Модель распространяется в форматах Diffusers и safetensors и используется аналогично Stable Diffusion v2. Автор указывает двойную лицензию на основе CreativeML Open RAIL++-M с дополнительными ограничениями, включая общий запрет коммерческого использования с перечисленными исключениями; для коммерческого применения предлагается отдельно связаться с автором. Карточка также запрещает ряд сценариев, включая цифровые подделки, распространение непристойных материалов и выдачу вымысла за факты.

Vox2 — дообученная для Stable Diffusion концептуальная модель генерации изображений в стиле voxel-ish, созданная Jak / Jak_TheAI_Artist. Для активации стиля в запрос добавляют триггер «voxel-ish»; автор также рекомендует фразу «intricate detail» для получения более полуреалистичных изображений. Версия 1.2 обучена на 184 изображениях в течение 8000 шагов и дополнительно настроена для улучшения лиц. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает базовую модель Stable Diffusion или параметры разрешённого использования сверх условий лицензии.

Wonderland — модель генерации изображений по текстовому описанию, опубликованная Yntec. Карточка демонстрирует примеры запросов с персонажами в мультяшной и фэнтезийной эстетике, музыкальными инструментами и детализированным кинематографичным оформлением. Репозиторий содержит модель в форматах Diffusers и safetensors для использования с библиотекой Diffusers; указанная лицензия — CreativeML OpenRAIL-M. Модель подходит для создания иллюстраций и концепт-арта по текстовым запросам, в том числе изображений персонажей и фэнтезийных сцен. Метаданные указывают английский язык. В карточке нет сведений о размере модели, длине контекста или оценках качества; примеры запросов сами по себе не гарантируют точность воспроизведения деталей.