I.8Изображения и компьютерное зрение

XGen-MM Phi-3 Mini Base R v1 — базовая мультимодальная модель Salesforce AI Research из семейства XGen-MM, развивающего идеи серии BLIP. Это плотная модель для обработки изображений вместе с текстом, построенная на архитектуре XGenMMModelForConditionalGeneration. Она обучена на наборах данных для создания подписей к изображениям и на данных с чередующимися изображениями и текстом; заявлены сильные результаты при размере менее 5 млрд параметров и способности к обучению в контексте. Модель предназначена для исследовательских задач визуально-языкового взаимодействия: описания изображений и ответов на вопросы по ним. Поддерживаемый язык карточки — английский. В README отмечено, что исходное разрешение изображения может заметно влиять на результат; также возможны смещения и ошибки, поэтому перед прикладным использованием нужно оценивать качество, безопасность и справедливость. Лицензия — Apache-2.0.

10Eros Max H3 Transformer — производная модель на базе MiniMaxAI/MiniMax-H3, опубликованная ibyteohdear в формате Diffusers и файлах safetensors. Это доработанный чекпойнт для генерации видео по тексту и изображению; автор описывает его как модель с возможностью создавать контент для взрослых, сохраняя функции базовой модели. Версия beta_5 собрана из концептуальных grafts и consensus merges, а вариант TURBO включает гибридное turbo-слияние, которое, по словам автора, экономит 4,2 ГБ памяти при загрузке. Модель рассчитана на генерацию видео с настройкой через промпты и сэмплеры; README приводит несколько рабочих сочетаний сэмплера и числа шагов, а также отмечает, что нетурбо-вариант обычно лучше сохраняет аудио. Указана архитектурная основа MiniMax-H3 и pruned checkpoint с AdaLN rank-8. Для загрузки автор рекомендует AutoModel из Diffusers с trust_remote_code=True. Автор называет beta_3 и beta_4 повреждёнными тестовыми версиями и указывает beta_5 как функциональную. Проект обозначен как развивающийся и зависит от исправлений обучения H3. Лицензия указана как other; README ссылается на community license MiniMax-H3 и на лицензии исходных моделей LTX 2.3, Wan 2.2 и Krea 2 для перенесённых характеристик. Модель предназначена для контента для взрослых, поэтому не относится к категории general.

SDVN5-3DCuteWave — модель генерации изображений по текстовому описанию, созданная SDVN на основе семейства Stable Diffusion. Она предназначена для создания милых миниатюрных персонажей в 3D-стилизации, в том числе чиби-образов и иллюстраций с мягким освещением. Пример карточки показывает персонажа в игровой комнате и ориентируется на мультфильмы и аниме-арт. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка содержит только пример промпта, поэтому качество на других сюжетах и ограничения генерации не описаны.

AAM AnyLora AnimeMix — модель Stable Diffusion, дообученная Lykon на базе runwayml/stable-diffusion-v1-5. Она предназначена для генерации изображений по текстовым описаниям в художественной и аниме-эстетике и распространяется в форматах Diffusers и safetensors. Лицензия — CreativeML OpenRAIL-M. Модель принимает текстовый запрос и создаёт изображение; карточка также указывает поддержку английского языка. README не сообщает размер модели, длину контекста или конкретные ограничения качества. Условия OpenRAIL-M распространяются на использование модели.

vladmandic/Anima-1.0-Base — перенос модели Anima от CircleStone Labs и Comfy Org в формат Diffusers, подготовленный для SD.Next. Это базовая модель генерации изображений по тексту, ориентированная прежде всего на аниме, персонажей, стили и другие художественные изображения; для фотореализма она подходит хуже. Модель содержит около 2 млрд параметров, использует архитектуру AnimaTextToImagePipeline и веса BF16. Исходная Anima обучалась на аниме-изображениях и других нефотографических художественных работах; подсказки можно задавать тегами в стиле Danbooru и обычным текстом. Карточка рекомендует подробные запросы и приводит рабочий диапазон разрешений 512²–1536² пикселей. Базовая версия не прошла эстетическую донастройку: её исходный стиль описан как нейтральный, а качество зависит от подсказок. Модель слабо справляется с реализмом и длинными надписями на изображениях; короткие или недостаточно подробные подсказки могут приводить к нежелательному содержимому. Репозиторий vladmandic опубликован под MIT, однако исходная Anima распространяется по некоммерческой лицензии CircleStone Labs и подпадает под условия лицензии NVIDIA для производных от Cosmos-Predict2-2B-Text2Image; перед использованием весов следует учитывать применимые условия обеих лицензий.

Animephiles Anonymous — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это вариант Stable Diffusion в формате Diffusers и safetensors, созданный слиянием моделей AnythingV7 и animeTWO. Модель ориентирована на иллюстрации в аниме- и мультяшной стилистике; в карточке приведены примеры портретов персонажей, сцен и изображений с эстетикой аниме 1980–1990-х годов. Для генерации задают текстовый промпт с описанием персонажей, внешности, одежды, фона и художественного стиля. В карточке также приведены рецепты слияния и указана лицензия CreativeML OpenRAIL-M. Примеры в README показывают возможности и стиль модели, но не гарантируют качество для произвольных промптов.

Animov 0.1.1 — модель генерации видео по текстовому описанию для библиотеки Diffusers, созданная strangeman3107 путём дообучения исходной модели ModelScope для получения аниме-стиля. Она предназначена для создания коротких аниме-видео по текстовым запросам. Модель обучалась с разрешением 448×384; способ использования соответствует исходной модели ModelScope. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В README отмечено, что по сравнению с версией 0.1 изменилось только разрешение.

AVMAELAVDFnoCEnew — дообученная модель VideoMAE для классификации видео. В репозитории указано качество на оценочной выборке: точность 0,9417 и F1 0,9415 при значении loss 0,2811. Архитектура относится к VideoMAE и содержит около 113,2 млн параметров; веса опубликованы в формате Safetensors. Карточка не описывает классы, обучающий датасет, предполагаемые сценарии использования или ограничения, поэтому назначение классификации и переносимость результатов на другие данные неясны. Идентификатор базовой модели, необходимый для точного указания происхождения, не приведён. Лицензия в доступных данных не указана.

Cambrian-S-7B — мультимодальная модель для пространственного анализа видео, разработанная Shusheng Yang, Jihan Yang, Pinzhi Huang, Ellis Brown и соавторами. Она объединяет Qwen2.5-7B-Instruct, визуальный энкодер SigLIP2-SO400M и двухслойный MLP-адаптер; в репозитории указано 7,1 млрд параметров и контекст 32 768 токенов. Модель обучали в четыре этапа: выравнивание изображений, обучение на инструкциях по изображениям и видео, затем обучение пространственным инструкциям на VSI-590K и данных инструкций по видео. Модель предназначена для диалогового анализа визуального содержимого и пространственных отношений в видео, а также справляется с общими задачами понимания видео. Поддерживаемые задачи каталога — генерация текста и преобразование изображения в текст; метаданные указывают английский язык. Модель доступна в формате safetensors для Transformers по лицензии Apache-2.0. Доступные сведения не описывают ограничения точности или условия эксплуатации сверх лицензии.

Coloring Pages — модель генерации изображений по текстовому описанию, представленная через ModelsLab и опубликованная на Hugging Face пользователем stablediffusionapi. Она предназначена для создания раскрасок по запросу; карточка показывает запуск через API ModelsLab с настройками ширины и высоты изображения, числа шагов генерации, guidance scale и отрицательного запроса. Репозиторий содержит веса в форматах Diffusers и PyTorch, а метаданные указывают StableDiffusionPipeline и лицензию CreativeML OpenRAIL-M. Пример в README использует английский prompt и просит создать портрет с яркими цветами, хотя сам пример не выглядит как запрос на раскраску; поэтому конкретные стилистические возможности стоит проверять отдельно. Модель принимает текст и выдаёт изображения. Сведения о размере модели, контексте и поддерживаемых языках в предоставленных источниках отсутствуют.

Deliberate — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная Yntec. Репозиторий содержит версию Deliberate 1.0 с VAE MoistMixV2, встроенным в веса; автор указывает, что она даёт более детализированные изображения по сравнению с Deliberate 1.1. Модель предназначена для создания иллюстраций и художественных изображений, в том числе в аниме- и мультяшной стилистике. Пример в карточке демонстрирует генерацию детализированного чиби-персонажа по развернутому промпту. Модель распространяется в формате Diffusers и safetensors по лицензии CC BY-NC-ND 4.0, которая запрещает коммерческое использование и распространение производных работ. README не сообщает размер модели, контекст или поддерживаемые языки; запросы формулируются текстом, а результатом являются изображения.

Yntec/Disneyify — модель генерации изображений по текстовому запросу, созданная слиянием Toonify2 и ClassicAnim-v1 на базе Stable Diffusion 1.5. Она предназначена для создания иллюстраций с эстетикой классической анимации; в запросах можно использовать фразу «classic disney style», но карточка утверждает, что модель способна передавать стиль и без неё. Модель опубликована в форматах Diffusers и safetensors и использует лицензию CreativeML OpenRAIL-M. Карточка приводит примеры запросов для создания персонажей и портретов. Метаданные указывают английский язык карточки; основной ввод — текст, результат — изображение. Сведений о размере модели, длине контекста и подробных ограничениях качества карточка не содержит.

Dreamful 3 — модель генерации изображений из текста в формате Diffusers, опубликованная Yntec на Hugging Face. Карточка приводит пример запроса для создания детализированного аниме-портрета девушки-теннисистки с длинными волнистыми волосами и голубыми глазами, в кинематографическом стиле. Модель предназначена для создания иллюстраций и портретов по текстовым описаниям; метки карточки указывают на тематику аниме, портретов и 3D. Репозиторий содержит веса в формате safetensors и использует лицензию CreativeML Open RAIL-M. В README и метаданных не приведены размер модели, контекст или сведения о базовой модели.

Dreamlike Anime 1.0 — модель генерации изображений в стиле аниме от dreamlike.art. Она создаёт изображения по текстовым описаниям и предназначена для иллюстраций, персонажей и других художественных сцен. Модель основана на Stable Diffusion и доступна в форматах CKPT, Safetensors и Diffusers; размер файлов указан как 2,13 ГБ. Модель поддерживает генерацию изображений по тексту. В метаданных также отмечена задача image-to-image, однако README не описывает её применение. Карточка предлагает использовать модель через Stable Diffusion Pipeline. Указана лицензия «other» без дополнительных условий в предоставленных данных.

FastVLM-0.5B-bf16 — мультимодальная модель для преобразования изображений и текстовых запросов в текстовые ответы. Модель разработана Apple, а данная версия преобразована сообществом mlx-community из оригинальной Apple FastVLM-0.5B в формат MLX для использования на устройствах и системах, совместимых с MLX. Модель предназначена для задач понимания изображений, включая описание содержимого изображения по текстовой инструкции. В карточке указано, что она имеет размер 0,5 млрд параметров, поддерживает сценарий image-text-to-text и использует формат bf16. Конкретные сведения об архитектуре, поддерживаемых языках, размере контекстного окна, производительности и ограничениях в README не приведены. Для запуска рекомендуется пакет mlx-vlm и интерфейс генерации MLX. Модель распространяется по лицензии apple-amlr. Условия и ограничения этой лицензии, а также подробности о применении оригинальной модели следует уточнять в исходной карточке Apple FastVLM-0.5B.

Furaidosu/flux-dott-remastered — модель генерации изображений по текстовому описанию на базе black-forest-labs/FLUX.1-dev. Она предназначена для pipeline text-to-image и используется через библиотеку Diffusers. Для активации указан специальный идентификатор DOTTRMSTR, связанный с характерным визуальным стилем модели. Модель ориентирована на создание иллюстраций, игровых фоновых сцен и концепт-артов с мультяшной, выразительной и намеренно искажённой перспективой. В примерах показаны деревянные дома, кафе, рестораны и интерьер салона с декоративными деталями, яркими или приглушёнными цветами, бумажными и рисованными текстурами, а также стилистикой коллажа. В метаданных указан английский язык, рекомендуемый размер изображения — 1024×1024 пикселей. Сильная сторона модели — способность воспроизводить цельный декоративный стиль с преувеличенными формами, необычной перспективой и большим количеством художественных деталей. Ограничения включают зависимость от базовой модели FLUX.1-dev, необходимость использовать специальный идентификатор DOTTRMSTR для получения заявленного стиля, а также отсутствие в карточке подробностей о точном размере адаптации, параметрах обучения, поддерживаемых разрешениях и качестве генерации для других языков. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть её использование ограничено некоммерческими сценариями.

TheLastBen/froggy-style — модель генерации изображений в стиле, обученная на базе Stable Diffusion v1.5 на 11 изображениях Midjourney размером 512×512. Для обучения использовалось 1300 шагов, включая 300 шагов для текстового энкодера. Модель предназначена для создания изображений по текстовым запросам с характерной визуальной стилистикой обучающих примеров. Для генерации можно использовать триггерное слово «ttdddd» как самостоятельный запрос или сочетать его с описанием сцены и указаниями на кинематографическое освещение, высокую детализацию и качество рендера. Репозиторий распространяет веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении созданных изображений.

GimmeDatDing — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Репозиторий содержит веса в форматах Diffusers и safetensors; карточка демонстрирует пример промпта с персонажем Chi-Chi в стилизованной аниме-сцене. Модель предназначена для создания аниме- и мультяшных изображений по текстовым промптам. В метаданных указан pipeline text-to-image и лицензия CreativeML OpenRAIL-M. Размер модели и базовая модель в доступных данных не указаны.

Infinite 80s — модель преобразования текста в изображения в эстетике кино 1980-х годов. Она создана AInfinity и LiberteRedmond с использованием LoRA 80s Movie Style от Lykon; для её базовой модели Liberte Infinity объединены AIInfinityRealistic и LiberteRedmond. Карточка сообщает, что модель diffusers была переименована в Infinite80sAlpha для повторного запуска проекта. Модель предназначена для создания реалистичных и стилизованных изображений по текстовым запросам, в том числе портретов и сцен с кинематографическим настроением. Репозиторий содержит веса в форматах Diffusers и PyTorch, включая safetensors. Указаны английский язык запросов и лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста в предоставленных данных не указаны.

Isometric Dreams SD 1.5 — модель генерации изображений, обученная Duskfallcrew с помощью Hugging Face Dreambooth Training Space на базе Stable Diffusion 1.5. Она предназначена для создания изображений в изометрическом стиле по текстовым запросам; автор рекомендует использовать специальные concept prompts. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и лицензирована по CreativeML OpenRAIL-M. Для запуска автор предлагает использовать Colab Notebook для инференса через Diffusers. Карточка не описывает конкретные ограничения качества или поддерживаемые языки запросов.

Raxephion разработал Solstice V2 — дообученный чекпойнт на базе Krea 2 Turbo для генерации изображений по текстовым описаниям. Модель предназначена для создания кинематографичных фотореалистичных сцен, портретов, фэнтези, киберпанка, гламурных и повседневных сюжетов с выразительной цветокоррекцией и гармоничной композицией. Solstice V2 сохраняет визуальный стиль V1 и добавляет возможность создавать контент для взрослых без внешних LoRA для общих сценариев. Модель следует описаниям пользователя, хорошо передаёт материалы и освещение, а также совместима с character LoRA. Доступны варианты FP8, BF16 и INT8 ConvRot; последний занимает примерно вдвое меньше места, чем обычный вариант INT8. Для более откровенного NSFW-контента автор рекомендует дополнительную LoRA; результаты в этой области пока непоследовательны. Модель распространяется по лицензии «other»; конкретные условия следует проверить в репозитории.

LEOSAMsFilmGirlUltra — модель преобразования текста в изображение на базе Stable Diffusion 1.5, опубликованная Yntec. Она предназначена для генерации портретов и кинематографичных изображений с эстетикой плёнки, в том числе сцен и образов в стиле 1990-х годов. В карточке показаны примеры портретов, VHS- и аналоговых кадров, плёночного зерна и постановочного освещения. Модель использует библиотеку Diffusers и формат Safetensors; для описанной версии 768 × 768 указан планировщик EulerDiscreteScheduler. Автор отмечает, что модель также основана на SD 1.5 и ориентирована на разнообразие лиц. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает количественных оценок качества или подробных ограничений применения.

Lichtspiel Diffusion — дообученная методом DreamBooth модель Stable Diffusion 1.5, созданная IcelosAI на основе реализации SD от XavierXiao. Она генерирует изображения по текстовым описаниям с кинематографической стилизацией, вдохновлённой кадрами операторов кино: приглушёнными цветами, свечением и зернистостью плёнки. Для включения стиля в запрос добавляют токен «Lichtspiel Style»; автор также рекомендует ссылаться на конкретные фильмы. Модель особенно подходит для портретов и атмосферных сцен. Модель обучена на 10 500 шагах и доступна в форматах Diffusers и PyTorch; в README также описано использование файла checkpoint в интерфейсах Stable Diffusion. Автор отмечает, что качество результата непостоянно. Лицензия — CreativeML Open RAIL++-M, предусматривающая ограничения на использование.

Emyrus/LITEmix — модель генерации изображений в стиле аниме по текстовому описанию. Автор сообщает, что модель обучалась за небольшое число шагов, а затем была объединена с моделями evt_v2 и momocha. Она доступна для запуска через Diffusers и PyTorch и предназначена для создания аниме-иллюстраций по текстовым запросам. В метаданных указан английский язык и лицензия CreativeML OpenRAIL-M. Карточка не содержит подробностей об архитектуре, размере или контексте.

mlx-community/llava-1.5-7b-4bit — мультимодальная модель семейства LLaVA, преобразованная сообществом mlx-community в формат MLX из llava-hf/llava-1.5-7b-hf. Она принимает изображения и текстовые запросы и генерирует текстовые ответы в диалоговом режиме, поэтому подходит для вопросов об изображениях и визуального описания. Модель основана на архитектуре LlavaForConditionalGeneration; обозначение 7b-4bit указывает на вариант с 7 млрд параметров в 4-битном представлении. Репозиторий содержит веса safetensors. Модель предназначена для запуска с mlx-vlm на совместимых устройствах Apple и обучена с использованием набора LLaVA-Instruct-150K. Карточка направляет к описанию исходной модели за подробностями о её возможностях. Лицензия указана как llama2.

MirageML/lowpoly-cyberpunk — модель генерации изображений на основе Stable Diffusion, дообученная методом DreamBooth для создания изображений в концепции low-poly киберпанка. Для генерации укажите в запросе ключевую фразу «a photo of lowpoly_cyberpunk» вместе с описанием желаемой сцены. Модель предназначена для создания стилизованных изображений по текстовому описанию; в карточке также упоминается возможность исследовать преобразование текста в 3D через платформу Mirage. Модель распространяется в формате Diffusers/PyTorch с весами Safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста и конкретные ограничения качества; результат зависит от формулировки запроса и усвоенной концепции.

Camera Motion LoRA — это адаптер LoRA для базовой видеомодели Comfy-Org/MiniMax-H3, разработанный пользователем или организацией Jojocodex. Он предназначен для усиления и управления движением виртуальной камеры при генерации видео по текстовому описанию, в частности для кинематографичных сцен, экшен-эпизодов, пейзажей, аэросъёмки, макросцен и миниатюрных диорам. Адаптер активируется обязательным триггером «camera motion», который рекомендуется размещать в начале prompt. Он поддерживает девять категорий движения камеры: наезд, отъезд, сочетание наезда и отъезда, орбитальное движение, ручную съёмку и следящий кадр, аэросъёмку, подъём или опускание камеры, панорамирование и макро- или крупный план. Наиболее стабильными заявлены наезд, отъезд и ручное следящее движение; панорамирование описано как менее надёжное. Доступны варианты, обученные на 1000 и 3000 шагах, в формате pruned safetensors. Рекомендуемая сила модели составляет 0,8–1,0: увеличение свыше 1,2 может приводить к нестабильности изображения. Для работы требуется совместимый workflow MiniMax-H3 в ComfyUI и установка файла в каталог models/loras. В README не указаны размер адаптера, объём обучающих данных, поддерживаемые языки, длина контекста и точные характеристики базовой модели. Лицензия — Apache-2.0.

Runware/Pony_Diffusion_V6_XL — это перезаливка весов Pony Diffusion V6 XL в формате Diffusers и Safetensors, разработанной PurpleSmartAI на основе Stable Diffusion XL. Модель предназначена для генерации изображений по текстовым запросам и особенно ориентирована на стилизованных персонажей: антропоморфных, диких и гуманоидных существ. Она понимает обычные описания на естественном языке и теги; автор рекомендует разрешение около 1024 пикселей и Clip Skip 2. Модель обучалась на примерно 2,6 млн изображений с подписями и тегами, включая аниме, мультяшные, furry- и pony-изображения. Она может создавать как безопасные, так и откровенные изображения. Из известных ограничений — возможное появление псевдоподписей, которые бывает трудно убрать из результата. Исходная модель распространяется по модифицированной лицензии Fair AI Public License 1.0-SD. В частности, коммерческий запуск inference на монетизируемых сайтах и приложениях ограничен; для коммерческого использования требуется разрешение правообладателя. Карточка Runware указывает, что репозиторий является переэкспортом официальных весов Civitai.

Pony V7 — модель генерации изображений персонажей, разработанная командой, связанной с проектами Pony и платформой Fictional. Она основана на архитектуре AuraFlow и предназначена для создания персонажей и сцен в различных стилях, включая humanoid, anthro, feral и pony. Модель поддерживает взаимодействие нескольких персонажей, естественно-языковые промпты и распознавание многих известных и малоизвестных персонажей и вселенных. Модель рассчитана на генерацию изображений с разрешением от 768 до 1536 пикселей; рекомендуется использовать разрешение повыше и не менее 30 шагов инференса. Она обучалась примерно на 10 миллионах отобранных и эстетически оценённых изображений из набора более чем из 30 миллионов примеров, с подробными подписями и тегами. Данные примерно поровну представлены аниме, cartoon, furry и pony-направлениями, а также категориями safe, questionable и explicit. Для инференса доступны варианты в форматах GGUF и safetensors, а также примеры рабочих процессов для ComfyUI. По сравнению с Pony V6 модель лучше понимает пространственные отношения, сцены с несколькими персонажами и фоны, обеспечивает более реалистичный результат, поддерживает очень тёмные и очень светлые изображения и более высокие разрешения. Ограничения включают отсутствие поддержки генерации текста, ухудшенные по сравнению с AuraFlow возможности работы с текстом, нестабильную эффективность специальных тегов качества и возможную деградацию мелких деталей, особенно лиц, в зависимости от художественного стиля. Условия использования определяются лицензией pony-license; в README указано, что используется лицензия типа other.

PotaytoPotahto — модель генерации изображений по текстовому описанию на основе Stable Diffusion, созданная путём смешивания Protogen 2.2 от darkstorm2150 с эффектом Glow LoRA от PotatCat. По карточке, LoRA была объединена с весами модели, после чего применено дополнительное слияние весов; итоговая модель рассчитана на создание художественных изображений, в том числе аниме-арта и стилизованных персонажей. Модель распространяется в формате Diffusers/PyTorch с весами safetensors и лицензией CreativeML OpenRAIL-M. Карточка демонстрирует генерацию изображения по текстовому промпту. В метаданных указан английский язык; конкретные параметры разрешения, контекста и ограничения качества не приведены.