I.8Изображения и компьютерное зрение

Qwen3-VL-4B-Instruct-abliterated-v1 — дообученная мультимодальная модель prithivMLmods на базе Qwen/Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые инструкции и предназначена для подробных описаний изображений, визуального рассуждения и диалоговых ответов, в том числе о сложном или чувствительном содержании. По карточке, модель справляется с разными соотношениями сторон и стилями изображений и позволяет варьировать детализацию ответа. Поддерживается библиотекой Transformers; веса доступны в формате safetensors. Основной язык — английский, также заявлена возможность отвечать на других языках при соответствующих инструкциях. Лицензия — Apache-2.0. Модель описана как abliterated-вариант, настроенный на обход обычных фильтров контента. Она может выдавать откровенные, чувствительные или оскорбительные описания, поэтому не подходит для систем, которым необходима строгая модерация. Точность может снижаться на незнакомых, синтетических и абстрактных изображениях, а стиль ответа зависит от формулировки запроса.

takeON_v2 — дообученная модель Stable Diffusion 1.5 для генерации изображений в стиле музыкального видео «Take On Me» группы A-ha. Для вызова стиля в запросе используется токен _takeON_. Модель обучена автором tuwonga методом DreamBooth на 64 изображениях при 6400 шагах обучения; README описывает сцены, где нарисованный персонаж показан на фоне реального мира, а также варианты с цветом и комиксной рамкой. Модель предназначена для генерации изображений по текстовым запросам и может применяться в режимах img2img и inpainting. Репозиторий содержит файлы Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M.

Карточка модели ByteDance-Seed/Tar-1.5B 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.

bczhou/tiny-llava-v1-hf — компактная визуально-языковая модель семейства TinyLLaVA, разработанная авторами проекта TinyLLaVA. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы в диалоговом формате; поддерживает работу с несколькими изображениями и запросами. В карточке репозитория указана архитектура LlavaForConditionalGeneration и сохранение весов в safetensors. Модель предназначена для вопросов об изображениях, их описания и визуального диалога. Проект TinyLLaVA исследует мультимодальные модели малого масштаба; README сообщает о вариантах семейства размером от 1,5 до 3,1 млрд параметров, но точный размер именно этого чекпойнта не приводит. Для запуска требуется соблюдать шаблон USER/ASSISTANT и использовать подходящий режим диалога. В качестве обучающих данных проекта указаны наборы LLaVA и ShareGPT4V; в метаданных для этой карточки отмечены английский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Компактность модели не гарантирует точности на сложных визуальных вопросах; численные оценки в README относятся к отдельным вариантам TinyLLaVA, поэтому их нельзя однозначно приписать этому чекпойнту.

ValMix2-byHemlok — модель генерации изображений в стиле аниме, созданная Hemlok. Она предназначена для создания иллюстраций по текстовым запросам и используется как text-to-image модель в Diffusers; репозиторий содержит веса в формате Safetensors. В README упоминается пример изображения, сгенерированного через AUTOMATIC1111. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория. README не сообщает размер модели, базовую модель, поддерживаемые языки и ограничения качества.

MoviiGen 1.1 — модель генерации видео по текстовому описанию, разработанная авторами проекта MoviiGen и дообученная на базе Wan2.1. Она предназначена для создания кинематографичных видеороликов и творственного видеопроизводства; авторы особо отмечают передачу атмосферы, движение камеры, детализацию объектов, ясность и реалистичность изображения. В README заявлена генерация с разрешением 720p и 1080p. Модель построена на диффузионном трансформере Wan2.1 T2V-14B и распространяется в формате safetensors для библиотеки Diffusers. Описание модели и метаданные указывают поддержку английского и китайского языков. Лицензия — Apache-2.0. README описывает оценку эстетических характеристик экспертами, но не приводит независимых тестов, параметров длительности ролика или подробных ограничений по качеству и содержанию.

Animagine XL 3.0 — диффузионная модель для генерации аниме-изображений по текстовым запросам, разработанная Cagliostro Research Lab на основе Stable Diffusion XL и дообученная на Animagine XL 2.0. Она предназначена для создания иллюстраций в аниме-стиле и лучше понимает аниме-концепции и структуру тегов в промпте; авторы также отмечают улучшения в изображении рук. Модель поддерживает генерацию с разными соотношениями сторон и доступна в форматах Diffusers и Safetensors. Для лучших результатов рекомендуется использовать структурированные, конкретные промпты и настройки генерации, описанные авторами. Модель не предназначена для фотореализма и может ошибаться в сложных позах и анатомии; охват персонажей и серий ограничен обучающими данными. Модель может генерировать NSFW-контент, поэтому следует учитывать рейтинг и тщательно задавать промпты. Лицензия — CreativeML Open RAIL++-M.

Anime Detailer XL LoRA — адаптер LoRA, разработанный Linaqruf для работы с моделью Animagine XL 2.0 на базе Stable Diffusion XL. Он предназначен для генерации аниме-изображений и управления уровнем их детализации с помощью концептуального слайдера, что позволяет получать более детализированные или, наоборот, более абстрактные результаты. Модель подходит художникам и создателям контента, которым требуется гибко менять степень проработки изображения. Архитектура модели — LoRA-адаптер для Stable Diffusion XL; базовая модель — Animagine XL 2.0. Поддерживается работа через библиотеку Diffusers, формат весов — Safetensors. В README указаны текстовое управление и английский язык, однако сведения о размере модели, максимальной длине контекста, дополнительных модальностях и точном наборе поддерживаемых языков отсутствуют. Значение слайдера около 2 увеличивает детализацию, а значение около -2 уменьшает её. Модель специализируется на изменении визуальной детализации аниме-изображений, но README не содержит количественных оценок качества или подробного описания ограничений. Распространяется по лицензии CreativeML Open RAIL++-M License.

AnyLoRA — модель генерации изображений по текстовому описанию на базе Stable Diffusion 1.5, дообученная разработчиком Lykon на runwayml/stable-diffusion-v1-5. Она предназначена для создания художественных изображений, в том числе в аниме-стиле, по текстовым запросам и используется через библиотеку Diffusers. В репозитории доступны веса в формате Safetensors. Модель опубликована по лицензии CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели, длине контекста или подробных ограничениях качества; результаты могут зависеть от формулировки запроса и параметров генерации.

Anything V5 — модель генерации изображений по текстовому описанию из семейства Anything, связанного с автором проекта «万象熔炉»; этот репозиторий представляет собой повторную загрузку файлов с ModelScope. Модель предназначена прежде всего для создания изображений в аниме-стиле. Она доступна в формате Diffusers на базе PyTorch с весами Safetensors и распространяется по лицензии CreativeML OpenRAIL-M. Для получения нужного результата карточка рекомендует точные и подробные промпты: одной короткой подсказки может быть недостаточно. В README также приведён пример настроек Euler A, 20 шагов, CFG 7 и Clip Skip 2, но разрешается использовать другие семплеры и параметры. Для варианта NoVAE требуется отдельно выбрать внешний VAE. В карточке описаны несколько версий и вариантов семейства, поэтому характеристики отдельных вариантов, например совместимость с LoRA или наличие VAE, нельзя автоматически переносить на все файлы репозитория.

BEYOND REALITY Z IMAGE — модель генерации изображений по текстовому описанию, созданная автором сообщества на основе Z-Image Turbo. Это дообученный чекпойнт с объединёнными весами LoRA, рассчитанный прежде всего на портретную фотографию. Модель улучшает передачу текстур кожи и окружения, высокочастотных деталей и эстетики плёночной фотографии, сохраняя фотореалистичную подачу базовой модели. Подходит для создания портретов и художественных изображений; автор также отмечает улучшения в поддержке ряда художественных стилей и аниме. В README для версии 3.0 рекомендованы CFG 1 и 10–15 шагов генерации. Основное ограничение связано с данными обучения, ориентированными на синтетические портреты: сложные позы и некоторые текстуры объектов вне портретной тематики могут передаваться хуже. Репозиторий распространяется по лицензии Apache-2.0; для работы указана библиотека Diffusers.

CyberRealistic Semi-Real — модель генерации изображений по текстовому описанию от Cyberdelia, созданная на базе архитектуры Stable Diffusion 1.5. Она формирует полуреалистичные изображения, сочетая реалистичные детали со стилизованной подачей, и подходит для творческих сценариев вроде дизайна персонажей, иллюстраций и концепт-арта. Модель поставляется в формате safetensors и включает встроенный VAE для улучшения качества изображений. В README указано родное разрешение 512×512; для повышения разрешения рекомендуется Hires.fix. Для работы автор рекомендует 25–30 шагов сэмплирования и сэмплеры DPM++ 2M Karras или Euler A. Лицензия — CreativeML Open RAIL++-M. Полуреалистичная специализация помогает получать изображения с узнаваемыми реалистичными деталями и художественной стилизацией. Модель может хуже справляться с абстрактными и сильно стилизованными запросами; освещение и текстуры иногда выглядят слишком гладкими. Создаваемые изображения могут содержать чувствительный контент.

dbluth — модель генерации изображений по тексту, созданная автором tuwonga как дань аниматору Дону Блуту. Это объединённая модель Stable Diffusion 1.5: автор отдельно дообучил три модели DreamBooth на материалах видеоигр Dragon’s Lair, Space Ace и Dragon’s Lair II: Time Warp, а затем объединил их. Для получения характерного стиля в запросе используется токен dbluth. Модель предназначена для создания иллюстраций по текстовым описаниям и для преобразования исходных изображений в режиме img2img. Она воспроизводит стилистику, вдохновлённую анимацией Дона Блута и классической диснеевской анимацией. В README приведены примеры персонажей и настройки генерации, но результаты зависят от запроса и параметров. Файлы доступны в форматах Diffusers, PyTorch и SafeTensors. Для использования автор предлагает скачать файл checkpoint и загрузить его в интерфейс генерации Stable Diffusion. Лицензия — CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении результатов.

DGSpitzer Art Diffusion — модель генерации изображений из текста, созданная цифровым художником и разработчиком игр DGSpitzer. Она дообучена методом DreamBooth на авторских цифровых картинах и концепт-артах, чтобы воспроизводить характерный стиль автора; в запросах можно задавать разные направления с помощью стилевых ключевых слов, включая «outline», «sketch», «anime» и «landscape». Модель основана на Vintedois diffusion-v0-1 и распространяется в форматах Diffusers, PyTorch и SafeTensors для использования со стандартными конвейерами Stable Diffusion. Модель предназначена для создания художественных изображений, эскизов и концепт-артов по текстовому описанию, в том числе для творческих экспериментов и подготовки черновых вариантов. В метаданных указан английский язык. Модель опубликована под лицензией CreativeML Open RAIL-M, условия которой необходимо соблюдать, в том числе при коммерческом использовании.

DisenyPixar — модель генерации изображений по текстовому описанию, опубликованная пользователем ainz. Она предназначена для создания изображений в стиле Disney Pixar по запросу; в README приведён пример портрета улыбающегося принца и указаны 30 шагов инференса. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели, контекстном окне и поддерживаемых языках. Описание возможностей и качества ограничено кратким примером; фактический результат зависит от текстового запроса и параметров генерации.

DucHaiten/DucHaitenAIart — модель генерации изображений по текстовым описаниям на основе Stable Diffusion, созданная DucHaiten. Версия 3.1 рассчитана на создание детализированных изображений в эстетике 3D-аниме с более реалистичными материалами, цветами, освещением и тенями. Карточка приводит примеры только текстовой генерации; метаданные также отмечают image-to-image, но подробностей этого режима нет. Модель предназначена для создания персонажей и сцен в аниме- и мультяшной стилистике, включая изображения с реалистичным освещением и сексуализированные сюжеты. Автор отмечает, что по сравнению с beta-v6.0 версия менее гибкая и менее случайная; детализация зубов слабая, а некоторые образы знаменитостей модель воспроизводит хуже. Для откровенного контента она не специализирована и может испытывать трудности с наиболее экстремальными запросами. Репозиторий содержит веса в форматах Diffusers/PyTorch и Safetensors; лицензия — CreativeML OpenRAIL-M.

FLUX.1-dev_Models — это LoRA-адаптер для генерации изображений по текстовому описанию, разработанный сообществом или автором, указанным в репозитории pmczip; конкретный разработчик в предоставленных данных не назван. Адаптер предназначен для работы с базовой моделью black-forest-labs/FLUX.1-dev и ориентирован на text-to-image-сценарии, включая фотореалистичные портреты и передачу визуального сходства с людьми или персонажами по специальным текстовым идентификаторам. В README указаны примеры генерации портретов женщин в городском окружении с заданными внешностью, одеждой, освещением и настроением. Модель распространяется в формате safetensors и интегрируется с экосистемой Diffusers. Архитектура LoRA и точный размер адаптера не указаны. Поддерживаемая модальность — текст на входе и изображение на выходе; заявленный язык — английский. Сильная сторона модели — специализация на фотореалистичных портретах и управляемом воспроизведении определённых образов. Ограничения включают зависимость от базовой FLUX.1-dev, отсутствие данных о размере, параметрах, рекомендуемых настройках и качестве на других сюжетах. Лицензия обозначена как bespoke-lora-trained-license; подробные условия приведены по ссылке multimodal.art/civitai-licenses.

heStyle-Diffusion — модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion 1.5 и дообученная автором krystv методом DreamBooth на аниме-изображениях. Она предназначена прежде всего для создания интерьеров комнат и обоев в художественном аниме-стиле; слово-триггер «hestyle» можно добавить к запросу, если модель отклоняется от этого стиля. Модель распространяется в формате Diffusers с весами Safetensors по лицензии CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели или длине контекста.

isoCities v1 — модель Astroboy для генерации изображений из текстовых запросов в изометрическом стиле. Она основана на Stable Diffusion 1.5 и объединена с ним с помощью инструмента слияния чекпойнтов Automatic1111; точные коэффициент и метод слияния автор не помнит. Модель предназначена для создания изометрических городов, площадок и похожих сцен. Автор рекомендует добавлять в запрос фразу «an illustration of an isometric city, digital art, highly detailed». Доступны файлы в форматах Diffusers и PyTorch. Указана лицензия CreativeML OpenRAIL-M; автор отдельно просит не использовать модель в коммерческих целях.

Is This Art? — модель для генерации изображений по текстовому описанию, созданная объединением SamaritanDoesArt и Stuff. Она предназначена для творческих иллюстраций и изображений с художественной стилизацией; примеры охватывают аниме-персонажей, портреты животных, чиби, еду и натюрморты. Модель распространяется в формате Diffusers и Safetensors, использует StableDiffusionPipeline и принимает текстовые запросы, выдавая изображения. Модель опубликована под лицензией CreativeML OpenRAIL-M. В README указано, что при объединении весов реализм уступил место большей креативности.

Kohaku-XL-Gamma — модель генерации аниме-изображений на основе Stable Diffusion XL, разработанная KBlueLeaf в сотрудничестве с Linaqruf. Это производная Animagine XL 3.0: версия Gamma rev1 объединяет изменения весов Animagine XL 3.0 и Kohaku XL base7. Модель распространяется в форматах Diffusers, PyTorch и Safetensors. Модель создаёт изображения по текстовым запросам и рассчитана на генерацию аниме-арта. Для обучения использовались разрешения от 768×1024 до 1024×1024; автор рекомендует задавать размер изображения в диапазоне 786432–1310720 пикселей и CFG scale 4–7. Формат промпта совместим с Animagine XL 3.0, при этом автор рекомендует использовать его систему тегов качества, рейтинга и года. Известное ограничение — на изображениях могут появляться мозаичные артефакты, связанные с масштабированием или кодированием данных обучения; автор предлагает устранять их апскейлерами R-ESRGAN anime6b или SCUNet. Лицензия в предоставленных данных не указана.

Krea-2-LoRA-sunsetblur — это LoRA-адаптер для генерации изображений на базе модели Krea 2, разработанный Krea. Адаптер предназначен для применения к чекпойнту krea/Krea-2-Turbo и добавляет характерную визуальную стилизацию ethereal motion blur style — эфемерное свечение, ощущение движения и мягкое размытие. Он подходит для создания художественных сцен, пейзажей, персонажей и сюжетных композиций по текстовому описанию. Модель используется в задачах text-to-image через библиотеку Diffusers и совместима с пайплайном Krea2Pipeline. Базовый адаптер обучен на krea/Krea-2-Raw, а представленные примеры визуализированы на Krea-2-Turbo за 8 шагов с guidance scale 0 и весом LoRA 1.0. Для активации стиля применяется триггерная фраза ethereal motion blur style. Данные о размере, количестве параметров, поддерживаемых языках и максимальной длине контекста не указаны; в метаданных заявлен английский язык. Сильная сторона адаптера — специализированная стилизация, которую можно подключать к базовой модели и настраивать весом LoRA. Ограничение заключается в зависимости от совместимого чекпойнта Krea-2-Turbo и необходимости использовать Diffusers с поддержкой Krea2Pipeline. Модель распространяется по лицензии krea-2-community-license; подробные условия приведены в указанном LICENSE.pdf.

Leonardo — модель генерации изображений по текстовому описанию на основе Stable Diffusion 1.5, опубликованная Yntec. Она объединяет CocaCola и Acorn_Photo_v1 с художественным стилем Leonardo Style, добавленным через lyCORIS. Чтобы вызвать этот стиль иллюстрации или векторного искусства, включите в запрос «Leonardo Style», «illustration» или «vector art». Модель подходит для создания стилизованных иллюстраций и изображений по текстовым запросам на английском языке. В карточке приведены примеры с драконами, персонажами, животными и натюрмортами. Репозиторий содержит веса в формате safetensors для библиотеки Diffusers. Лицензия — CreativeML Open RAIL-M.

Emric/Lora_art_style — адаптер LoRA для Stable Diffusion 3.5 Large, разработанный пользователем или организацией Emric. Модель предназначена для генерации изображений в определённой художественной стилистике с использованием text-to-image и совместима с экосистемой Diffusers. В README она описана как LoRA для стиля; конкретные особенности визуального стиля не раскрыты. Базовая модель — stabilityai/stable-diffusion-3.5-large. Веса доступны в формате Safetensors. README не содержит сведений о размере адаптера, поддерживаемых языках, максимальном контексте, рекомендованных параметрах, ограничениях, точности результатов или лицензии, поэтому эти характеристики нельзя определить по имеющимся данным. Условия использования также не указаны.

MilkyWonderland_v2 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Карточка показывает пример создания сказочной сцены с девушкой в лесу, светлячками и мягким свечением; модель подходит для генерации фантазийных и кинематографичных иллюстраций по промптам. Репозиторий содержит веса в формате safetensors для использования с Diffusers. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

Это конверсия модели inclusionAI/Ming-Image-0.1-Design для запуска через mflux на устройствах Apple Silicon с MLX. Модель преобразует текстовые запросы в RGBA-изображения, ориентированные на графический дизайн: плакаты, открытки, пользовательские интерфейсы и макеты с типографикой. Общий размер репозитория — 19,3 ГБ; DiT представлен в 8-битной точности, текстовый энкодер Ling-mini-2.0 MoE — в 5-битной, коннектор Qwen2 — в 8-битной, а проекционные слои — в bf16. Репозиторий рассчитан на использование с mflux и поддержкой семейства Ming-Image. В README описана проверка реализации поэтапным сравнением с официальным конвейером PyTorch; автор сообщает, что на Mac mini M4 с 24 ГБ памяти генерация изображения 1024×1024 занимает около 4–4,5 минут. Модель настроена на сохранение компоновки, типографики и текста на изображении; при снижении точности DiT до 4 бит качество крупных заголовков ухудшается. Лицензия — MIT.

Neon_Isometric — модель генерации изображений по текстовому описанию, обученная Duskfallcrew методом DreamBooth на базе Stable Diffusion. Она предназначена для создания изображений в неоновой изометрической стилистике; для запуска подойдут совместимые инструменты экосистемы Diffusers и интерфейс A1111. В README указан триггер концепции `dskise`. Модель выпущена в формате Diffusers с весами safetensors и распространяется по лицензии CreativeML OpenRAIL-M.

NewBie image Exp0.1 — экспериментальная модель генерации изображений по тексту от команды NewBie-AI, созданная на основе исследований архитектуры Lumina. Это модель класса DiT с 3,5 млрд параметров на базе Next-DiT, обученная в рамках новой архитектуры NewBie для генерации изображений. Для понимания запросов она использует Gemma3-4B-it и Jina CLIP v2, а для работы с изображениями — VAE FLUX.1-dev с 16 каналами. Модель обучена на большом корпусе высококачественных данных в стиле аниме и предназначена для создания детализированных изображений по естественным языковым описаниям и тегам. Структурированные XML-запросы могут улучшать привязку атрибутов к персонажам и элементам сцены, особенно в сценах с несколькими персонажами. Модель доступна для работы через Diffusers и ComfyUI. Это первый экспериментальный выпуск системы генерации NewBie, поэтому качество и поведение могут быть непредсказуемыми. README не содержит конкретных условий лицензии; в метаданных указана лицензия other. Разработчики предупреждают о возможности неожиданных или вредоносных результатов и возлагают ответственность за последствия использования на пользователя.

OnlyAnime_v2.3 — модель Stable Diffusion в формате Diffusers для создания изображений по текстовому описанию. Карточка содержит примеры изображений и упоминает совместное использование с LoRA FilmVelvia3 для эффекта выразительного освещения; сведений о разработчике, размере модели, контексте и конкретной лицензии нет. В метаданных указана лицензия «other».

OsenayanMix-Illustration — модель генерации изображений по текстовому описанию от EarthnDusk. Она предназначена для создания иллюстраций и изображений в стиле аниме; автор также отмечает разнообразное представление гендеров в результатах. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и работает через StableDiffusionPipeline. Модель можно использовать для создания персонажей, концепт-арта и художественных иллюстраций по текстовым запросам. Автор допускает повторное использование и слияние модели с другими моделями при соблюдении условий CreativeML OpenRAIL-M и лицензий моделей, вошедших в слияния; перепубликовывать её нельзя. В README нет количественных оценок качества или описания конкретных ограничений генерации.