I.8Изображения и компьютерное зрение

Dart v2-moe-sft — авторская дообученная модель Plat для генерации тегов в стиле Danbooru. Это причинная языковая модель на архитектуре Mixtral с механизмом MoE; в метаданных указано 57,2 млн параметров, контекст — 1024 токена. Обучение SFT проводилось на наборе isek-ai/danbooru-tags-2024 с тегами изображений за период с 2005 года по март 2024 года. Модель принимает текстовые подсказки с тегами и параметрами генерации и выдаёт продолжение в виде тегов. Подсказки могут задавать категорию рейтинга содержания, соотношение сторон, желаемую длину списка и строгость сохранения идентичности персонажа или объекта. Она предназначена для подготовки и дополнения тегов к изображениям, а также для творческой генерации наборов тегов. Модель работает с тегами Danbooru, а не с естественным языком как основным языком общения. В README сказано, что оценка качества ещё не проводилась; экспериментальная библиотека dartrs для инференса может меняться. Лицензия модели — Apache-2.0. При режиме без строгого сохранения идентичности модель может отходить от заданных тегов; более строгий режим уменьшает творческую вариативность.

DucHaiten Darkside 4 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она предназначена для создания стилизованных изображений, включая тёмное фэнтези, хоррор, аниме и детализированные иллюстрации. В карточке приведены примеры генерации персонажей, фантастических существ и атмосферных пейзажей; модель работает в формате Diffusers и использует baked-in VAE 840KVAE, который, по описанию автора, улучшает детализацию и насыщенность цветов. Модель выпущена 9 октября 2023 года и распространяется по лицензии CreativeML OpenRAIL-M. Примеры подчёркивают намеренно тёмную тональность изображений. Сведения о размере модели, базовой модели и поддерживаемых языках в предоставленных источниках отсутствуют.

Ecocoro Preview 1 — модель генерации изображений по тексту, созданная автором репозитория как полноразмерное дообучение black-forest-labs/FLUX.2-klein-base-4B. Она предназначена прежде всего для выразительных иллюстраций и изображений в стиле аниме. Модель работает с библиотекой Diffusers и доступна в форматах safetensors; для запуска описаны ComfyUI и Diffusers. В README рекомендованы изображения размером 1024 × 1024, 20–50 шагов и guidance scale 3,0–4,5. Модель принимает текстовые запросы, в том числе теги в стиле Danbooru, обычные описания и их сочетания, и выдаёт изображения. README приводит примеры тегов и описывает применение для проработки персонажей, визуализации сцен и создания концепт-арта. Метаданные указывают английский язык; примеры подсказок включают англоязычные теги. Лицензия — Apache 2.0. Возможны ошибки анатомии, рук, текста, символов и мелких деталей, неверная интерпретация сложных запросов и пространственных отношений, а также непоследовательность персонажей между изображениями. Качество может снижаться для запросов за пределами иллюстративной направленности модели.

Emi 2.5 (Ethereal master of illustration 2.5) — модель генерации изображений по текстовому описанию, разработанная компанией AI Picasso и ориентированная на иллюстрации в японском стиле. Это диффузионная модель на основе Latent Diffusion Model с компонентами OpenCLIP-ViT/G и CLIP-L; карточка указывает совместимость с пайплайном Stable Diffusion XL 1.0 и использование через ComfyUI, Fooocus и Diffusers. Модель обучалась на смеси изображений, включая около 3000 вручную и около 500 тысяч автоматически собранных изображений после удаления изображений Danbooru, загруженных без разрешения, а также CosmicMan-SDXL. Модель подходит для создания иллюстраций, манги и аниме-изображений, а также для творческих проектов и прототипирования визуальных идей. Карточка указывает японский язык и лицензию CreativeML Open RAIL++-M. Разработчик рекомендует учитывать ограничения при генерации: модели сложно изображать руки, а для фотореалистичных изображений она подходит хуже, чем для японской иллюстрации.

KamilaMila/FastVLM-7B — мультимодальная модель семейства FastVLM, опубликованная KamilaMila на Hugging Face. Она принимает изображения и текстовые запросы и генерирует текстовые ответы в диалоговом формате; карточка показывает пример вопроса о содержимом изображения и описания изображения. В репозитории указана архитектура FastVlmForConditionalGeneration и около 8 млрд параметров, веса представлены в формате Safetensors. Модель предназначена для визуальных вопросов и ответов, описания изображений и диалогов с изображениями. Карточка не содержит достоверных сведений о языках, длине контекста, лицензии, дообучении и ограничениях, поэтому эти характеристики нельзя установить по доступным данным.

HunyuanVideo-PromptRewrite — модель Tencent для переписывания текстовых запросов к генератору видео HunyuanVideo. Она дообучена на базе Hunyuan-Large и предназначена для адаптации пользовательских описаний к формату, который лучше понимает видеогенератор. Модель содержит 29,1 млрд параметров, использует архитектуру HunYuanForCausalLM семейства Hunyuan с Mixture of Experts и поддерживает диалоговый режим. Для неё указаны формат PyTorch и контекст до 131 072 токенов. Доступны два режима переписывания. Normal помогает точнее передать исходное намерение пользователя, а Master дополнительно развивает описание композиции, освещения и движения камеры, чтобы улучшить визуальное качество видео. В режиме Master возможна потеря некоторых смысловых деталей. Модель принимает и выдаёт текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

Illustrious XL10 Improved Uncensored v30 — это дообученная модель преобразования текста в изображение, созданная пользователем Shopon_Skp на основе OnomaAIResearch/Illustrious-XL-v1.0. Модель распространяется для использования через библиотеку Diffusers и совместима с StableDiffusionXLPipeline в формате safetensors. Модель предназначена для генерации изображений по текстовым описаниям, прежде всего в аниме-стилистике и с изображениями персонажей, включая женских персонажей. Она ориентирована на сценарии, где требуется создавать иллюстрации по англоязычным промптам. В метаданных модель обозначена как Stable Diffusion XL fine-tune и имеет лицензию other; в README указана лицензия FAIR AI Public License 1.0 SD (faipl-1.0-sd). К ограничениям относятся ориентация на англоязычные текстовые запросы и отсутствие заявленной поддержки других языков. Пометка not-for-all-audiences указывает на возможное наличие контента, неподходящего для всех аудиторий; перед публикацией результаты следует проверять на соответствие требованиям платформы, возрастным ограничениям и применимому законодательству.

KIDSILLUSTRATIONS (также COOLKIDSV1) — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec на Hugging Face. Она создана как объединённый LoRA на основе Stable Diffusion и предназначена для иллюстраций в стиле детских книг. Веса доступны в форматах Diffusers, PyTorch и safetensors; в модель встроен VAE Waifu 1.4 для более насыщенных цветов. Модель подходит для создания детских книжных иллюстраций по текстовым запросам. Карточка не приводит размер модели, длину контекста, список языков или подробности базовой модели. Лицензия — CreativeML Open RAIL-M; её условия следует учитывать при использовании и распространении результатов.

Это авторегрессионная языковая модель OPT, дообученная pszemraj на наборе текстовых запросов для генерации изображений. Модель принимает текстовый запрос и генерирует его варианты и дополнения, рассчитанные на использование с системами text-to-image, включая Stable Diffusion и Midjourney. Модель содержит 454,1 млн параметров и поддерживает контекст до 2048 токенов. Веса доступны в форматах PyTorch и Safetensors. В README приведены результаты оценки на тестовой выборке: loss 1,6669 и perplexity 5,29. Генерации отражают смещения обучающей коллекции — в частности, формулировки, распространённые в сообществах Stable Diffusion и Midjourney. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели и базовой модели.

Osea-Identity2023 — дообученная на базе Stable Diffusion v1.5 модель для генерации изображений по текстовому запросу. Репозиторий использует библиотеку Diffusers и содержит веса в форматах PyTorch и Safetensors; карточка относит модель к темам аниме и комиксов. Модель предназначена для создания изображений в этих стилях. В README также упоминаются повторное использование и слияние моделей, однако конкретные рекомендации по настройке генерации и оценка качества не приводятся. Лицензия — CreativeML OpenRAIL-M.

bghira/pseudo-journey-v2 — модель генерации изображений по текстовому описанию на основе Stable Diffusion 2.1, дообученная разработчиком bghira. Она ориентирована на приключенческие и фэнтезийные сюжеты; автор отмечает, что при подходящих настройках может создавать изображения высокого качества и часто лучше работает без negative prompt. Для запуска предназначена библиотека Diffusers. Основной чекпойнт обучен примерно на 22 тысячах изображений Midjourney 5.1 и 7,2 тысячи фотографий с подписями BLIP. Обучающие изображения были приведены к квадратному разрешению 768×768, поэтому модель хуже справляется с генерацией в высоком разрешении. Текстовый энкодер существенно перенастроен и утратил часть понятий Stable Diffusion 2.1; генерация реалистичных людей менее надёжна, чем у базовой модели, а высокий CFG может приводить к пережжённым изображениям. Модель распространяется по лицензии CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.

Raemu XL V5 — диффузионная модель генерации изображений по тексту, разработанная Raelina на основе SDXL и дообученная от cagliostrolab/animagine-xl-4.0. Она предназначена для создания иллюстраций в аниме-стиле с 2.5D-подачей, полуреалистичными деталями, выразительными текстурами, светом и затенением. Для запросов используется стиль booru-тегов; в карточке приведены рекомендуемые параметры генерации, включая CFG 5–6 и 28 шагов сэмплирования. Модель принимает текстовые запросы и генерирует изображения. Репозиторий использует форматы Diffusers и safetensors; заявлена лицензия CreativeML Open RAIL++-M (метаданные Hugging Face указывают OpenRAIL++). Карточка не описывает ограничения по содержанию или гарантии качества для отдельных запросов.

RCNZ Cartoon 3D v2 — модель Yntec для генерации изображений по текстовому описанию. Карточка демонстрирует мультяшный 3D-стиль, включая примеры персонажей и сцен с эстетикой анимационных фильмов.

ReVive — слитая модель генерации изображений по текстовому описанию, созданная автором под именем s6yx. Она объединяет ReVAnimated и REV: автор стремился улучшить композицию изображений ReVAnimated и проработку глаз из REV. Модель рассчитана на создание аниме, мультяшных и стилизованных иллюстраций, в том числе персонажей, игровых образов и небольших иконок. Модель доступна в форматах Diffusers и safetensors и использует библиотеку diffusers. В README приведены примеры запросов и изображений; для демонстрационных примеров указан seed 9119. Репозиторий распространяется по лицензии CreativeML Open RAIL-M.

SamDoesArt-V3 — модель генерации изображений по текстовому описанию, опубликованная пользователем Sandro-Halpo. Это чекпойнт для Diffusers на PyTorch, доступный также в формате Safetensors. Чтобы вызвать характерный эффект модели, автор рекомендует добавлять в промпт токен SamDoesArt; его положение и пунктуация могут менять результат. Автор предупреждает, что слово «style» сразу после токена может давать непредсказуемые результаты. Лицензия — Unlicense.

SDPrompter4b-ckpts — дообученная Edens-Gate модель для CharGen Project, которая превращает описание внешности персонажа в промпт для Stable Diffusion. Это плотная авторегрессионная языковая модель семейства Llama примерно с 3,9 млрд параметров; в карточке указаны чат-возможности и контекст до 131 072 токенов. Модель принимает текстовое описание персонажа и выдаёт текстовый промпт для генерации изображения. Модель дообучена на Delta-Vector/Holland-4B-V1 с использованием наборов CivitAI-SD-Prompts и CivitAI-Prompts-Sharegpt. Для общения рекомендован формат ChatML; автор предупреждает, что при большом лимите вывода модель может зацикливаться, и рекомендует низкое значение min-p и temperature 1. В метаданных указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не указана.

SenseNova-U1-8B-MoT-Interleaved — мультимодальная модель SenseNova на архитектуре NEO-unify, представленная как часть семейства SenseNova U1. Она объединяет понимание изображений и генерацию в единой архитектуре и специально оптимизирована для чередования текста и изображений в многостраничных материалах: иллюстрированных руководствах, рассказах, учебниках и презентациях. Модель поддерживает генерацию текста и изображений, а также сценарии мультимодального диалога; для запуска доступны веса safetensors и интеграция с Transformers. По сравнению с базовой SenseNova-U1-8B-MoT, версия Interleaved улучшает связность повествования, постоянство персонажей и стиля, а также соответствие текста изображениям на нескольких страницах. README указывает на поддержку многостраничных презентаций, отсутствующую у базовой модели. В карточке приведена лицензия Apache-2.0. Для производственного обслуживания разработчики рекомендуют отдельный стек LightLLM и LightX2V; показатели качества и численный размер контекстного окна в предоставленных данных не указаны.

Siamese DINOv2 Wall Hatching Matcher — модель GreenMap для сопоставления штриховок стен на архитектурных чертежах с образцами из легенды. Она использует сиамскую архитектуру на основе DINOv2 ViT-B/14 и содержит 88,15 млн параметров. Модель принимает изображения размером 518 × 518 пикселей и выдаёт оценку вероятности того, что две штриховки обозначают один и тот же тип стены. Модель предназначена для поиска соответствий между условными обозначениями на чертежах и элементами легенды, что может помочь автоматизировать разбор архитектурных планов. В README приведены значения valid loss 0,0442 и valid accuracy 0,9890; результаты относятся к указанной проверочной выборке и сами по себе не гарантируют такое же качество на других чертежах. Модель распространяется в формате TorchScript на PyTorch по лицензии Apache-2.0.

SpatialBlock-3B-direct — мультимодальная модель на архитектуре Qwen2.5-VL, разработанная авторами работы SpatialBlock и дообученная на синтетическом наборе SpatialBlock-15k. Она принимает изображения и текстовые запросы и напрямую предсказывает ответы на задачи пространственного рассуждения: проекцию 3D-сцен в 2D, преобразование точки зрения и комбинирование структур из блоков. Модель содержит 3,1 млрд параметров, использует Qwen2.5-VL-3B-Instruct как базовую модель и поддерживает контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка описывает обучение и примеры задач, но подробные результаты оценки и характеристики модели-партнёра приведены во внешней статье и репозитории.

Spider-Verse Diffusion — дообученная модель Stable Diffusion, созданная nitrosocke на кадрах из фильма Sony «Человек-паук: Через вселенные». Она предназначена для генерации изображений по текстовому описанию с визуальным стилем фильма; для получения эффекта автор рекомендует добавлять в запрос фразу «spiderverse style». Модель обучалась методом DreamBooth с сохранением prior-preservation loss в течение 3000 шагов и доступна в формате Diffusers на базе PyTorch. Модель подходит для создания портретов, персонажей и других иллюстраций в стилистике Spider-Verse. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers. Лицензия — CreativeML OpenRAIL-M; условия лицензии распространяются на использование и результаты генерации.

zuleo разработал spop — дообученную модель Stable Diffusion 1.5 для генерации изображений в стиле мультсериала «Ши-Ра и непобедимые принцессы» от DreamWorks. Модель передаёт художественный стиль сериала, а не предназначена для воспроизведения его отдельных персонажей. Модель создаёт изображения по текстовым описаниям и поддерживает четыре направления: персонажи и люди, космос, леса и пейзажи. Для подсказок используются специальные токены dwspop style, dwspop space, dwspop forest и dwspop landscape. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; заявлена лицензия CreativeML OpenRAIL-M. Модель подходит для создания иллюстраций и сцен в узнаваемой мультяшной эстетике, а также для преобразования изображений через img2img. Результаты зависят от формулировки запроса и настроек генерации; README рекомендует подбирать sampler, число шагов и CFG scale.

Thaweewat/stable-diffusion-kiminonawa-v1-2 — модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion и дообученная автором с помощью fast-DreamBooth notebook TheLastBen. Для вызова изученного визуального концепта в README указан триггер «kiminonawa»; базовая модель уже содержит концепт «makoto shinkai». Модель предназначена для генерации изображений по текстовым запросам с использованием Diffusers и PyTorch. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

tuwonga/supermarionation — дообученная модель Stable Diffusion v1.5, созданная на скриншотах из кукольной анимации Джерри Андерсона, в частности сериала «Тандербёрды». Она генерирует изображения в стиле Supermarionation; для вызова стиля в запросе используется слово «supermarionation». Версия v2 обучена также на персонажах и транспортных средствах: в описании указаны 47 изображений и 9400 шагов обучения. Версия v1 обучалась методом DreamBooth на 43 изображениях с помощью TheLastBen. Модель предназначена для генерации персонажей и техники в заданном стиле, а также для преобразования изображений через img2img. В README приведены примеры настроек генерации, включая Euler и CFG 7.5, но результат зависит от запроса и параметров. Модель работает с текстовыми запросами и выдаёт изображения; указанная лицензия — CreativeML OpenRAIL-M.

succinctly/text2image-prompt-generator — модель GPT-2, дообученная Succinctly AI на наборе из 250 тысяч пользовательских запросов к Midjourney, собранных за месяц. Она генерирует и автоматически дополняет текстовые промпты для моделей преобразования текста в изображение, включая семейство DALL·E. Модель принимает текст и выдаёт текст. Она может продолжить описание изображения и использовать параметры в стиле Midjourney, например для задания соотношения сторон или исключения объектов. Такие специфичные теги могут появляться и при создании промптов для других генераторов. Максимальная длина контекста — 1024 токена; формат весов — PyTorch. Модель ориентирована на англоязычные промпты и не генерирует изображения сама. Лицензия — CC BY 2.0; при использовании следует указать авторство Succinctly AI.

TiC-CLIP-basic-sequential — модель Apple для сопоставления изображений и текста с классификацией изображений по текстовым меткам в режиме zero-shot. Она обучена на TiC-DataComp-Yearly с базовой фильтрацией: данные охватывают 2014–2022 годы и включают временные метки. Модель создана на основе модифицированного кода OpenCLIP; репозиторий содержит PyTorch-веса. Модель предназначена прежде всего для исследований непрерывного обучения и временной устойчивости моделей «изображение—текст». Её можно использовать как отправную точку для продолжения обучения на новых данных или для оценки на наборах TiC-DataComp и стандартных наборах DataComp. В карточке описан подход к продолжению обучения с повторным использованием старых данных, но конкретные размер модели и длина контекста для этого чекпойнта не приведены. Лицензия указана как other; README отсылает к файлу LICENSE за условиями использования. Чекпойнт ориентирован на исследовательские и оценочные сценарии, а результаты могут зависеть от данных и процедуры оценки; подробные ограничения модели в карточке не описаны.

FloydianSound/WLOP_Diffusion_v1-5 — дообученная модель Stable Diffusion v1.5 для генерации изображений по текстовому описанию в художественном стиле WLOP. Она обучалась 61 320 шагов, или 7 эпох, на 876 изображениях художника; при обучении использовалась группировка изображений по соотношению сторон с целевым разрешением 768 пикселей. Модель предназначена для создания иллюстраций по текстовым запросам, связанных с художественной эстетикой WLOP. Репозиторий содержит веса в форматах Diffusers и PyTorch; метаданные указывают английский язык и лицензию CreativeML OpenRAIL-M.

YabaLMixAnimeRealistic_V1.0 — модель генерации изображений по текстовому описанию, совмещающая реалистичную и аниме-стилистику. Автор README не указан. Модель предназначена для создания детализированных изображений персонажей с разными позами и одеждой; в карточке приведён пример с девушкой на фоне реки и леса. Для генерации автор рекомендует 33–50 шагов. Репозиторий содержит файлы в форматах Diffusers, PyTorch и Safetensors, а лицензия обозначена как other.

Z-Image-Engineer V6 — дообученный текстовый энкодер Qwen3 объёмом 3,7 млрд параметров, разработанный BennyDaBall на базе Tongyi-MAI/Z-Image-Turbo. Модель предназначена для локального улучшения коротких запросов к генератору изображений Z-Image Turbo и может также заменять его штатный текстовый энкодер в соответствующих рабочих процессах. Для работы заявлен контекст до 40 960 токенов. Модель преобразует краткую идею в подробное описание сцены, добавляя композицию, направление освещения, фактуру материалов и разделение планов. В README указаны обучение SMART DoRA, этапы дообучения для сохранения чисел, цветов, надписей, объектов и пространственных отношений, а также настройка против повторов. Доступны сценарии использования с LM Studio и ComfyUI; эта версия содержит веса Safetensors, а отдельный репозиторий предлагает квантизованные варианты GGUF. Модель генерирует и кодирует текстовые запросы, но сама не создаёт изображения. Лицензия — Apache-2.0.

Anima-Aesthetic-v1.0-GGUF — квантизированная версия модели Anima-Aesthetic-v1.0, разработанной CircleStone Labs. Это текст-в-изображение модель на 2 млрд параметров, построенная на базе NVIDIA Cosmos-Predict2-2B-Text2Image и представленная в форматах GGUF для генерации изображений с использованием CPU или GPU-выгрузки в ComfyUI. Модель предназначена прежде всего для создания аниме-иллюстраций, персонажей и художественных сцен. Версия Aesthetic дообучена для более стабильной генерации и улучшенного художественного стиля по сравнению с базовой моделью; фотореализм не является её сильной стороной. Поддерживаются разрешения примерно от 512×512 до 1536×1536 пикселей, рекомендуются 30–50 шагов и CFG 4,0–5,0. Для работы требуются ComfyUI версии 0.14.1 или выше, узел ComfyUI-GGUF, а также отдельные текстовый энкодер Qwen 3 0.6B Base и VAE Qwen Image. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 1,02 до 2,24 ГБ; Q4_K_M и Q5_K_M заявлены как оптимальный баланс скорости и качества. Модель лучше работает с подробными промптами, поддерживает сочетание естественного языка и тегов Danbooru, но короткие запросы могут давать непредсказуемые результаты. Распространяется по CircleStone Labs Non-Commercial License: модель и производные разрешены только для некоммерческого использования, тогда как сгенерированные изображения, согласно указанным условиям, обычно могут применяться коммерчески.

Animagine XL 3.1 — это диффузионная text-to-image модель для генерации высококачественных изображений в стиле anime по текстовым описаниям. Она предназначена для поклонников аниме, художников и создателей контента, которым нужны детализированные изображения персонажей, сцен и концептов, включая персонажей из известных аниме-сериалов. Модель разработана Cagliostro Research Lab при сотрудничестве с SeaArt.ai и дообучена на основе Animagine XL 3.0; в карточке также указан базовый репозиторий LyliaEngine/Pony_Diffusion_V6_XL. Модель построена на Stable Diffusion XL и улучшает понимание концепций, интерпретацию промптов и анатомию рук. Она поддерживает генерацию изображений в нескольких соотношениях сторон, включая разрешения от 640×1536 до 1536×640, а также квадратный формат 1024×1024. Для управления результатом предусмотрены специальные теги качества, рейтинга, периода создания и эстетики; рекомендуются CFG Scale около 5–7, менее 30 шагов сэмплирования и sampler Euler Ancestral. README не указывает языки текстовых промптов или максимальную длину контекста. Сильные стороны модели — специализация на anime-эстетике, расширенное покрытие персонажей, улучшенная детализация и управляемость результата с помощью тегов. Ограничения включают зависимость качества от правильной структуры промпта и рекомендованных параметров, а также отсутствие сведений о производительности, безопасности и ограничениях использования. В метаданных указана лицензия CDLA-Permissive-2.0, тогда как в описании README приведена Fair AI Public License 1.0-SD; перед использованием необходимо уточнить, какая лицензия применяется к данной версии.