I.8Изображения и компьютерное зрение

AIM-1B — модель компьютерного зрения Apple из семейства AIM, созданная для проекта к исследовательской работе «Scalable Pre-training of Large Autoregressive Image Models». Это зрительная модель с авторегрессионным генеративным предобучением; карточка публикует результаты классификации ImageNet-1k с замороженной основой модели. Модель предназначена для классификации изображений и использования в качестве визуального представления, предварительно обученного на больших неразмеченных наборах изображений. В README заявлена масштабируемость семейства до миллиардов параметров, однако точный размер этой версии в предоставленных данных не указан. Для загрузки используется PyTorch и библиотека ml-aim. Репозиторий распространяется по лицензии apple-amlr.

AnyPose — набор LoRA-адаптеров, разработанный lilylilith для Qwen Image Edit 2511 и совместимых вариантов. Модель предназначена для переноса позы человека или персонажа с одного изображения на другого по двум входным изображениям: исходному персонажу и референсу с требуемой позой. Она работает в сценариях редактирования изображений image-to-image и не требует ControlNet или отдельной OpenPose-разметки. Адаптеры рассчитаны на совместное использование с Qwen Image Edit 2511 Lightning LoRA для ускоренного вывода. AnyPose позволяет воспроизводить простые и сложные позы, включая положения с нестандартной геометрией тела, а также стремится сохранять стиль и фон исходного изображения. В комплект входят два LoRA-веса — базовый и вспомогательный; в README рекомендуется устанавливать силу каждого на уровне 0,7 и использовать четырёхшаговый Lightning-режим. Модель может автоматически дорисовывать части тела и изображения, отсутствующие в исходном кадре, однако результат зависит от контекста и формулировки запроса. К ограничениям относятся непредсказуемое изменение фона, перенос персонажа в сцену референсного изображения, появление фрагментов предыдущей сцены и необходимость дополнительных текстовых указаний для скрытой одежды или деталей. Для более согласованных результатов рекомендуется использовать исходное изображение с полностью видимым телом персонажа и окружающей сценой. Лицензия модели — Apache 2.0; отдельные сведения о языках, размере адаптеров и максимальном контексте не указаны.

diffusers/controlnet-canny-sdxl-1.0-small — экспериментальная компактная модель ControlNet из экосистемы Hugging Face Diffusers, обученная для совместной работы с Stable Diffusion XL base 1.0. Она управляет генерацией изображений по карте контуров Canny, сохраняя заданную структуру исходного изображения и позволяя получать изображения по текстовому описанию. Модель предназначена для сценариев text-to-image с контролем композиции, формы и границ объектов, включая фотореалистичные и художественные изображения. Контрольная сеть примерно в семь раз меньше исходной версии XL ControlNet. Она не содержит attention-блоков и не использует distillation; компактная архитектура инициализирована из SDXL UNet. Модель работает с изображениями и текстом, поддерживается StableDiffusionXLControlNetPipeline и рассчитана на использование в FP16. В README не указаны точный размер в параметрах, максимальная длина контекста или перечень поддерживаемых языков. Для управления силой влияния контуров рекомендуется настраивать controlnet_conditioning_scale; значение 0,5 указано как подходящее для хорошей обобщающей способности. Сильная сторона модели — существенно меньший размер при приемлемой работе с большинством изображений-контролей, что может упростить использование по сравнению с крупной версией ControlNet. Ограничения связаны с экспериментальным статусом: для сложных условий более крупные контрольные точки могут давать лучшее качество, а модель всё ещё требует улучшений. Лицензия указана как OpenRAIL++.

FLUX.1-Turbo-Alpha — дистиллированная LoRA для FLUX.1-dev, выпущенная командой AlimamaCreative. Модель ускоряет генерацию изображений по текстовым описаниям и рассчитана на работу за 8 шагов; авторы применяли многоголовый дискриминатор для улучшения качества дистилляции. LoRA также совместима с моделями семейства FLUX и может применяться для инпейнтинга вместе с alimama-creative/FLUX.1-dev-Controlnet-Inpainting-Beta. В README рекомендуются guidance_scale=3.5 и lora_scale=1. Для запуска описана поддержка diffusers и приведён workflow для ComfyUI. Модель основана на FLUX.1-dev от Black Forest Labs; файлы представлены в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория и условиями базовой модели.

FLUX.2 [klein] 4B fp8 diffusers — квантованная версия компактной модели Black Forest Labs для генерации и редактирования изображений. В основе — rectified flow transformer с 4 млрд параметров; модель принимает текстовые запросы и изображения, включая несколько референсов, и объединяет генерацию и редактирование в одной архитектуре. Репозиторий подготовлен для Diffusers и содержит веса в формате safetensors; трансформер квантован до FP8, а текстовый энкодер заменён на 4-битную версию unsloth/Qwen3-4B-unsloth-bnb-4bit. Модель предназначена для локальной разработки, развёртывания на периферийных устройствах и производственных сценариев, где важны скорость и умеренные требования к памяти. В README заявлены пиковое потребление около 9 ГБ VRAM и генерация примерно за 0,1 секунды при четырёх шагах на RTX 5090; требования к памяти и скорость зависят от оборудования и конфигурации. Карточка описывает генерацию по тексту, редактирование и работу с несколькими референсами. Текст, встроенный в изображение, может отображаться неточно, модель может не следовать запросу, а результат не предназначен для получения фактической информации. Поведение зависит от формулировки запроса, и возможны смещения из обучающих данных. Лицензия — Apache 2.0; в карточке также перечислены ограничения на отдельные виды использования.

HyperCLOVA X SEED 8B Omni VG — вариант мультимодальной модели HyperCLOVA X SEED 8B Omni для генерации и редактирования изображений. В репозитории указаны архитектура VLM и классы HCXVisionV2ForCausalLM; модель запускается через pipeline HCXOmniPipeline в библиотеке diffusers. Аудиокомпоненты исходной Omni-модели удалены. Модель принимает текстовый запрос для создания изображения или текстовую инструкцию вместе с исходным изображением для его редактирования. В README приведены примеры генерации и преобразования изображения, а также размеры вывода 768×768 по умолчанию и пресеты форматов кадра. Для запуска требуется GPU; в инструкции описаны настройки для A100 и V100, включая загрузку с квантованием для карты с 32 ГБ памяти. Карточка позиционирует pipeline как средство для тестирования и прототипирования, а для быстрого вывода предлагает рассмотреть vLLM или OmniServe. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах автора. В README также отмечено, что pipeline рассчитан на удобный запуск и прототипирование.

JanusFlow-1.3B — мультимодальная модель DeepSeek для понимания изображений и генерации изображений в единой системе. Она объединяет авторегрессионную языковую модель с rectified flow; визуальные кодировщики для понимания и генерации разделены. Модель построена на DeepSeek-LLM-1.3B-Base, использует SigLIP-L для анализа изображений размером 384 × 384 и SDXL-VAE для генерации изображений того же разрешения. В карточке указан контрольный чекпойнт EMA после предварительного обучения и supervised fine-tuning. Модель предназначена для диалога о содержимом изображений и создания изображений по текстовым запросам. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. В метаданных основная задача обозначена как any-to-any. Карточка не сообщает о поддержке конкретных естественных языков.

Kandinsky 2.2 ControlNet Depth — модель генерации изображений по текстовому описанию с управлением через карту глубины. Модель Kandinsky разработана Арсением Шахматовым, Антоном Ражжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Карточка показывает использование через KandinskyV22ControlnetPipeline в Diffusers. Архитектура сочетает image prior на основе CLIP, латентную диффузионную UNet-модель и декодер MoVQGAN. Карта глубины задаёт пространственную структуру изображения, а текстовый запрос — его содержание и стиль; также поддерживается преобразование исходного изображения с ControlNet conditioning. Обучение Kandinsky 2.2 использовало наборы LAION и дополнительные высококачественные изображения. Модель поддерживает генерацию изображений с разрешением до 1024 × 1024 и различными пропорциями. Модель распространяется под лицензией Apache-2.0. Карточка не приводит точный размер параметров и длину контекста; для использования требуются совместимые компоненты Diffusers.

Kwai-Kolors/Kolors-ControlNet-Canny — веса ControlNet от команды Kolors, предназначенные для управления генерацией изображений по карте контуров Canny. Модель работает как условный компонент с базовой моделью Kolors и используется через библиотеку Diffusers; сама карточка также упоминает совместную работу с Kolors-IP-Adapter-Plus. Модель подходит для генерации изображений по текстовому запросу с сохранением пространственной структуры исходного изображения, заданной контурной картой. В оценке авторов на наборе из более чем 200 изображений она получила более высокую среднюю оценку управляемости, чем SDXL-ControlNet-Canny; это результат внутреннего сравнения, а не независимая гарантия качества. Для работы нужны базовая модель Kolors и карта Canny; веса опубликованы в формате Safetensors. Лицензия — Apache-2.0. Карточка не приводит размер весов и длину контекста.

Это модель для получения визуальных признаков стиля плотно обрезанного текста на изображениях. Она построена на дообученном backbone DINOv2 ViT-B/14 и выдаёт нормализованные эмбеддинги общей типографики и внешнего вида, а также отдельные эмбеддинги шрифта и оформления — заливки, обводки, тени и прозрачности. Дополнительно доступны локальные исследовательские токены, не проверенные для управления генерацией. Модель предназначена для поиска похожего оформления текста внутри одного языка и между китайским и английским языками. В контролируемом синтетическом тесте на ранее не встречавшихся шрифтах точность font R@1 составила от 61,08% до 87,88% в зависимости от направления и языка поиска; эти результаты не характеризуют точность на реальных фотографиях. Это публичный inference-артефакт в формате safetensors, распространяемый по лицензии Apache-2.0. Обычное OCR, другие письменности и использование токенов для генерации не заявлены как проверенные сценарии.

Карточка модели servantofares/Ming-UniVision-16B-A3B на Hugging Face совпадает с карточкой inclusionAI/Ming-UniVision-16B-A3B, поэтому описание составлено по ней. Ming-UniVision-16B-A3B — мультимодальная авторегрессионная модель от inclusionAI для совместного понимания и генерации изображений в диалоге. Она использует непрерывные визуальные представления MingTok в единой схеме предсказания следующего токена, без дискретного квантования изображений и отдельных модальных голов. Архитектура в метаданных обозначена как BailingMMNativeForConditionalGeneration; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для вопросов по изображениям, генерации изображений и их редактирования, включая многошаговые сценарии, где пользователь чередует запросы на понимание и изменение изображения. README сообщает о согласованном пространстве представлений для визуального понимания и генерации, а также о более быстром сходимости совместного обучения; заявлено ускорение в 3,5 раза. Поддерживаемые языки по метаданным — английский и китайский. Модель распространяется по лицензии Apache-2.0. В README не приведены конкретные сведения о размере контекстного окна и практических ограничениях качества; модельная карточка не содержит примеров использования или подробных инструкций по запуску.

Mobile-O-1.5B — мультимодальная модель семейства Mobile-O для диалога с изображениями и генерации изображений, представленная в репозитории Amshaker. Она объединяет визуально-языковой компонент FastVLM-1.5B с диффузионным декодером SANA и предназначена для запуска с учётом ограничений мобильных устройств. Модель выполняет визуальные вопросы и ответы, распознавание текста на изображениях, рассуждение по визуальному содержимому, генерацию изображений по текстовому запросу и редактирование изображений. Метаданные указывают 1,5 млрд параметров, архитектуру MobileOForCausalLM, библиотеку Transformers и контекст до 32 768 токенов. Карточка описывает FastVLM-1.5B на базе FastViT и Qwen2-1.5B, диффузионный декодер SANA-1600M-512 с Linear DiT и VAE, а также обучающий проектор MCP; в описании размера диффузионного компонента README есть расхождение между 1,6 млрд и 600 млн параметров. Обучение проходило в три этапа на парах текст–изображение, курируемых парах и мультимодальных наборах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает о поддержке конкретных естественных языков; качество может зависеть от запроса и изображения, а заявленная мобильная направленность сама по себе не гарантирует работу на любом устройстве.

NyxKrage/moondream3-preview-hf — реализация Moondream 3 Preview в соглашениях архитектуры Hugging Face Transformers, созданная NyxKrage на основе публичной версии модели от M87 Labs / Moondream AI. Это мультимодальная модель для анализа изображений с текстовым бэкбоном MoE: около 9 млрд параметров, из которых активно используется около 2 млрд. Репозиторий позволяет работать с моделью через Transformers API, включая generate(), Trainer и интеграции PEFT. Модель принимает изображение и текстовый запрос и может отвечать на вопросы об изображении, создавать подписи, находить объекты и указывать точки на изображении. Для запросов и подписей она выдаёт текст; для обнаружения и указания точек — структурированные координаты рамок и точек. Карточка демонстрирует шаблоны запросов на английском языке. Модель хранится в формате safetensors; метаданные указывают лицензию other. При пакетной обработке все изображения должны давать одинаковое число визуальных кропов, а запросы в одном пакете должны использовать один режим. Поэтому изображения и задачи с разной структурой нужно группировать и обрабатывать отдельно.

PaliGemma 2 10B Mix 448 — разработанная Google открытая мультимодальная модель, объединяющая визуальный энкодер SigLIP и языковую модель Gemma 2. Она принимает изображения и текст и генерирует текст; версия 448 рассчитана на обработку изображений с разрешением 448 пикселей. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка, включая описание изображений и коротких видео, ответы на вопросы об изображениях, чтение текста, обнаружение и сегментацию объектов. Модель поддерживает многоязычные запросы. Шаблоны подсказок позволяют задавать режимы описания, OCR, визуальных вопросов и ответов, а также локализации и сегментации объектов. Это базовая модель для настройки под конкретные задачи, а не полноценный многоходовый чат-бот; её ответы могут содержать ошибки, а открытые или сложные инструкции могут давать слабый результат. Возможны предвзятость и небезопасные или вводящие в заблуждение ответы, поэтому для прикладного использования нужны оценка и подходящие меры контроля. Лицензия — Gemma; применяются ограничения политики допустимого использования Gemma.

PaliGemma 2 3B PT 448 — предобученная мультимодальная модель Google для обработки изображений и текста. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma 2 и принимает изображения размером 448×448 пикселей вместе с текстовым запросом; на выходе генерирует текст. Модель поддерживает несколько языков, а входная и выходная последовательности текста рассчитаны на 512 токенов. Модель предназначена прежде всего для дообучения под конкретные задачи: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения объектов и сегментации. Она также может служить основой для специализированных сценариев, например анализа снимков дистанционного зондирования или объяснения элементов интерфейса. Это базовая модель, не многотуровый чат-бот; её результаты без дообучения на прикладной задаче могут быть слабее, чем у моделей общего назначения. Возможны фактические ошибки и смещения. Доступна в формате bfloat16 для дообучения; лицензия — Gemma, применяются условия использования и политика запрещённых применений Gemma.

PaliGemma 3B PT 896 — предварительно обученная компактная модель для работы с изображениями и текстом, разработанная Google. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma и принимает изображение вместе с текстовым запросом, выдавая текст. Модель рассчитана на дообучение под конкретную задачу: описание изображений и коротких видео, визуальные вопросы и ответы, чтение текста на изображениях, обнаружение и сегментацию объектов. Модель поддерживает несколько языков и предназначена для одношагового взаимодействия, а не для многоходового диалога. Она лучше подходит для задач с чёткими инструкциями и специализированным дообучением; ответы на открытые и сложные вопросы могут быть неточными, а готовое качество без адаптации к задаче может уступать специализированным моделям. Весовые файлы представлены в формате safetensors. Лицензия — Gemma; применение должно соответствовать условиям лицензии и правилам использования моделей Gemma.

omlab/Qwen2.5VL-3B-VLM-R1-REC-500steps — дообученная модель на основе Qwen/Qwen2.5-VL-3B-Instruct с усилением для задачи REC (распознавание объектов по выражениям на естественном языке). Она предназначена для поиска на изображении объекта, соответствующего текстовому описанию, и выдачи его локализации. Модель относится к семейству Qwen2.5-VL, использует архитектуру Qwen2_5_VLForConditionalGeneration и содержит 3,1 млрд параметров. Она принимает изображения и текст; заявленный контекст составляет 128 000 токенов. В карточке указаны английский язык и датасет lmms-lab/RefCOCOg. Репозиторий содержит веса safetensors. Модель рассчитана на визуальное указание объектов по фразе, например для визуального поиска и привязки описаний к областям изображения. README называет её улучшенной версией REC с обучением VLM-R1, но не приводит результатов оценки или подробностей обучения. Лицензия в предоставленных данных не указана.

Qwen-VL-Chat-Int4 — квантованная до Int4 версия диалоговой визуально-языковой модели Qwen-VL-Chat, разработанной Alibaba Cloud. Модель предназначена для мультимодального взаимодействия: принимает изображения, текст и ограничивающие рамки, а генерирует текстовые ответы и ограничивающие рамки. Она поддерживает многоязычные диалоги, включая китайский и английский, работу с несколькими изображениями в одном диалоге, открытое распознавание объектов, детальное понимание изображений и визуальную локализацию на китайском языке. Модель подходит для анализа изображений в формате вопрос–ответ, описания сцен и объектов, распознавания содержимого и указания координат найденных объектов. Версия Int4 рассчитана на более эффективное по памяти и скорости инференс-развёртывание; в тестах на одной видеокарте A100-SXM4-80G она показывала скорость 37,79 токена/с для контекста 2048 токенов и 34,34 токена/с для контекста 8192 токенов. По данным README, квантование не привело к значительному падению качества на бенчмарке TouchStone. К ограничениям относятся необходимость совместимого окружения с Python 3.8+, PyTorch 2.0+ и рекомендуемой CUDA 11.4+, а также зависимость от GPU-инференса и специального программного стека. В README не указаны размер модели, точная архитектура, максимальная длина контекста и лицензия, поэтому эти характеристики нельзя определить по предоставленным данным.

Sa2VA-1B — мультимодальная модель ByteDance для диалога с изображениями и видео, визуального понимания и сегментации объектов. Она объединяет возможности языковой модели с визуальным компонентом Sa2VA; в описании семейства указаны InternVL2.5-1B как базовая мультимодальная модель и Qwen2.5-0.5B-Instruct как языковая часть. Метаданные связывают репозиторий с OpenGVLab/InternVL2.5-1B отношением merge. Модель предназначена для ответов на вопросы по изображениям и видео, понимания визуальных подсказок, локализации объектов и плотной сегментации. По данным авторов, она показывает сопоставимые с Qwen2-VL и InternVL2.5 результаты на бенчмарках ответов на вопросы и высокие результаты в задачах визуальной локализации и сегментации. Репозиторий создан в январе 2025 года, веса опубликованы в формате safetensors, запуск описан через Transformers. Модель принимает изображения и видео вместе с текстовыми запросами и генерирует текстовые ответы, а также результаты сегментации. Указана лицензия Apache-2.0. README не приводит сведения о длине контекста или конкретных поддерживаемых языках; тег multilingual указывает на многоязычность, но не уточняет набор языков.

Карточка модели ByteDance/Sa2VA-Qwen2_5-VL-7B на Hugging Face совпадает с карточкой ByteDance/Sa2VA-Qwen2_5-VL-3B, поэтому описание составлено по ней. ByteDance/Sa2VA-Qwen2_5-VL-3B — мультимодальная чат-модель семейства Sa2VA, предназначенная для работы с изображениями и видео. Она отвечает на вопросы по визуальному содержимому, понимает визуальные подсказки и выполняет сегментацию объектов с плотной привязкой к изображению или кадрам видео. Семейство Sa2VA объединяет языковые и визуальные компоненты; в этом репозитории указаны 3,1 млрд параметров, архитектура Sa2VAChatModelQwen и контекст до 128 000 токенов. Модель рассчитана на визуальные диалоги, локализацию объектов и сегментацию, включая задачи на видео. В README семейство Sa2VA описано как конкурентоспособное с Qwen2.5-VL и InternVL3 в тестах ответов на вопросы и сильное в визуальной привязке и сегментации. Указанная лицензия — Apache-2.0. Поддержка языков обозначена как многоязычная, без перечисления отдельных языков.

lllyasviel/sd-controlnet-scribble — модель ControlNet, разработанная Lvmin Zhang и Maneesh Agrawala. Она предназначена для управления генерацией изображений в Stable Diffusion v1.5 с помощью дополнительных условных входных данных в виде изображений-скетчей или набросков. Модель используется совместно с базовой моделью Stable Diffusion и подходит для сценариев text-to-image и image-to-image, когда требуется сохранить структуру, заданную скетчем, одновременно управляя содержанием текстовым описанием. Это диффузионная модель для генерации изображений с архитектурой ControlNet; она обучена на Stable Diffusion v1-5 и принимает английские текстовые описания. Специализация данного контрольного модуля — изображения Scribble, то есть условные изображения с набросками, по которым задаются композиция и основные формы результата. Размер модели, максимальная длина контекста и точный набор поддерживаемых модальностей в README не указаны. Сильная сторона модели — дополнительный контроль над генерацией по сравнению с обычной Stable Diffusion, что позволяет точнее воспроизводить структуру исходного наброска. Ограничение состоит в зависимости от совместимой базовой модели и качества входного скетча; модель предназначена для визуального управления, а не для самостоятельной генерации без Stable Diffusion. Лицензия — CreativeML OpenRAIL M, адаптированная на основе Open RAIL M; условия лицензии и ограничения ответственного использования следует учитывать при применении.

Versta Glyphmatte — компактная сверточная U-Net-модель Рикардо Сноук-Валкенбурга для локальной обработки изображений строк текста в мобильном OCR. Модель содержит около 1,9 млн параметров и четыре выходные головы: карта покрытия чернил (matte), поле толщины штрихов (weight), а также карты цветов переднего и заднего плана. На вход подаётся RGB-полоска высотой 48 пикселей и шириной, кратной 16; выходные карты помогают выравнивать и улучшать текст перед распознаванием. Модель обучена с нуля на 50 000 синтетических текстовых полосок и предназначена для работы на периферийных устройствах. В репозитории доступны варианты ONNX fp32 и fp16, а int8-версия MNN размером около 1,9 МБ включена в пакет OCR приложения Versta для Android. Лицензия — Apache-2.0. Карточка описывает валидацию экспорта ONNX относительно PyTorch и оценку карт matte и weight, но не приводит сравнительных результатов на реальных документах.

BAGEL-RecA — мультимодальная модель на базе BAGEL-7B-MoT от ByteDance Seed, дообученная автором репозитория методом Reconstruction Alignment. Она предназначена для генерации изображений по тексту и редактирования изображений по инструкциям; автор сообщает, что возможности понимания изображений при дообучении сохранились. В README приведены результаты оценки генерации при разрешении 1024×1024 и тестов редактирования, включая GenEval, DPGBench, GEdit-Bench-EN и ImgEdit. Модель принимает текст и изображения и может выдавать текст и изображения. В карточке указаны английский и китайский языки. Весовые файлы представлены в форматах NF4, INT8 и BF16; метаданные также указывают PyTorch и Safetensors. Репозиторий опубликован по лицензии Apache-2.0. Для установки и использования README отсылает к исходному репозиторию BAGEL.

ChatRex-7B — мультимодальная языковая модель IDEA-Research для ответов на вопросы об изображениях с привязкой ответов к конкретным объектам и областям. Она объединяет языковую модель с модулем предложений объектов Universal Proposal Network (UPN), который основан на DETR и использует стратегию с двумя уровнями детализации. Входы модели — изображение, текстовый запрос и рамки объектов, которые можно получить через UPN или задать вручную. Модель предназначена для обнаружения и локализации объектов, диалога с привязкой к областям изображения, описания регионов и генерации подписей к изображению с указанием объектов. В карточке указаны высокоразрешённые визуальные входы и обучение на наборе Rexverse-2M с аннотациями областей и текста. Модель объединяет компоненты на основе laion/CLIP-convnext_large_d.laion2B-s26B-b102K-augreg, lmsys/vicuna-7b-v1.5 и openai/clip-vit-large-patch14; формат весов — safetensors. Поддерживается английский язык. Для работы требуется передать рамки объектов вместе с изображением и запросом; качество и языковая поддержка за пределами описанных сценариев в карточке не охарактеризованы. Лицензия в предоставленных данных не указана.

mit-han-lab/dc-ae-f32c32-sana-1.1 — автоэнкодер Deep Compression Autoencoder (DC-AE) от MIT Han Lab, связанный с проектом SANA 1.5. Модель предназначена для сжатия и восстановления изображений в конвейерах диффузионной генерации высокого разрешения; её латентные представления можно применять в латентных диффузионных моделях для ускорения обучения и генерации. В README описаны остаточное автоэнкодирование и трёхфазная адаптация к высокому разрешению, позволяющие повышать пространственное сжатие до 128 раз с сохранением качества реконструкции. Карточка Hugging Face относит репозиторий к задаче text-to-image и указывает формат весов safetensors. README сообщает об ускорении диффузионных моделей на примере ImageNet 512×512, но не приводит отдельной инструкции по генерации или ограничений конкретного чекпойнта. Лицензия в предоставленных данных не указана.

Gliese-Qwen3.5-4B-Abliterated-Caption — мультимодальная модель для генерации описаний изображений, разработанная prithivMLmods на базе Qwen/Qwen3.5-4B. Она предназначена для подробного и контекстного описания сцен, объектов, людей и окружения, а также для создания caption-датасетов, аннотирования изображений, мультимодальных исследований и локальных inference-пайплайнов. Модель содержит около 4 млрд параметров и работает с текстом и изображениями. Заявлена поддержка английского и китайского языков; pipeline обозначен как image-text-to-text. Модель оптимизирована для длинных, структурированных и семантически насыщенных описаний, а также для локального развёртывания на современных GPU. Доступны варианты GGUF в форматах BF16, F16, F32 и Q8_0, а также отдельные мультимодальные проекции. Ключевая особенность — abliterated-модификация, направленная на снижение внутренних отказов и получение более нефильтрованных описаний. Это может повысить полноту генерации, но одновременно увеличивает риск создания нежелательного или небезопасного контента; результаты требуют контроля со стороны пользователя. README рекомендует использовать модель для исследований и обучения и возлагает ответственность за безопасное, этичное и законное применение на пользователя. Лицензия — Apache-2.0.

Janus — авторегрессионная мультимодальная модель компании DeepSeek для совместного понимания изображений и генерации изображений. Она построена на базе DeepSeek-LLM-1.3b-base и использует единую архитектуру трансформера с отдельными путями визуального кодирования для понимания и генерации. Для понимания изображений применяется визуальный энкодер SigLIP-L, принимающий изображения размером 384 × 384; для генерации используется отдельный токенизатор изображений с коэффициентом уменьшения разрешения 16. Модель предназначена для мультимодальных сценариев, в которых требуется анализировать изображение по текстовому запросу или создавать изображение. Репозиторий использует библиотеку Transformers и содержит веса в формате safetensors. Лицензия — MIT.

Ming-UniVision-16B-A3B — мультимодальная авторегрессионная модель от inclusionAI для совместного понимания и генерации изображений в диалоге. Она использует непрерывные визуальные представления MingTok в единой схеме предсказания следующего токена, без дискретного квантования изображений и отдельных модальных голов. Архитектура в метаданных обозначена как BailingMMNativeForConditionalGeneration; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для вопросов по изображениям, генерации изображений и их редактирования, включая многошаговые сценарии, где пользователь чередует запросы на понимание и изменение изображения. README сообщает о согласованном пространстве представлений для визуального понимания и генерации, а также о более быстром сходимости совместного обучения; заявлено ускорение в 3,5 раза. Поддерживаемые языки по метаданным — английский и китайский. Модель распространяется по лицензии Apache-2.0. В README не приведены конкретные сведения о размере контекстного окна и практических ограничениях качества; модельная карточка не содержит примеров использования или подробных инструкций по запуску.

MMaDA-8B-Base — мультимодальная диффузионная модель семейства LLaDA, представленная разработчиками Gen-Verse. В карточке описана унифицированная архитектура для текстовых рассуждений, мультимодального понимания и генерации изображений по тексту; указаны смешанное дообучение с длинными цепочками рассуждений и алгоритм UniGRPO для постобучения. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель предназначена для задач, сочетающих текст и изображения, включая понимание мультимодального содержимого и генерацию изображений по описанию. Размер 8B отражён в названии модели. В карточке не приведены сведения о поддерживаемых языках, длине контекста и точном составе входных и выходных модальностей. Лицензия — MIT.

OneVision-Encoder — визуальный трансформер семейства OneVision-Encoder от LMMS-Lab, предназначенный для извлечения признаков изображений и использования в качестве визуального компонента крупных мультимодальных моделей, включая серию LLaVA-OneVision-2. Модель содержит 402,7 млн параметров и распространяется в формате Safetensors по лицензии Apache-2.0. Архитектура выравнивает визуальные признаки с языковыми моделями. Она поддерживает изображения с исходным разрешением и произвольным соотношением сторон, а также видео с переменным числом кадров. Для видео применяется обработка в стиле кодека: из плотной последовательности кадров выбираются значимые патчи. Технический отчёт описывает 3D Rotary Position Embedding для временной и пространственных осей. Модель подходит для получения визуальных признаков для последующего мультимодального анализа, включая понимание видео, распознавание действий, работу с документами, диаграммами и текстом на изображениях. README сообщает о совместимости с Transformers 4.57.3; версии Transformers 5.0 и выше пока не поддерживаются. Это энкодер признаков, а не самостоятельная разговорная модель.