I.8Изображения и компьютерное зрение

bonsai-image-binary-4B-gemlite-1bit — компактная версия модели генерации изображений Prism ML на основе FLUX.2 Klein 4B. Это диффузионный трансформер MMDiT примерно с 4 млрд параметров, в котором веса основных линейных слоёв представлены значениями −1 и +1 с групповым масштабированием FP16; модель предназначена для запуска на NVIDIA GPU через CUDA и Gemlite. Для генерации используется четырёхшаговый FlowMatch-Euler с guidance 1.0 и shift 3.0. По данным разработчика, трансформер занимает 0,93 ГБ, а генерация изображения 1024×1024 занимает около 4,5 секунды на RTX 3080 или 2,7 секунды на A100. Текстовый энкодер применяется для кодирования запроса, после чего выгружается; декодирование изображения выполняет VAE. Модель предназначена для локальной генерации изображений по текстовым запросам, быстрой творческой итерации и развёртывания на рабочих станциях или серверах с NVIDIA GPU. Разработчик отмечает, что бинарная версия не совпадает побитово с FP16 FLUX.2 Klein 4B, а качество зависит от запроса и сценария: мелкий текст, детали, точное число объектов и строгая композиция требуют проверки. Репозиторий распространяется по лицензии Apache-2.0.

Bonsai Image Binary 4B Unpacked — версия модели генерации изображений Bonsai Image в формате FP16 safetensors для библиотеки diffusers. Она основана на Black Forest Labs FLUX.2-klein-4B и предназначена для создания изображений по текстовым описаниям. Разработчик модели в доступной карточке не назван. Этот вариант подходит для запуска через стандартный diffusers и другие фреймворки без поддержки низкобитных весов Bonsai. В отличие от оптимизированных 1-битных сборок, распакованная FP16-версия занимает полный объём и не даёт заявленных для них сокращения размера или ускорения инференса. Лицензия — Apache-2.0.

ConvNeXTAIimagedetector — модель классификации изображений на архитектуре ConvNeXt Tiny, разработанная как дообученная версия facebook/convnext-tiny-224. Она предназначена для распознавания изображений, связанных с обнаружением изображений, созданных искусственным интеллектом. В README приведены результаты оценки: точность 0,9826 и loss 0,0518; набор данных и подробности оценки не раскрыты. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

FLUX.MF-lightning_8step-uncen — объединённая модель генерации изображений по текстовому описанию, опубликованная в рамках проекта OpenSight. Она объединяет параметры black-forest-labs/FLUX.1-dev и black-forest-labs/FLUX.1-schnell, после чего в неё были сведены выбранные LoRA, часть которых рассчитана на NSFW-контент. Репозиторий предназначен преимущественно для создания датасетов и оценки моделей. Модель использует архитектуру FLUX и доступна в формате Diffusers с весами Safetensors. Суффикс 8step указывает на вариант для генерации за восемь шагов, однако README не приводит результатов оценки качества или точных инструкций по настройке. Карточка не уточняет размер модели, контекст или языки; метаданные отмечают английский. Лицензия указана как other, поэтому перед коммерческим использованием следует проверить условия лицензий обеих базовых моделей.

IterComp — модель генерации изображений по тексту, основанная на SDXL Base 1.0 и представленная авторами проекта IterComp. Она предназначена для композиционной генерации: создания изображений по сложным запросам, где важны сочетание нескольких объектов и их взаимное расположение. Репозиторий предоставляет веса для использования с библиотекой Diffusers и форматом safetensors. Модель принята на ICLR 2025. В README также описаны отдельные композиционно-ориентированные модели оценки изображений и варианты IterComp-RPG с рассуждающими LLM, однако карточка comin/IterComp содержит базовую модель генерации. Лицензия — Apache-2.0. Для запуска нужны Diffusers и вычислительное устройство с поддержкой CUDA; README не сообщает численный размер модели и длину контекста.

Jagle-VL-2.2B-FineVision — мультимодальная модель зрения и языка, разработанная командой LLM-jp и обученная на наборе данных FineVision. Архитектура включает языковую модель Qwen3-1.7B, визуальный энкодер SigLIP2 So400m Patch16-512 и лёгкий проектор из двухслойного MLP; общий заявленный размер — 2,2 млрд параметров. Модель предназначена для извлечения признаков из визуально-языковых данных. Вход включает изображения и текст, а модель формирует признаки для последующей обработки; в метаданных Hugging Face основной задачей указан feature-extraction. Карточка не сообщает длину контекста и явно не перечисляет поддерживаемые языки. Указан формат весов safetensors и библиотека Transformers. Модель обучена на FineVision, однако README не приводит оценок качества или подробностей об ограничениях её применения. Лицензия в предоставленных данных не указана.

eniora/Juggernaut_XL_Ragnarok — модель генерации изображений по текстовому описанию, опубликованная пользователем eniora. Репозиторий использует архитектуру Stable Diffusion XL и библиотеку Diffusers; веса представлены в формате Safetensors, общий размер модели на карточке Hugging Face указан как 3 млрд параметров. Модель предназначена для создания изображений по текстовым промптам. Её можно запускать через StableDiffusionXLPipeline или DiffusionPipeline, в том числе локально на совместимом оборудовании. Карточка репозитория не содержит описания обучения, языковой поддержки, контекстного окна или лицензии, поэтому эти характеристики нельзя надёжно уточнить.

LibreFLUX — модель генерации изображений по тексту, созданная Jimmy Carter на основе FLUX.1-schnell и опубликованная под лицензией Apache 2.0. Она предназначена для генерации изображений и как основа для дообучения на новых распределениях данных. Модель восстанавливает полную длину контекста T5, использует маскирование внимания и возвращает classifier-free guidance. Автор сообщает, что из модели удалена большая часть эстетической тонкой настройки и DPO FLUX; поэтому изображения могут быть менее привлекательными, чем у базовой FLUX.1-schnell. Для инференса README указывает diffusers 0.30.3 и рекомендует guidance scale от 2 до 5; при размытии или необычных тенях советует снизить значение.

Liquid V1 7B — авторегрессионная мультимодальная модель Junfeng Wu и соавторов, созданная на основе Gemma 7B. Она объединяет понимание изображений и их генерацию с текстом в одной трансформерной модели: изображения кодируются в дискретные токены, обучаемые совместно с текстовыми. Модель принимает текст и изображения и генерирует текст или изображения. Версия с 8,2 млрд параметров рассчитана на мультимодальные сценарии, включая ответы на вопросы об изображениях и генерацию изображений по текстовому запросу. Контекст — до 8192 токенов. В карточке указаны английский язык и лицензия MIT. Доступны веса в формате safetensors. Модель опирается на Gemma 7B и использует общий авторегрессионный механизм для визуального понимания и генерации. README описывает взаимное улучшение этих задач при масштабировании семейства, но не приводит количественных оценок качества; результаты на конкретных задачах могут различаться.

Это дообученный визуальный энкодер на базе DINOv2 ViT-S/14 для сравнения визуального стиля китайских и английских надписей. Модель разработана для извлечения признаков из обрезанных изображений текстовых фрагментов и строк; для работы достаточно включённых в репозиторий весов. Обработка сохраняет соотношение сторон и дополняет изображение до 112 × 448 пикселей. Энкодер выдаёт три L2-нормированных вектора: общее представление типографики и внешнего вида размером 256, признаки шрифта размером 128 и признаки оформления размером 128, включая заливку, обводку, тень и прозрачность. Также доступны восемь локальных исследовательских токенов размерности 384. Эти представления подходят для сопоставления стиля внутри одного языка и между китайским и английским текстом; модель не распознаёт текст. Модель лучше всего подходит для контролируемых синтетических изображений китайского и английского текста. Работа с реальными фотографиями, другими письменностями и использованием токенов как условий для генератора не проверялась. Лицензия — Apache-2.0.

Nitro-E — семейство компактных моделей генерации изображений по тексту, разработанное AMD. Базовая Nitro-E-512px построена на архитектуре Efficient Multimodal Diffusion Transformer (E-MMDiT), обучена с нуля и содержит 304 млн параметров. Модель рассчитана на создание изображений размером 512 пикселей; генерация выполняется за 20 шагов. Также представлены дистиллированная версия Nitro-E-512px-dist и версия Nitro-E-512px-GRPO, дообученная методом Group Relative Policy Optimization. Модель ориентирована на эффективное обучение и вывод изображений при ограниченных вычислительных ресурсах. В README приведены показатели скорости на AMD Instinct MI300X: 18,8 изображения в секунду для базовой версии и 39,3 для дистиллированной при указанных настройках пакетной обработки. Обучение базовой модели заняло 1,5 дня на узле с восемью такими ускорителями. Репозиторий использует Diffusers и формат Safetensors; лицензия — MIT. Языковая поддержка и ограничения по содержанию в карточке не описаны.

nunchaku-ai/nunchaku-qwen-image — это квантованная версия модели Qwen-Image, разработанная командой Nunchaku. Модель предназначена для генерации изображений по текстовым описаниям и реализуется в экосистеме Diffusers. Она ориентирована на создание качественных изображений, включая сцены со сложным рендерингом текста, при сниженных требованиях к вычислительным ресурсам и минимальной потере качества по сравнению с исходной моделью. Доступны варианты INT4 для видеокарт до поколения Blackwell и NVFP4 для видеокарт Blackwell, а также конфигурации с рангом r32 и r128. r32 обеспечивает более быструю обработку, тогда как r128 ориентирован на лучшее качество, но работает медленнее. Помимо стандартных вариантов, представлены дистиллированные версии, рассчитанные на генерацию за 4 или 8 шагов и объединённые с соответствующими LoRA-модулями Qwen-Image-Lightning. Язык модели указан как английский; другие модальности и размер контекста в README не описаны. Сильными сторонами модели являются поддержка эффективного квантованного вывода, несколько вариантов точности и ранга, а также ускоренные 4- и 8-шаговые версии. Ограничения включают зависимость производительности и качества от выбранного формата, ранга и типа GPU; подробные требования к оборудованию, метрики качества и сценарии использования в README не приведены. Модель распространяется по лицензии Apache-2.0.

PaliGemma 2 3B PT 224 — предобученная мультимодальная модель Google для обработки изображений и текста. Она объединяет визуальный энкодер SigLIP с языковой моделью Gemma 2, принимает изображения размером 224 × 224 и текстовые последовательности до 128 токенов, а на выходе генерирует текст. Модель поддерживает несколько языков; их перечень в предоставленных материалах не уточняется. Чекпойнт предназначен прежде всего для дообучения под конкретные задачи: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения объектов и сегментации. Он также может служить основой для исследований и прикладных настроек в специализированных областях. Для некоторых задач, например детекции и сегментации, требуется дообучение, чтобы получать структурированные выходы вроде рамок или масок. Это базовая модель, а не готовый многоходовый чат-бот: она рассчитана на один раунд ввода изображения и текста, а её результаты без настройки под задачу могут уступать специализированным моделям. Возможны фактические ошибки, слабости в сложных или неоднозначных запросах и смещения, унаследованные от обучающих данных. Веса доступны в формате safetensors; в README указана доступность bfloat16 для дообучения. Лицензия — Gemma; применяются условия использования и политика запрещённых способов применения Gemma.

Qwen-Image-2.1-PE-I2I-GGUF — GGUF-версия модели Qwen-Image-2.1-PE-I2I, разработанной командой Qwen. Это модель переписывания промптов для редактирования изображений: она принимает расплывчатую инструкцию и одно или несколько входных изображений, а затем формирует точный промпт для последующего редактирования в диффузионном пайплайне Qwen-Image-2.1. Модель подходит для композитинга, переноса объекта из одного изображения в сцену другого и других сценариев многоизображенческого редактирования. Модель основана на доработанной Qwen3.5-VL-9B и поддерживает текстово-визуальные входы, включая несколько изображений, обозначаемых как <image1>, <image2> и далее. Перед ответом она выполняет рассуждение в блоке <think>, после чего возвращает структурированный JSON с переписанным промптом и одним из взаимоисключающих полей: wh_ratio для новой пропорции композиции или ratio_follow для сохранения пропорций исходного изображения. Указан английский язык. Доступны варианты GGUF с точностью от BF16 до Q3 и Q5, размером файлов примерно от 4,62 до 17,9 ГБ, а также отдельный мультимодальный проектор размером 922 МБ. Сильной стороной модели является специализация на преобразовании неформулированных инструкций в подробные, пригодные для дальнейшей обработки описания с учётом содержимого изображений. Она не выполняет само редактирование, а подготавливает промпт для Qwen-Image-2.1 через Diffusers. Для запуска предусмотрены Transformers и llama.cpp. Модель распространяется по Qwen Research License Agreement; точные ограничения лицензии следует уточнять в её тексте.

sd-vae-ft-mse-flax — вариант автоэнкодера KL-f8 для Stable Diffusion, опубликованный в формате Flax и предназначенный для использования с библиотекой Diffusers. Разработчики дообучили только декодер исходного автоэнкодера: сначала получили версию ft-EMA, затем продолжили её обучение для версии ft-MSE, используя функцию потерь MSE + 0,1 × LPIPS и веса EMA. В карточке указаны обучение на смеси LAION-Aesthetics и набора изображений людей LAION-Humans, а также цель улучшить восстановление лиц. Автоэнкодер восстанавливает изображения из латентных представлений и обратно; он совместим с существующими моделями Stable Diffusion как замена исходного автоэнкодера. Версия ft-MSE даёт более сглаженные результаты реконструкции. Это компонент генеративного конвейера Stable Diffusion, а не самостоятельная модель для генерации изображений по текстовому запросу. Распространяется по лицензии MIT.

TensorFamily/SigmaJourney — дообученная модель генерации изображений по текстовому описанию на основе PixArt-Σ XL 2 1024 MS. Она предназначена для создания изображений из текстовых запросов и может использоваться в ComfyUI через Diffusers-совместимые веса в формате safetensors. Модель опубликована в библиотеке Diffusers под лицензией CreativeML Open RAIL-M.

VILA-HD-8B-PS3-4K-SigLIP2 — мультимодальная языковая модель NVIDIA для понимания изображений высокого разрешения и ответов на вопросы по ним. Модель основана на PS3-4K-SigLIP2 и использует архитектуру LlavaTopDownLlamaModel; репозиторий содержит веса в формате safetensors. В README заявлен вход для изображений и текста, включая текстовые запросы до 12 288 токенов, и генерация текстовых ответов. Метаданные указывают английский язык. Модель предназначена для извлечения визуальных признаков и анализа изображений, в том числе фотографий с разрешением до 3780 × 3780 пикселей согласно таблице моделей VILA-HD. В примере показан ответ на вопрос о том, куда ведёт выход на изображении. Модель ориентирована на запуск на системах с ускорителями NVIDIA. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование; README указывает исследовательскую и разработческую направленность.

Z-Image — базовая модель семейства ⚡️-Image от проекта Tongyi-MAI для генерации изображений по текстовому описанию. Это недистиллированная модель на архитектуре диффузионного трансформера с однопоточной обработкой (Single-Stream Diffusion Transformer); она рассчитана на пользователей, которым нужны гибкость генерации, точное следование промпту и возможность дообучения или разработки дополнительных условий. Модель подходит для создания изображений в разных стилях: от фотореализма и кинематографической графики до аниме и стилизованных иллюстраций. Поддерживает Classifier-Free Guidance и негативные промпты, а разные seed дают вариативность композиции, внешности персонажей и освещения. В README рекомендованы разрешения от 512×512 до 2048×2048 пикселей, guidance scale 3,0–5,0 и 28–50 шагов генерации. Для работы указана библиотека Diffusers; веса представлены в формате safetensors. Лицензия — Apache-2.0.

Z-Image-De-Turbo — модель генерации изображений по текстовому описанию, созданная ostris. Это версия Tongyi-MAI/Z-Image-Turbo, дообученная на изображениях, сгенерированных базовой моделью, чтобы ослабить эффект турбодистилляции. Модель подходит для прямой генерации, обучения LoRA и дальнейшего дообучения; автор отмечает совместимость с базовой моделью при обучении LoRA. Для инференса автор рекомендует низкий CFG 2,0–3,0 и 20–30 шагов; также модель, по его наблюдениям, хорошо работает с нормализацией CFG. Репозиторий содержит версии для ComfyUI и Diffusers, веса представлены в формате safetensors. Модель основана на Tongyi-MAI/Z-Image-Turbo и распространяется по лицензии Apache-2.0.

unsloth/Z-Image-GGUF — это GGUF-квантизированная версия базовой модели Z-Image, разработанной командой Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и ориентирована на создателей контента, исследователей и разработчиков, которым нужны высокое качество, разнообразие визуальных стилей и точное следование промптам. Z-Image представляет собой полноразмерный, недистиллированный Single-Stream Diffusion Transformer. Она поддерживает Classifier-Free Guidance, отрицательные промпты и последующее дообучение, включая LoRA, а также структурное и семантическое управление. Модель рассчитана на разрешения от 512×512 до 2048×2048 при произвольном соотношении сторон, рекомендуемое число шагов генерации — 28–50, guidance scale — 3,0–5,0. В README указан английский язык, однако пример промпта приведён на китайском языке. Сильные стороны модели — широкий диапазон стилей от фотореализма и кинематографического цифрового искусства до anime и стилизованных иллюстраций, высокая вариативность композиции, лиц и освещения, а также эффективное управление нежелательными элементами через negative prompting. По сравнению с дистиллированной Z-Image-Turbo она требует больше шагов инференса, но сохраняет большую гибкость и пригодность к настройке. GGUF-версия использует методологию Unsloth Dynamic 2.0: важные слои переводятся в более высокую точность, а инструменты предоставлены ComfyUI-GGUF. Лицензия — Apache-2.0.

Align-Anything Chameleon 7B Base — мультимодальная модель организации PKU-Alignment на архитектуре Chameleon, дообученная на фреймворке Align-Anything для работы с чередующимися текстом и изображениями. Она принимает и формирует последовательности, в которых текст и изображения могут сочетаться; заявленная особенность этой версии — расширенные возможности генерации изображений. Модель предназначена для сценариев преобразования данных между текстом и изображениями, включая генерацию изображений по текстовым запросам и работу с чередующимися текстово-визуальными последовательностями. Веса содержат 6,7 млрд параметров, максимальный контекст — 4096 токенов. Репозиторий предоставляет веса PyTorch для библиотеки Transformers; лицензия — CC BY 4.0.

AI Source Detector — модель классификации изображений на базе ViT-Base Patch-16 с входным разрешением 224 пикселя, дообученная для определения источника изображения. Она относит изображения к пяти классам: Stable Diffusion, Midjourney, DALL·E, реальные изображения и другие ИИ-генераторы. Модель содержит 113,2 млн параметров по метаданным Hugging Face; в README приведена оценка 86 млн параметров. Модель предназначена для классификации изображений по происхождению и выявления изображений, созданных ИИ. В README указано обучение на наборе примерно из 52 тысяч изображений и результаты на тестовой выборке: точность Top-1 91,6% и Macro F1 0,914. Эти показатели относятся к описанным выборкам и не гарантируют такой же результат на изображениях из других источников или распределений. Репозиторий предоставляет веса PyTorch в формате safetensors и использует библиотеку timm; пример применения в README показывает pipeline image-classification. Лицензия модели — Apache-2.0.в

bonsai-image-ternary-4B-gemlite-2bit — модель генерации изображений по текстовому описанию от Prism ML. Она основана на архитектуре FLUX.2 Klein 4B с диффузионным трансформером MMDiT примерно на 4 млрд параметров и предназначена для локального запуска на видеокартах NVIDIA с CUDA в Linux и Windows. Веса основных линейных слоёв трансформера представлены в троичном формате {-1, 0, +1} с групповым масштабированием FP16; для выполнения на CUDA используется Gemlite INT2. Трансформер занимает около 1,21 ГБ в представлении Bonsai и 1,54 ГБ в развёрнутом CUDA-формате. Генерация использует четырёхшаговый FlowMatch-Euler сэмплер. Модель подходит для локального творчества, быстрой итерации и развёртывания на доступных GPU; карточка приводит ориентиры около 4,5 секунды на RTX 3080 и 2,8 секунды на A100 для изображения 1024×1024. Это компактное производное представление базовой модели prism-ml/bonsai-image-ternary-4B-unpacked. Оно не гарантирует полного совпадения с FP16 FLUX.2 Klein 4B: качество зависит от запроса и рабочего процесса, а мелкий текст, тонкие детали, точное число объектов и строгая композиция требуют отдельной проверки. Для генерации нужна CUDA-совместимая видеокарта и соответствующий стек Gemlite; в карточке указана лицензия Apache-2.0.

Bonsai Image Ternary 4B Unpacked — версия модели Bonsai Image 4B в формате FP16 safetensors для библиотеки diffusers. Модель создана Prism ML как дообучение FLUX.2-klein-4B от Black Forest Labs и предназначена для генерации изображений по текстовым запросам. Репозиторий позволяет запускать её в стандартном diffusers и других фреймворках, не поддерживающих низкоразрядные веса Bonsai. Эта версия хранит веса в полном формате FP16 и не включает преимущества оптимизированных ternary-паков: README указывает, что низкоразрядный вариант уменьшает размер трансформера и ускоряет вывод на Apple Silicon. Для этой сборки также не заявлены отдельные параметры контекста или список поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

Это дообученная на CIFAR-10 модель зрения CLIP ViT-Large с размером 402,7 млн параметров и размером патча 14. Она предназначена для извлечения признаков изображений и их классификации в сценариях, связанных с десятью классами CIFAR-10. В карточке приведены результаты оценки: 0,9557 для предобученной модели и 0,9913 после дообучения. Модель основана на openai/clip-vit-large-patch14 и опубликована в формате safetensors. Метаданные указывают задачу feature-extraction; ограничения по лицензии в предоставленных данных не описаны.

CodeV — мультимодальная модель RenlyH для визуального рассуждения, дообученная на основе Qwen/Qwen2.5-VL-7B-Instruct с использованием Tool-Aware Policy Optimization (TAPO). Она предназначена для задач, где нужно анализировать изображения и выполнять визуальный поиск с помощью операций над изображениями, а также для мультимодальных задач на рассуждение и математику. Модель имеет архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает изображения и текст и формирует текстовые ответы; заявленная длина контекста — 128 000 токенов. Карточка сообщает о конкурентной точности на бенчмарках визуального поиска и рассуждений и о более частом корректном использовании инструментов.

Пакет coolthor/comfyui-zimage-sulphur-nvfp4 содержит квантованную в NVFP4 сборку Z-Image Turbo и компоненты для запуска в ComfyUI. По README, сборка подготовлена для видеокарт NVIDIA Blackwell, включая RTX 5090 и DGX Spark/GB10; в комплект входят диффузионная модель, VAE, текстовый энкодер Qwen3-4B в bf16 и дополнительные файлы текстовых энкодеров и ControlNet. Репозиторий также связывает сборку с Tongyi-MAI/Z-Image-Turbo и Alibaba PAI Z-Image Turbo Fun ControlNet Union. Модель предназначена для генерации изображений по текстовым описаниям в ComfyUI. Квантование снижает требования к видеопамяти диффузионной модели на подходящем оборудовании; точные параметры контекста и перечень поддерживаемых языков для этой сборки не приведены. Базовая модель поддерживает английский и китайский текст на изображениях. Репакетирование распространяется по Apache-2.0. Указанная в README версия Gemma 3 12B имеет отдельные условия Gemma Terms of Use, а не Apache-2.0; для неё необходимо учитывать эти условия. Использование NVFP4 рассчитано на оборудование Blackwell, поэтому совместимость и скорость на иных GPU могут отличаться.

HERIUN разработала eruku_korean — дообученную версию Eruku для генерации изображений строк рукописного или стилизованного текста. Модель получает изображение-образец с нужным почерком или шрифтом и строку на корейском или английском языке, а затем рисует эту строку в заданном стиле. В основе — авторегрессионная архитектура Eruku с T5-large и байтовым токенизатором ByT5; для работы требуется парный корейский VAE HERIUN/emuru_vae_korean. Модель предназначена прежде всего для генерации корейских строк, сохраняя при этом возможность работать с латиницей. По результатам README, она улучшила CER для корейского текста относительно исходной модели; особенно заметно улучшение на коротких строках, хотя они остаются слабым местом. Качество снижается на редких экстремальных шрифтах и кистевых стилях, модель плохо сохраняет слабые карандашные штрихи, а длинные английские строки работают хуже, чем в исходной английской версии. Лицензия — Apache-2.0.

Карточка модели nick911/flux1-dev-test-fp8 на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-schnell, поэтому описание составлено по ней. FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для работы через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по промптам и может использоваться в творческих, научных и коммерческих проектах. Качество генерации и следование промпту конкурентоспособны с закрытыми моделями, но результат зависит от формулировки запроса и может не совпасть с ним. Модель не предназначена для предоставления фактической информации и может усиливать общественные предубеждения. Лицензия — Apache-2.0; README также перечисляет ограничения на незаконное и вредоносное использование.

misri/hassakuXLIllustrious_v30 — модель преобразования текста в изображение, опубликованная пользователем misri на Hugging Face. Репозиторий использует конвейер Stable Diffusion XL в формате Diffusers; в архитектуре указаны UNet, VAE и два текстовых энкодера CLIP. Внешняя карточка модели описывает Hassaku XL (Illustrious) как модель для создания изображений в ярком, характерном аниме-стиле. Модель предназначена для генерации иллюстраций по текстовым запросам, в том числе с персонажами и заданными композициями. Для подсказок рекомендован теговый стиль; приведены подходящие для SDXL разрешения, особенно портретное 832 × 1216. Карточка Hugging Face не содержит описания обучения или оценки качества. Лицензия репозитория указана как неизвестная; внешний источник сообщает для этой версии Fair AI Public License 1.0-SD, поэтому условия лицензирования следует сверять с исходной площадкой перед использованием.