I.8Изображения и компьютерное зрение

Llama JoyCaption Beta One — визуально-языковая модель для создания подробных описаний изображений. По карточке её разработал автор проекта JoyCaption для сообщества; модель предназначена прежде всего для подготовки подписей к изображениям, используемых при обучении и дообучении моделей генерации изображений. Она принимает изображения и текстовые инструкции, поддерживает диалоговый интерфейс и выдаёт текстовые описания. Модель объединяет визуальный энкодер SigLIP 2 SO400M Patch14 384 и Meta Llama 3.1 8B Instruct; в метаданных архитектура обозначена как LLaVA. Автор заявляет широкое покрытие стилей изображений, включая цифровое искусство, фотореализм и аниме, а также описания SFW- и NSFW-концепций. Указанный в примере запуска предел контекста — 4096 токенов. Сильная сторона модели — ориентированность на подробное и разнообразное описание изображений для подготовки данных генеративных моделей. Карточка предупреждает, что запуск через vLLM может требовать настройки параметров и значительных ресурсов видеопамяти. Автор заявляет открытые веса и отсутствие ограничений, однако конкретный идентификатор лицензии в предоставленных данных не указан.

meiki.text.detect.v0 — экспериментальная модель обнаружения текстовых строк на изображениях, разработанная для конвейера meikiocr. Она ориентирована на японские видеоигры и мангу и представлена вариантами tiny для изображений с небольшим числом строк и small для изображений с большим числом строк. Модель основана на детекторе D-FINE и предназначена для быстрого выделения областей текста, например в визуальных новеллах и страницах манги; она не распознаёт содержимое текста. В README для tiny указана примерная задержка 30 мс на CPU и 3 мс на GPU, а для small — 70 мс на CPU и 7 мс на GPU. Метаданные указывают формат ONNX и библиотеку TensorRT. Лицензия — LGPL-3.0. README также описывает обновлённую версию v0.1 с изменённой архитектурой и настройкой под видеоигры; эти характеристики не следует приписывать версии v0.

PixArt-alpha/pixart_sigma_sdxlvae_T5_diffusers — репозиторий команды PixArt-alpha с компонентами для работы PixArt-Σ через Diffusers: энкодером текста T5, токенизатором и SDXL VAE. Метаданные Hugging Face относят его к генерации изображений по тексту; карточка демонстрирует использование через PixArtAlphaPipeline. Сам репозиторий содержит компоненты пайплайна, а не отдельное описание новой архитектуры PixArt-Σ. Модель предназначена для создания изображений по текстовым описаниям. Архитектура пайплайна включает Transformer2DModel, T5EncoderModel и AutoencoderKL; веса размещены в формате Diffusers и Safetensors. Лицензия — OpenRAIL. Источники не подтверждают конкретный размер параметров, длину контекста или перечень поддерживаемых языков, поэтому эти характеристики не указаны.

Polaris-VGA-2B-Post1.0-i1-GGUF — квантизированная версия модели Polaris-VGA-2B-Post1.0, разработанной prithivMLmods и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для задач визуального анализа, включая object detection, localization и visual grounding, то есть связывание объектов на изображении с текстовыми указаниями. Поддерживаются сценарии локализации объектов и работы с визуально-языковыми приложениями через совместимые инструменты, включая llama.cpp и vLLM. Это vision-модель на базе архитектуры и формата, совместимых с Transformers; заявленный размер исходной модели — 2B параметров. В метаданных указан английский язык. Для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория модели. Репозиторий содержит набор вариантов квантизации с разным соотношением размера, скорости и качества; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S, тогда как наиболее компактные варианты могут существенно снижать качество. Главное преимущество модели — возможность локального запуска в компактных GGUF-вариантах и применение к задачам визуального grounding и локализации. Ограничения включают зависимость качества от выбранного уровня квантизации, необходимость дополнительных компонентов для работы с изображениями и отсутствие в карточке сведений о размере контекста, точных характеристиках архитектуры, метриках качества и поддерживаемых языках, кроме английского. Модель распространяется по лицензии Apache-2.0.

Polaris-VGA-9B-Post1.0e-i1-GGUF — квантизированная версия мультимодальной vision-language модели Polaris-VGA-9B-Post1.0e, разработанной prithivMLmods и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на работу с изображениями и текстом и предназначена для задач обнаружения объектов, локализации и visual grounding — сопоставления текстовых запросов с областями изображения. В README также указана совместимость с экосистемами Transformers, vLLM, llama.cpp и OpenCV. Модель имеет заявленный размер 9B параметров и поддерживает английский язык. Точная архитектура, максимальная длина контекста и перечень поддерживаемых визуальных форматов в предоставленных данных не указаны. Репозиторий содержит набор квантизаций с разными компромиссами между размером, скоростью и качеством; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S, тогда как наиболее компактные варианты могут заметно снижать качество. Для работы vision-компонента могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильной стороной модели является сочетание визуального анализа и текстового взаимодействия при возможности локального запуска через GGUF-совместимые инструменты. Ограничения включают зависимость качества от выбранного уровня квантизации, отсутствие в README количественных результатов тестирования и недостаток сведений о точных требованиях к оборудованию и контекстном окне. Модель распространяется по лицензии Apache-2.0.

RealRebelAI/Qwen-Image-2.1_GGUFs — набор неофициальных смешанно-точностных GGUF-квантизаций диффузионной модели Qwen-Image 2.1. Исходная модель разработана командой Qwen, совместимая упаковка подготовлена Comfy-Org, а квантизации и политика смешанной точности выполнены RealRebelAI с использованием инфраструктуры ComfyUI-GGUF, llama.cpp и ggml. Модель предназначена для генерации изображений по текстовому описанию в ComfyUI; репозиторий содержит только диффузионную модель, поэтому отдельно требуются текстовый энкодер, VAE и другие компоненты рабочего процесса Qwen-Image 2.1. Архитектура обозначена как qwen_image и включает 32 transformer-блока с размерностью скрытого представления 4096. Файлы сохраняют исходные имена и структуру тензоров ComfyUI. Доступны варианты от Q2_K до Q8_0; рекомендуется Q4_K_M-HQv3 как баланс между размером и качеством. В чувствительных слоях используется повышенная точность для лучшего сохранения анатомии, деталей лица и структурной согласованности по сравнению с обычной Q4-конвертацией. Более низкие уровни квантизации уменьшают требования к памяти, но могут ухудшать мелкие детали, анатомию, типографику, соответствие промпту, качество редактирования и согласованность текстур. Для максимального качества следует выбирать Q5_K_M, Q6_K или Q8_0. Лицензия в README не указана.

RationalRewards-8B-Edit — разработанная исследовательской группой RationalRewards модель оценки изображений для задач визуальной генерации и редактирования. Она сначала формирует явную многомерную критику, например по следованию инструкции, визуальному качеству, композиции и правдоподобию, а затем выставляет оценку. Такой подход позволяет использовать её как источник структурированной обратной связи для обучения генераторов с RL или для цикла «генерация — критика — уточнение» без обновления параметров. Модель основана на Qwen3-8B и дообучена; карточка описывает её как Qwen3-VL-Instruct-8B. По метаданным это плотная модель семейства Qwen3-VL, работающая с изображениями и текстом; основное назначение — оценка и критика результатов редактирования изображений. Доступна по лицензии Apache-2.0. README сообщает о сильных результатах в сравнении предпочтений и оптимизации генераторов, но фактическая эффективность зависит от модели-генератора и сценария применения.

Blur ControlNet от Stability AI — управляющая модель для Stable Diffusion 3.5 Large, предназначенная для генерации изображений по текстовому запросу с дополнительным контролем через изображение с размытием. Она используется вместе с основной моделью SD 3.5 Large в репозитории Stability AI или через Diffusers; входное изображение для управления нужно предварительно обработать внешним скриптом, поскольку сама SD 3.5 эту подготовку не выполняет. Для начала рекомендуется сила ControlNet около 0,9; параметры можно настраивать под задачу. В README также отмечены sampler Euler и 50–60 шагов как настройки, дающие хорошие результаты, особенно для Canny. Модель не обучалась для создания фактически достоверных изображений людей или событий. Она распространяется по Stability Community License; коммерческое лицензирование следует согласовать со Stability AI. Использование должно соответствовать Acceptable Use Policy.

AImageLab разработала Cond-UNet Attention — модель семантической сегментации ультразвуковых изображений. Она принимает RGB-изображение и предсказывает бинарную маску переднего плана, выдавая один логит для каждого пикселя. Архитектура основана на U-Net с условием внимания: глубина 5, базовая ширина 16, входной размер 512 × 512, патчи размером 8 пикселей и эмбеддинги внимания размерностью 768. Модель предназначена для сегментации объектов на УЗИ; условие по органу можно передавать отдельно, а при его отсутствии используется токен unknown с ID −1. DWT и условие по форме отключены. Для загрузки используются пользовательский код Transformers и параметр trust_remote_code=True. В репозитории указаны веса safetensors; лицензия не приведена.

Walkyrie 1.3B — диффузионная модель генерации изображений по текстовому описанию, разработанная автором репозитория kpsss34. Она основана на Wan2.1-T2V-1.3B: текстовый энкодер UMT5 сокращён примерно до 1 млрд параметров, а модель переобучена для генерации изображений вместо видео. Модель предназначена для создания изображений по промптам и доступна как pipeline для Diffusers; автор также описывает использование в ComfyUI. Для генерации реалистичных изображений автор рекомендует CFG 2,5–3 и 20 шагов инференса. В README указаны варианты запуска с bfloat16 при объёме видеопамяти от 16 ГБ и с выгрузкой частей модели в память CPU при 6–8 ГБ. Модель распространяется по лицензии Apache-2.0. Метаданные указывают форматы Diffusers и safetensors.

CuTIsolation выпустил квантизированные веса W4A8 для Z-Image-Turbo, модели генерации изображений по текстовому описанию. Репозиторий предназначен для запуска в ComfyUI с форматом quantized-diffusion asym_w4a8_int8. Квантизированы и диффузионная модель, и текстовый энкодер Qwen3-4B; веса сохранены в safetensors. По данным карточки, файлы занимают 3,5 и 2,8 ГБ вместо 12,3 и 8 ГБ для исходных BF16-компонентов. Автор сообщает о запуске на GPU с 8 ГБ VRAM при разрешении 1024×1024 и 8 шагах; визуальное качество сопоставимо с BF16, а время генерации в указанном примере — около 7 секунд. Эти результаты относятся к конкретной конфигурации и оборудованию. Это производный вариант Tongyi-MAI/Z-Image-Turbo. Для работы нужны совместимые ComfyUI-компоненты, включая VAE. Лицензия — Apache-2.0.

BiliSakura/BitDance-14B-16x-diffusers — конвертированный в формат Diffusers чекпойнт модели BitDance-14B-16x для генерации изображений по текстовому описанию. В репозитории используется конвейер BitDanceDiffusionPipeline и текстовый стек Qwen3ForCausalLM с токенизатором Qwen2TokenizerFast; указаны разрешения генерации от 1024×1024 до широких и портретных форматов, включая 2048×512. Модель рассчитана на создание изображений по текстовым запросам. Метаданные указывают связь с базовой моделью shallowdream204/BitDance-14B-16x как дообучение, а файлы представлены в формате Diffusers и safetensors. Лицензия — Apache 2.0. В README приведено упоминание измерений использования видеопамяти на NVIDIA A100 80 ГБ, но сами значения отсутствуют.

BiliSakura публикует конвертированную в Diffusers версию BitDance-14B-64x с пользовательским конвейером BitDanceDiffusionPipeline. Модель предназначена для генерации изображений по текстовым запросам; параллельный коэффициент предсказания составляет 64, а текстовая часть использует Qwen3ForCausalLM и Qwen2TokenizerFast. Поддерживаются разные соотношения сторон и разрешения, включая 1024×1024, 1280×768, 768×1280 и 2048×512. Репозиторий распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Основанная модель BitDance описана как мультимодальная модель на 14 млрд параметров для создания изображений высокого разрешения; размер и длина контекста именно этой конверсии не приводятся.

Boogu-Image-0.1-Turbo GGUF — квантизированная версия модели Boogu/Boogu-Image-0.1-Turbo, предназначенная для генерации изображений по текстовому описанию в среде ComfyUI. В README разработчик модели явно не указан; репозиторий содержит GGUF-варианты для архитектуры Boogu/OmniGen. Для работы необходимы FP8-версия текстового энкодера Qwen3-VL и стандартный VAE Flux. Доступны плоские варианты квантования Q4_0, Q4_1, Q5_0, Q5_1 и Q8_0. K-кванты Q2_K и Q3_K_M отсутствуют, поскольку для новой архитектуры Boogu/OmniGen ещё нет соответствующих схем в llama.cpp. Вариант Q4_0 рекомендован для систем с 8 ГБ видеопамяти как компромисс между экономией VRAM и качеством. Модель ориентирована на запуск через ComfyUI, однако для поддержки архитектуры Boogu может потребоваться версия ComfyUI с изменениями из pull request #14523. Лицензия в предоставленных данных не указана.

Tiwaz/CenKreChro — модель генерации изображений по текстовому описанию в формате Diffusers и safetensors. Автор указывает, что репозиторий загружен главным образом как резервная копия и версия Diffusers для обучения в AI toolkit; готовые квантизованные версии SVDQ доступны отдельно у Spooknik. Модель предназначена для создания изображений по текстовым запросам. Карточка не сообщает её размер, базовую модель, поддерживаемые языки, контекст или лицензию, поэтому эти характеристики нельзя уточнить.

Карточка модели fwwrsd/fancyfeast-llama-joycaption-beta-one-hf-llava на Hugging Face совпадает с карточкой 1038lab/llama-joycaption-beta-one, поэтому описание составлено по ней. Llama JoyCaption Beta One — визуально-языковая модель для создания подробных описаний изображений. По карточке её разработал автор проекта JoyCaption для сообщества; модель предназначена прежде всего для подготовки подписей к изображениям, используемых при обучении и дообучении моделей генерации изображений. Она принимает изображения и текстовые инструкции, поддерживает диалоговый интерфейс и выдаёт текстовые описания. Модель объединяет визуальный энкодер SigLIP 2 SO400M Patch14 384 и Meta Llama 3.1 8B Instruct; в метаданных архитектура обозначена как LLaVA. Автор заявляет широкое покрытие стилей изображений, включая цифровое искусство, фотореализм и аниме, а также описания SFW- и NSFW-концепций. Указанный в примере запуска предел контекста — 4096 токенов. Сильная сторона модели — ориентированность на подробное и разнообразное описание изображений для подготовки данных генеративных моделей. Карточка предупреждает, что запуск через vLLM может требовать настройки параметров и значительных ресурсов видеопамяти. Автор заявляет открытые веса и отсутствие ограничений, однако конкретный идентификатор лицензии в предоставленных данных не указан.

Это 8-битная MXFP8-квантизация FLUX.2 [klein] 9B от Black Forest Labs, подготовленная AutoRound методом RTN (round-to-nearest, без итераций). Модель предназначена для генерации изображений по текстовому описанию и запускается через vllm-omni в режиме text-to-image. В README указаны веса и активации W8A8, размер групп 32 и объём около 10 ГБ против примерно 18 ГБ для версии BF16. В оценке на разрешении 1024×1024 и четырёх шагах результаты MXFP8 близки к BF16: GenEval 0,853 против 0,856, DrawBench CLIP 32,93 против 32,81 и CLIP-IQA 69,63 против 69,64. Метаданные связывают модель с базовой FLUX.2 [klein] 9B, описанной как модель генерации и редактирования изображений с референсами, однако эта карточка позиционирует данную сборку для text-to-image. Лицензия указана как other; конкретные условия следует проверять у автора и базовой модели.

Disty0/FLUX.2-klein-9B-SDNQ-4bit-dynamic-svd-r32 — это квантизированная версия модели black-forest-labs/FLUX.2-klein-9B, подготовленная Disty0 для библиотеки Diffusers. Модель предназначена для генерации изображений по текстовым описаниям; в README приведён пример создания изображения размером 1024×1024 за 4 шага инференса. Модель использует динамическое мелкодискретное квантование SDNQ с минимальным типом uint4 и подбором точности для каждого слоя по порогу нормализованной среднеквадратичной ошибки. В результате применяется смешанная точность с типами uint4 и int5, а также SVD-квантование с рангом 32. Размер модели сокращён примерно с 18,2 ГБ в исходной конфигурации BF16 до 5,7 ГБ в варианте SDNQ, что снижает требования к хранению и памяти. Для работы требуется пакет sdnq и совместимый стек PyTorch и Diffusers. Поддерживается опциональное использование квантованных матричных умножений INT8 на GPU AMD, Intel Arc и NVIDIA при доступности Triton, а также выгрузка частей модели в CPU. Языки, точные характеристики архитектуры и результаты независимого сравнения качества в README не указаны. Модель распространяется по лицензии flux-non-commercial-license, поэтому её использование ограничено некоммерческими сценариями согласно условиям лицензии.

DFloat11/HiDream-I1-Full-DF11 — это бессрочно сжата lossless-версия модели генерации изображений HiDream-ai/HiDream-I1-Full, подготовленная с использованием технологии DFloat11 от LeanModels. Модель предназначена для преобразования текстовых описаний в изображения и совместима с HiDreamImagePipeline из библиотеки diffusers. Сжатие выполняется методом Huffman coding для экспонентных битов весов BFloat16, а распаковка во время инференса ускоряется специальным CUDA-ядром. По данным README, размер модели уменьшен с 34,21 до 24,19 ГБ, при этом выходы остаются побитно идентичными оригиналу. Пиковое потребление памяти при генерации изображения 1024×1024 снижается с 35,61 до 26,42 ГБ, что позволяет запускать модель на одной GPU с 32 ГБ памяти. На A100 генерация занимает около 161 секунды против 140 секунд у исходной версии. Для работы требуются CUDA-совместимая GPU, PyTorch, пакет dfloat11 с поддержкой соответствующей версии CUDA и библиотека diffusers. В приведённом примере используются текстовый запрос на английском языке, разрешение 1024×1024 и 50 шагов инференса; поддерживаемые языки, точная архитектура, максимальный контекст и другие модальности не указаны. Основные преимущества — уменьшенный размер, экономия GPU-памяти и отсутствие потери качества, а ограничениями являются необходимость CUDA-окружения и некоторое увеличение времени генерации. Лицензия в README не указана.

Janus-Pro-7B-i1-GGUF — квантованная версия мультимодальной модели Janus-Pro-7B, разработанной командой DeepSeek и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для задач, связанных с обработкой изображений и текста, включая мультимодальные сценарии и text-to-image. Указан английский язык. Размер базовой модели — 7B параметров; сведения о точной архитектуре и размере контекста в README не приведены. Репозиторий содержит набор вариантов квантования с разными типами и размерами — примерно от 1,8 до 5,8 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; для некоторых вариантов отдельно отмечены низкое качество, высокая скорость или оптимальный баланс. Поскольку это vision-модель, для работы могут потребоваться дополнительные mmproj-файлы из статического репозитория. К ограничениям относятся неизбежная потеря качества на наиболее агрессивных вариантах квантования, а также отсутствие в README подробных результатов оценки, описания поддерживаемых языков сверх английского и технических сведений о контекстном окне. В метаданных указана лицензия MIT, название лицензии — deepseek.

Это конвертированная в SafeTensors модель сегментации речевых пузырей на страницах манги и комиксов. Репозиторий создан для использования в Torch-реализации Koharu и содержит веса YOLO11n для сегментации экземпляров с одним классом — balloon. Модель принимает изображения; рекомендованный размер инференса — 1600 пикселей. Модель предназначена для выделения областей речевых пузырей на страницах манги и комиксов. Веса скопированы из исходного чекпойнта без квантизации и изменения типа данных; конверсия не меняет архитектуру. Исходная модель дообучена на задаче сегментации пузырей. Репозиторий распространяется по лицензии Apache-2.0.

MiniT2I — это семейство моделей генерации изображений по текстовому описанию, опубликованное в виде весов PyTorch, совместимых с Diffusers. Репозиторий содержит варианты MiniT2I-B/16 и MiniT2I-L/16; оба чекпойнта выгружены с шага обучения 290 тысяч. Выбрать вариант можно при инференсе через параметр model_type, причём загружаются только веса выбранной модели. Модель предназначена для создания изображений по текстовым запросам. Веса доступны в форматах Diffusers и Safetensors, библиотека запуска — Diffusers. Репозиторий распространяется по лицензии MIT. Карточка не сообщает о поддерживаемых языках запросов и ограничениях качества или области применения.

Nitro-T-0.6B — модель генерации изображений по текстовому описанию, разработанная AMD. Это диффузионный трансформер DiT на 0,6 млрд параметров, построенный по архитектуре, близкой к PixArt-α. Модель работает с латентным пространством DC-AE и использует Llama 3.2 1B для текстового кондиционирования; предназначена для генерации изображений с разрешением 512 пикселей. Модель обучена с нуля на примерно 35 млн изображений из открытых источников, включая реальные и синтетические данные. Nitro-T ориентирована на эффективное обучение и показывает конкурентные результаты на бенчмарках среди моделей, оптимизированных для быстрого обучения. Для загрузки через Hugging Face требуется diffusers версии 0.34 или выше. Код обучения и подготовки данных опубликован разработчиками. Модель распространяется по лицензии Apache-2.0. В README не приведены подробные сведения о качестве на разных типах запросов или о фильтрации генерируемого контента.

Eugeoter/noob-sdxl-controlnet-scribble_pidinet — модель для генерации изображений по текстовому описанию, разработанная на базе Laxhar/sdxl_noob. Она предназначена для использования в библиотеке Diffusers и относится к семейству Stable Diffusion XL. По названию и указанным тегам модель ориентирована на управление композицией изображения с помощью скетчей или набросков через ControlNet с обработкой scribble_pidinet. В карточке указаны английский язык и сценарий text-to-image. Точные сведения о размере модели, длине контекста, поддерживаемых модальностях помимо текста и изображения, качестве генерации, ограничениях и рекомендуемых параметрах отсутствуют. Модель распространяется по лицензии Fair AI Public License 1.0 SD; перед использованием следует ознакомиться с её условиями по указанной в карточке ссылке.

OmniVinci — исследовательский проект NVIDIA по созданию омнимодальных больших языковых моделей. Модель построена на архитектуре VILA и предназначена для понимания видео, изображений и аудио, а также для диалогового взаимодействия и рассуждений. В карточке Hugging Face основная задача обозначена как извлечение признаков; README также описывает сценарии мультимодального понимания и примеры работы через Transformers. Модель принимает визуальные, аудио- и текстовые данные и поддерживает работу с видео со звуком. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. В README проект назван исследовательским; конкретные ограничения по качеству или поддерживаемым языкам не приведены.

PixelModel v5 — модель генерации изображений по тексту от bench-labs. Это диффузионный трансформер DiT с rectified-flow, содержащий около 40 млн обучаемых параметров. Он создаёт изображения размером 256 × 256 за 50 шагов; в состав также входят замороженные VAE sd-vae-ft-mse и текстовый энкодер CLIP ViT-B/32. Модель предназначена для генерации изображений по коротким текстовым описаниям объектов и сцен. Она обучена на 2 986 571 парах изображений и подписей из CC12M с переформулированными под стиль COCO подписями. По оценке авторов на MS-COCO v5 улучшила FID и CLIPScore относительно v4 при том же числе обучаемых параметров. Результат зависит от масштаба guidance и протокола оценки; сравнение FID авторы оговаривают из-за возможного различия конкретных тестовых изображений. В карточке указана лицензия MIT. Модель небольшая по числу обучаемых параметров и ограничена генерацией изображений 256 × 256; README не сообщает о поддержке других разрешений или языков помимо английского.

Qwen-Image-2512-Lightning — модель генерации изображений по текстовому описанию, разработанная на базе Qwen/Qwen-Image-2512 и распространяемая в экосистеме LightX2V. Модель предназначена для text-to-image сценариев и поддерживает использование через фреймворки Qwen-Image-Lightning и LightX2V, включая соответствующие конвейеры инференса и оптимизации производительности. В README указано, что модель реализована в формате diffusion single-file и связана с distillation и LoRA. Архитектура, точный размер, поддерживаемые языки, модальности помимо текста и изображения, а также размер контекстного окна не указаны. Модель совместима с библиотекой Diffusers и описывается как полностью совместимая с лёгким фреймворком генерации изображений и видео LightX2V, однако конкретные характеристики производительности и качества не приведены. Модель распространяется по лицензии Apache-2.0. Для использования доступны рекомендации и примеры в репозиториях Qwen-Image-Lightning и LightX2V.

calcuis/sd3.5-large-controlnet — это квантизированная версия Stable Diffusion 3.5 Large с поддержкой ControlNet, основанная на модели stabilityai/stable-diffusion-3.5-controlnets. Модель предназначена для генерации изображений по текстовому описанию с дополнительным управлением композицией и структурой изображения через ControlNet. В README приведены примеры использования с управлением по контурам Canny, а также упомянуты режимы blur и depth. Модель распространяется в формате GGUF и рассчитана на работу с ComfyUI; основной файл UNet sd3.5_large-q4_0.gguf имеет размер около 4,77 ГБ. Для запуска также требуются ControlNet, компоненты CLIP и T5, а также VAE. Указан английский язык. Точный размер исходной архитектуры, максимальная длина контекста и другие характеристики не приведены. К сильным сторонам относятся текстовая генерация изображений и возможность управлять результатом по дополнительным визуальным признакам; ограничением является необходимость установки нескольких крупных компонентов и совместимого окружения ComfyUI, а для оригинальной версии safetensors требуется особенно мощное оборудование. Лицензия указана как Stability AI Community License; в карточке также приведена ссылка на файл лицензии. Модель разработана calcuis на основе материалов Stability AI и использует ComfyUI, узел ComfyUI-GGUF от city96 и пакет gguf-comfy.

SenseNova-U1.5-8B-GGUF-v2 — это локальная квантованная сборка мультимодальной модели SenseNova-U1.5-8B-MoT-Preview, разработанной SenseNova/OpenSenseNova и преобразованной пользователем hoidhxd в формат GGUF. Модель предназначена для генерации изображений по текстовому описанию в ComfyUI на потребительских GPU и использует архитектуру NEO-unify, в которой текст и пиксели обрабатываются одним графом без внешних текстовых энкодеров CLIP или T5 и без внешнего VAE. Поддерживаемые языки и точное максимальное окно контекста в README не указаны. Сборка содержит 8B-модель в формате Q4_0 GGUF и занимает около 10,13 GiB. Исходные веса представлены в BF16 и распределены по 16 сегментам; крупные веса Linear-копируются в Q4_0, а отдельные тензоры сохраняются в F16 или F32 для совместимости и качества. Модель полностью помещается в 16 ГБ VRAM, а на 12 ГБ может работать с выгрузкой части слоёв. Версия v2 не требует патча совместимости и исправляет проблемы загрузки, характерные для v1. Основные преимущества — единый мультимодальный граф, отсутствие необходимости в отдельных энкодерах и VAE, локальная работа и совместимость со стандартным узлом ComfyUI-SenseNova-U1. Ограничения — необходимость установки специального runtime и GGUF-зависимостей, использование ComfyUI с соответствующими custom nodes, а также значительные требования к видеопамяти и дисковому пространству. Лицензия в README не указана.

StarVector-1B-im2svg — мультимодальная модель семейства StarVector, разработанная ServiceNow Research совместно с Mila — Quebec AI Institute и ÉTS Montréal. Она генерирует код SVG по изображению или текстовому запросу, используя визуальный энкодер на основе Vision Transformer, адаптер LLM и языковую модель. Вариант содержит 1,7 млрд параметров, работает через Transformers, принимает изображения и текст и выдаёт текстовый код SVG; длина контекста — 8192 токена. В карточке указан английский язык для текстовых запросов, обучение на наборе SVG-Stack с более чем 2 млн примеров и оценка на SVG-Bench. Модель предназначена для векторизации и создания иконок, логотипов, схем, графиков и диаграмм. Она не рассчитана на фотографии, реалистичные изображения, иллюстрации и сложную 3D-графику; качество векторизации может зависеть от типа входа и точности текстовой инструкции. Лицензия — Apache 2.0.