I.8Изображения и компьютерное зрение

CedricPerauer/tiny-krea2-modular-pipe — модульный конвейер генерации изображений по текстовому описанию на основе Krea 2, опубликованный в формате Diffusers. Он разбит на три настраиваемых блока: кодирование промпта текстовым энкодером Qwen3-VL, итеративное устранение шума в латентном представлении с symmetric CFG и декодирование результата через VAE Qwen-Image. Для одного промпта можно задать отрицательный промпт, размер и количество изображений, число шагов генерации, параметры guidance и формат выдачи PIL, NumPy или PyTorch. Конвейер предназначен для текстовых запросов на генерацию изображений и для экспериментирования с отдельными этапами диффузионного процесса. Максимальная длина последовательности промпта по умолчанию — 512 токенов, guidance scale — 4,5, число шагов — 28. В карточке приведён пример использования как TODO, поэтому практический пример запуска отсутствует. Данные о лицензии и размере модели не представлены в доступных источниках.

UniDiffuser-v0 — мультимодальная диффузионная модель, разработанная командой THU-ML. Она объединяет генерацию изображений и текста в одной архитектуре и поддерживает создание изображений по тексту, описание изображения текстом, генерацию текста или изображения, а также генерацию пар изображение–текст. Основной компонент — U-ViT, который предсказывает совместный шум для разных модальностей. В состав также входят автоэнкодер изображений из Stable Diffusion, энкодеры CLIP ViT-B/32 и ViT-L и дообученный декодер текста GPT-2. Версия v0 обучена на текстово-изображительных данных LAION-5B, содержащих шумные данные из интернета; для текста указана поддержка английского языка. Модель распространяется в формате Diffusers/PyTorch по лицензии AGPL-3.0. Модель подходит для творческой генерации изображений и текста, образовательных инструментов и исследований мультимодальной генерации. Она не предназначена для фактически достоверного изображения людей или событий; обучающие данные могут содержать шум и смещения, а сама карточка предупреждает о рисках вредного или стереотипного контента.

Shuanghai/Z-Image-Turbo_fp32-fp16-bf16_comfyui — вариант Tongyi-MAI/Z-Image-Turbo, подготовленный для работы с ComfyUI. Модель предназначена для генерации изображений по текстовым описаниям; каталог относит её к задаче text-to-image. Весовые файлы размещены в формате safetensors, лицензия — Apache-2.0. Базовая Z-Image-Turbo — дистиллированная модель Alibaba для быстрой генерации изображений и отображения английского и китайского текста на изображениях. В доступных данных о данном варианте не описаны его архитектурные детали, число параметров, разрешение или контекст; README содержит только упоминание workflows. Эти характеристики конкретной версии нельзя подтвердить по карточке.

T5B/Z-Image-Turbo-FP8 — квантизированная версия модели Tongyi-MAI/Z-Image-Turbo, разработанная на основе исходной модели Tongyi-MAI. Она предназначена для генерации изображений по текстовым описаниям и используется в сценариях text-to-image через библиотеку Diffusers. Модель представлена в форматах FP8 E5M2 и FP8 E4M3FN. В README не указаны архитектура, количество параметров, поддерживаемые языки помимо языка, заявленного в метаданных (английский), размер контекста, поддерживаемые модальности и конкретные преимущества или ограничения квантизации. Поэтому эти характеристики нельзя надёжно определить по доступным данным. Модель распространяется по лицензии Apache-2.0 и должна использоваться с соблюдением исходных условий лицензирования и ограничений Tongyi-MAI/Z-Image-Turbo. Подробности этих условий необходимо уточнять в карточке оригинальной модели.

jayn7/Z-Image-Turbo-GGUF — это квантизированная в формате GGUF версия модели Z-Image Turbo, разработанной Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в ComfyUI через ComfyUI-GGUF или в библиотеке Diffusers. Репозиторий содержит варианты весов Z-Image Turbo в формате GGUF, а для текстового кодирования рекомендуется модель Qwen3-4B-GGUF. В README приведён пример генерации изображения размером 1024×1024 за 9 шагов инференса; для Turbo-моделей указано использовать guidance_scale, равный 0. Поддерживаются GPU-инференс, опциональная компиляция модели, альтернативные attention-бэкенды и выгрузка части вычислений на CPU для устройств с ограниченной памятью. К преимуществам относятся уменьшенный размер и потенциально более низкие требования к памяти благодаря квантизации, а также интеграция с распространёнными инструментами ComfyUI и Diffusers. Ограничения связаны с тем, что README не содержит точных сведений об архитектуре исходной модели, размере параметров, доступных языках, длине контекста, конкретных уровнях квантизации и требованиях к оборудованию; качество и скорость зависят от выбранного варианта GGUF и окружения. Репозиторий распространяется по лицензии Apache-2.0 и следует лицензии исходной модели Z-Image Turbo.

Align-Anything Chameleon 7B Plus — мультимодальная модель семейства Chameleon, разработанная командой PKU-Alignment. Она принимает и генерирует чередующиеся последовательности текста и изображений; модель основана на Chameleon и дополнительно обучена и выровнена алгоритмом Align-Anything для развития генерации изображений и лучшего соответствия человеческим предпочтениям. Архитектура плотная, число параметров — 6,7 млрд, нативная длина контекста — 4096 токенов. Для работы используется библиотека Transformers, веса представлены в формате PyTorch. Модель предназначена для мультимодальных сценариев, где нужно совместно обрабатывать и создавать текст и изображения, например для диалога по изображениям и генерации изображений по текстовому контексту. Карточка указывает английский язык. Лицензия — CC BY 4.0.

vladmandic опубликовал Anima-1.0-Turbo-sdnq-svd-dynamic-uint4 — квантованный вариант модели Anima для генерации изображений по текстовому описанию. Репозиторий содержит веса в формате Diffusers для использования в SD.Next; Turbo LoRA уже объединена с моделью. Веса предварительно квантованы методом SDNQ с SVD и динамической схемой до UINT4. Модель предназначена для создания изображений по текстовым запросам. Указана лицензия MIT. Данных о размере модели, контексте и поддерживаемых языках в предоставленных источниках нет.

google/ddpm-celebahq-256 — модель генерации изображений на основе Denoising Diffusion Probabilistic Models (DDPM), представленная в формате Diffusers. Архитектура относится к диффузионным моделям: она последовательно удаляет шум, чтобы создавать изображения без заданного текстового условия. В карточке указано семейство DDPM; README описывает подход и ссылается на работу Jonathan Ho, Ajay Jain и Pieter Abbeel. Модель предназначена для безусловной генерации изображений CelebA-HQ размером 256×256 пикселей. Её можно использовать для получения выборок лиц и экспериментов с диффузионной генерацией изображений; для инференса в README упомянуты дискретные планировщики шума в Diffusers, включая DDIM и PNDM. Репозиторий предоставляет веса в форматах Diffusers и PyTorch. Лицензия — Apache-2.0. Модель генерирует изображения без управления текстовым запросом; README не приводит количественных оценок качества именно этого чекпойнта или дополнительных ограничений его применения.

philz1337x/epicrealism — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face под учётной записью philz1337x. Репозиторий содержит пайплайн Diffusers StableDiffusionPipeline и веса в форматах PyTorch и Safetensors; страницу модели можно использовать с библиотекой Diffusers. Модель предназначена для создания изображений по текстовым запросам. Подтверждённые метаданные указывают на задачу text-to-image и архитектуру Stable Diffusion; информации о размере, длине контекста и конкретной языковой поддержке карточка не предоставляет. Лицензия и подробные ограничения использования в доступной карточке не указаны.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Этот репозиторий — архивное зеркало с неизменёнными весами, не являющееся оригинальным источником. Модель построена на трансформере rectified flow с 12 миллиардами параметров и обучена методом дистилляции latent adversarial diffusion. Модель предназначена для создания изображений по текстовым запросам в Diffusers и ComfyUI. Благодаря дистилляции она может генерировать изображения за 1–4 шага, сохраняя качество и следование запросу. В карточке указана поддержка английского языка; результат зависит от формулировки запроса, и соответствие изображения описанию не гарантируется. Модель не предназначена для выдачи фактической информации. Её результаты могут отражать общественные предубеждения, а применимость ограничена условиями Apache License 2.0 и указанными в карточке ограничениями на использование.

Это репозиторий с квантизированными весами модели FLUX.1 [schnell], разработанной Black Forest Labs. Версия преобразована с использованием BitsAndBytes в формат NF4 и предназначена для генерации изображений по текстовому описанию. Квантизация снижает требования к видеопамяти и делает запуск более доступным на GPU с 8 ГБ VRAM и в бесплатном Google Colab. Модель использует архитектуру из текстовых энкодеров CLIP и T5, Flux Transformer и VAE. В данном варианте квантизированы только T5-энкодер и Flux Transformer; CLIP и VAE сохранены в исходной точности. Пример использования рассчитан на генерацию изображений 1024×1024 за 4 шага диффузии при длине текстовой последовательности до 256 токенов. Указан английский язык. Полный конвейер требует примерно 14,8 ГБ VRAM, а раздельный режим — около 7,7 ГБ, что является сильной стороной сборки для устройств с ограниченными ресурсами. Ограничения включают зависимость от совместимых версий diffusers, transformers, BitsAndBytes и других библиотек, а также возможное снижение точности из-за 4-битной квантизации. Репозиторий распространяется по лицензии Apache 2.0; лицензия базовой модели указана как other с названием Apache-2.0.

FLUX.2 klein-4B 1-step RDM — экспериментальная одноступенчатая модель генерации изображений по тексту от автора репозитория epfl-vita. Она получена полным дообучением 4-миллиардной DiT-модели FLUX.2 klein-4B с дистилляцией методом Representation Distribution Matching (RDM): ученик за один проход приближает распределение изображений четырёхшаговой модели-учителя. Для работы используются текстовый энкодер Qwen3 и VAE базового пайплайна; веса генератора представлены в safetensors и bfloat16. Модель предназначена для быстрого создания изображений по текстовым запросам: генерация выполняется при разрешении 512×512 примерно за 0,15–0,3 секунды на изображение согласно карточке. В описанных оценках она показала хорошие результаты на композиции объектов и предпочтениях изображений, однако часть промптов GenEval входила в обучение, а обобщение на отложенные композиционные тесты ещё не измерено. Указана лицензия Apache-2.0.

Это конверсия модели black-forest-labs/FLUX.2-klein-9B в формат MLX, выполненная с помощью MFLUX v0.17.5 и опубликованная deepsweet. Модель предназначена для генерации изображений по текстовым описаниям; базовая модель также поддерживает редактирование изображений с референсами. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через библиотеку mflux в экосистеме MLX. В метаданных указан английский язык. Лицензия обозначена как other; конкретные условия использования в доступных сведениях не раскрыты.

Fuse-DiT — модель генерации изображений по текстовому описанию, распространяемая в формате Diffusers и запускаемая через FuseDiTPipeline. README показывает генерацию изображения по текстовому запросу с настраиваемыми шириной и высотой, числом шагов инференса и guidance scale; приведён пример для изображения 512×512 с 25 шагами. Репозиторий предоставляет предварительно обученную модель в формате safetensors и использует библиотеку Diffusers. Модель подходит для создания изображений по промптам. Репозиторий ссылается на статью и исходный код, однако подробности архитектуры, объём параметров и поддерживаемые языки в доступных материалах не раскрыты. Лицензия — Apache-2.0.

KOALA-Lightning-1B — модель генерации изображений по текстовому описанию, разработанная лабораторией визуального интеллекта ETRI. Это латентная диффузионная модель: она использует текстовые энкодеры SDXL-Base-1.0 и сжатую U-Net примерно на 1,16 млрд параметров. U-Net получена с помощью дистилляции знаний из SDXL-Lightning; для обучения использовали подмножество LAION-POP. Модель предназначена для генерации изображений, в том числе для творческих инструментов и исследований генеративных моделей. KOALA-Lightning рассчитана на генерацию изображений высокого разрешения при меньших требованиях к ресурсам, чем SDXL. README описывает поддержку изображений 1024×1024 и приводит результаты для семейства KOALA, включая варианты Lightning и Turbo; указанные скорости и объём памяти зависят от варианта модели, разрешения, GPU и настроек генерации. Лицензия в предоставленных данных не указана. Модель может плохо отображать длинный разборчивый текст и сложные запросы с несколькими атрибутами. Она не предназначена для создания фактически достоверных изображений людей или событий; возможны смещения, связанные с обучающими данными. Авторы обозначают прямое использование как исследовательское и творческое.

Lens-3.8B-bf16 — конверсия денойзинг-трансформера DiT из microsoft/Lens в формат MLX для быстрого инференса на устройствах Apple Silicon. Это компонент базовой модели генерации изображений по тексту с 3,8 млрд параметров; полный конвейер также использует текстовый энкодер GPT-OSS-20B и семантический VAE FLUX.2, загружаемые из отдельных источников. Модель предназначена для создания изображений по текстовым запросам. В README приведён пример генерации изображения 1024×1024 за около 33 секунд на Apple Silicon при 20 шагах; пиковое потребление памяти составляет около 39 ГБ. Веса представлены в bf16, а совпадение DiT с PyTorch-реализацией подтверждено сравнением тензоров. Репозиторий содержит только DiT, распространяемый по лицензии MIT. Для полного конвейера требуются отдельные компоненты с собственными условиями лицензирования: GPT-OSS-20B под Apache-2.0 и VAE FLUX.2. Модель ориентирована на устройства Apple Silicon и не является самостоятельным полным конвейером без этих компонентов.

MolmoPoint-Vid-4B — открытая мультимодальная модель Allen Institute for AI (Ai2), специализирующаяся на указании объектов и точек в видео. Она принимает видео и текстовый запрос и формирует ответ с точками заземления в специальных токенах, а не в виде текстовых координат. Модель построена на архитектуре MolmoPoint и имеет размер 4B; поддерживает обработку изображений и видео. Карточка указывает обучение только для задач указания объектов в видео, тогда как MolmoPoint-8B предназначена для более широкого круга задач. Лицензия — Apache-2.0. Модель подходит для локализации объектов и указания их положения в видеокадрах по запросу. Для корректного формирования допустимых токенов точек авторы рекомендуют использовать предоставляемый обработчик logits. Версия на Hugging Face не поддерживает обучение; код для обучения размещён в репозитории разработчика.

MoonViT K2.6 — репозиторий с башней зрения MoonViT и проектором Kimi K2.6, подготовленный для загрузки как самостоятельной модели Transformers. По README, он содержит 27-слойную башню с размерностью скрытого состояния 1152, 16 головами внимания, промежуточной размерностью 4304 и патчами 14 пикселей; токены пространственно объединяются блоками 2×2 и сжимаются по времени. Проектор преобразует объединённые визуальные токены в размерность языковой модели Kimi K2.6. Модель принимает изображения через стандартный интерфейс процессора и предназначена для извлечения визуальных признаков и подготовки проецированных признаков для Kimi K2.6. Веса опубликованы в формате safetensors; библиотека — Transformers. В README указано, что веса и выходы сверялись с родительской реализацией побитово. Репозиторий экспортирован из опубликованных весов Kimi K2.6 vision-only, а базовой моделью метаданные называют moonshotai/Kimi-K2.6. Лицензия обозначена как other; конкретные условия следует проверять на странице модели.

NOVA d48w1536-sdxl1024 — модель генерации изображений по тексту, разработанная BAAI. Это авторегрессионная модель NOVA на основе диффузии, использующая текстовый энкодер Phi-2 и токенизатор изображений SDXL-VAE. Размер модели — 1,4 млрд параметров, точность — FP16; целевое разрешение генерации — 1024×1024 пикселя. Модель предназначена для создания и изменения изображений по текстовым запросам, в том числе для творческих и образовательных инструментов, дизайна и изучения генеративных моделей. Распространяется в формате Diffusers и Safetensors по лицензии Apache 2.0. Ограничения включают потери при автоэнкодировании, трудности с генерацией сложного читаемого текста, несовершенный фотореализм и ошибки в изображении пальцев. Обучающие данные включали контент для взрослых, насилие и сексуальные материалы; модель может воспроизводить предвзятость. Она не предназначена для достоверного изображения людей или событий.

Ovis-Image — модель генерации изображений по текстовому описанию, разработанная командой ATH-MaaS и представленная как дообучение AIDC-AI/Ovis2.5-2B. Модель содержит 7 млрд параметров и использует архитектуру и конвейер OvisImagePipeline; для работы предусмотрена библиотека Diffusers. Она специально оптимизирована для точного отображения текста в изображениях и экономного использования вычислительных ресурсов. Модель подходит для создания постеров, баннеров, логотипов, макетов пользовательского интерфейса и инфографики с надписями, а также для генерации изображений по обычным текстовым запросам. В карточке заявлена поддержка английского и китайского языков. Авторы сообщают о высокой разборчивости и точности текста, в том числе в сложных макетах, однако эти результаты основаны на представленных в README оценках и не гарантируют качество для каждого запроса. Модель распространяется по лицензии Apache-2.0. README не приводит точную длину контекста и конкретные требования к видеопамяти; также авторы предупреждают, что не могут гарантировать отсутствие проблем с авторскими правами или неподходящего контента.

PixArt-α — трансформерная модель латентной диффузии для генерации и редактирования изображений по текстовым запросам, разработанная командой PixArt-α. Она использует блоки Transformer, предварительно обученный текстовый кодировщик T5 и VAE для представления изображений в латентном пространстве. Репозиторий рассчитан на работу через Diffusers и содержит веса в формате safetensors; идентификатор указывает на вариант 512×512. README также описывает возможность генерации изображений с разрешением 1024 пикселя. Модель подходит для создания иллюстраций и художественных материалов, творческих и образовательных инструментов, а также для исследований генеративных моделей и их ограничений. Лицензия — CreativeML Open RAIL++-M; README указывает исследовательское назначение и исключает использование для создания достоверных изображений людей или событий. Модель не обеспечивает идеальный фотореализм, может плохо передавать сложные пространственные отношения и пальцы, не умеет надёжно создавать читаемый текст; VAE вносит потери.

PixelModel v4 — экспериментальная модель генерации изображений по тексту от Bench Labs. Это компактный латентный трансформер диффузии (DiT), обученный методом rectified flow; в него входят около 161 млн параметров, из которых обучались примерно 40 млн. Для кодирования изображений используется замороженный VAE sd-vae-ft-mse, а для текста — замороженный CLIP ViT-B/32. Веса обученного DiT доступны в safetensors и в виде PNG-кодировки, из которой их можно восстановить без потерь. Модель предназначена для генерации изображений по текстовым запросам. В README приведены результаты оценки на MS-COCO val2014: FID 39,54 и CLIP 28,04 при 50 шагах сэмплирования и CFG 6. Авторы сообщают о сильном выравнивании изображений с текстом, но FID уступает двум указанным в сравнительной таблице моделям; сами авторы также предупреждают, что протоколы оценки конкурентов могут быть несопоставимы. Лицензия — MIT. Модель и её результаты представлены как компактный экспериментальный проект, поэтому качество генерации может уступать более крупным системам.

Bakanayatsu/ponyDiffusion-V6-XL-Turbo-DPO — модель преобразования текста в изображение, опубликованная в формате Diffusers. Это версия Pony Diffusion V6 XL Turbo DPO, адаптированная для использования с экосистемой Diffusers и StableDiffusionXLPipeline. Модель распространяется в формате Safetensors и предназначена для генерации изображений по текстовым описаниям.

azukivc/Qwen-Image-2.1-GGUF — это набор GGUF-квантизаций модели Qwen/Qwen-Image-2.1 для локальной генерации изображений. Репозиторий содержит преобразованные варианты исходных весов, а также совместимые текстовый энкодер Qwen3-VL 8B и VAE. Модель предназначена для работы в ComfyUI через ComfyUI-GGUF и поддерживает сценарии text-to-image и image editing, включая генерацию чувствительного и NSFW-контента без встроенного safety checker или фильтра содержимого. Доступны варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 ГБ. Рекомендуется Q4_K_M как компромисс между размером и качеством; для текстового энкодера можно использовать BF16-версию размером 17,53 ГБ или Int8-версию размером 9,35 ГБ, последняя лучше подходит для систем с ограниченной видеопамятью. VAE поставляется в формате BF16 и занимает 676 МБ. В README не указаны точные сведения о поддерживаемых языках, максимальном контексте, количестве параметров и архитектуре исходной модели. Сильные стороны модели — возможность локального запуска, несколько уровней квантизации и интеграция с готовыми рабочими процессами ComfyUI. Для стабильной работы требуется корректно установить ComfyUI-GGUF, текстовый энкодер и VAE; вариант Q8_0 может вызывать ошибку несовпадения форм 136 и 128 в некоторых конфигурациях, поэтому предпочтительны Q4_K_M, Q5_K_M или Q6_K. Лицензия указана как qwen-research с типом other; дополнительные условия использования в README не приведены.

Hippotes/Qwen-Image-2512-quants — это NVFP4-квантизированная версия модели Qwen-Image-2512 для генерации изображений по текстовому описанию. Она создана на основе BF16-версий Qwen-Image-2512 и Qwen2.5-VL-7B-Instruct из репозитория Comfy-Org/Qwen с использованием скрипта Silveroxides/convert_to_quant. Модель предназначена для использования в ComfyUI как замена исходной модели без существенных изменений рабочего процесса. Ключевая особенность модели — формат NVFP4, уменьшающий требования к памяти и способный ускорить инференс на совместимом оборудовании. В обновлённой версии часть слоёв сохранена в BF16, а калибровка выполнена дольше и с изменёнными параметрами; по заявлению автора, это улучшило передачу контуров и волос по сравнению с первой версией. Приведённые автором измерения на GPU RTX 5090 показывают преимущество NVFP4 над FP8 при пакетной генерации, особенно с Lightning LoRA. Ограничения включают некоторое снижение качества по сравнению с полноразмерными моделями, аналогичное другим NVFP4- и Nunchaku-моделям. Автор также отмечает возможное узкое место, связанное с пропускной способностью памяти или операциями деквантизации: в отдельных случаях GPU работает недостаточно эффективно, тогда как небольшие пакеты могут устранять проблему. В README не указаны языки, размер контекста и полный перечень поддерживаемых модальностей. Модель распространяется по лицензии Apache-2.0.

QuantStack/Qwen-Image-GGUF — это GGUF-конверсия модели Qwen-Image, разработанной командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и рассчитана на использование в пайплайне text-to-image, в частности через ComfyUI с пользовательским узлом ComfyUI-GGUF. В состав решения входят основная модель Qwen-Image в формате GGUF, текстовый энкодер Qwen2.5-VL-7B и вариационный автоэнкодер Qwen-Image VAE. Основная модель и текстовый энкодер могут использоваться в квантованном формате, а VAE предоставляется в формате Safetensors. В метаданных указаны английский и китайский языки. Размер контекста, точная архитектура, параметры квантования и поддерживаемые аппаратные конфигурации в README не уточняются. Ключевое преимущество модели — совместимость с GGUF и интеграция с ComfyUI, что может упростить локальный запуск и снизить требования к памяти по сравнению с полноразмерными вариантами. Ограничения связаны с необходимостью отдельно устанавливать и подключать текстовый энкодер, VAE и пользовательский узел ComfyUI-GGUF, а также с возможной потерей качества из-за квантования. Лицензия указана как Apache-2.0; при использовании сохраняются исходные лицензионные условия и ограничения модели Qwen-Image.

FardoX/sasori-flux2-klein-9b-tq3p — квантованный GGUF-вариант FLUX.2 [klein] 9B с форматом ternary TQ3P от sasori. В репозитории представлены DiT-денойзер и текстовый энкодер Qwen3-8B, преобразованные в TQ3P без переобучения; каждый вес кодируется тремя трит-плоскостями с групповой шкалой FP16, эффективная разрядность составляет 6,1875 бит на вес. Модель предназначена для генерации изображений по текстовым запросам; FLUX.2 [klein] 9B использует дистиллированную схему с четырьмя шагами в описанных измерениях. Ключевое преимущество этой сборки — меньший объём файлов и потребление видеопамяти по сравнению с FP16/BF16 при близкой измеренной скорости денойзинга на GPU. На CPU TQ3P работает медленнее, чем Q4_K_M, а генерация может занимать несколько минут. Для загрузки требуется специально пропатченный runtime stable-diffusion.cpp, поскольку официальный upstream не поддерживает этот тип GGUF; также необходима отдельная VAE. Лицензия указана как other, поэтому перед использованием следует проверить условия исходных компонентов и репозитория.

ckpt/sd15 — модель для генерации изображений по текстовому описанию, размещённая в Hugging Face под именем ckpt; карточка предоставляет пример запуска через Diffusers. Репозиторий содержит компоненты StableDiffusionPipeline и файлы в форматах Diffusers, PyTorch и Safetensors. Модель принимает текстовый запрос и выдаёт изображение. Карточка не содержит сведений о размере, контексте или поддерживаемых языках. Лицензия указана как OpenRAIL; подробности условий следует сверять с текстом лицензии репозитория.

SDXL-Turbo NVFP4 — квантизированная версия модели генерации изображений SDXL-Turbo от Stability AI, подготовленная автором репозитория с помощью NVIDIA Model-Optimizer 0.46.1 методом посттренировочной квантизации. Модель работает через StableDiffusionXLPipeline и создаёт изображения по текстовому описанию; показан пример фотореалистичного портрета, созданного за 4 шага при guidance 0.0. Квантизация UNet в NVFP4 уменьшает размер весов примерно с 5,13 до 1,96 ГБ. Для восстановления контрольной точки нужен ModelOpt; экспортированные safetensors нельзя загрузить обычным вызовом from_pretrained. Для инференса NVFP4 требуются GPU архитектуры Blackwell и совместимые ядра ModelOpt либо TRT-LLM/SGLang. Репозиторий содержит также формат Diffusers и контрольную точку PyTorch ModelOpt. Лицензия в предоставленных данных не указана.

kostakoff/stable-diffusion-v1-5-GGUF — набор квантизированных версий Stable Diffusion v1.5, преобразованных в формат GGUF для запуска в stable-diffusion.cpp. Разработчик репозитория — kostakoff; исходная модель создана авторами stable-diffusion-v1-5. Модель предназначена для генерации изображений по текстовому описанию, включая локальное развёртывание через сервер с OpenAI-совместимой конечной точкой генерации изображений. Доступны варианты BF16, Q8_0, Q4_K и Q4_0, позволяющие выбирать между качеством, размером файла и скоростью. В README не указаны число параметров, поддерживаемые языки и размер контекстного окна; для примера генерации приведено разрешение 512×512. Запуск описан для stable-diffusion.cpp с CUDA-совместимым GPU, CMake и CUDA Toolkit. Вариант BF16 имеет известную проблему: при использовании Stable Diffusion 1.5 в stable-diffusion.cpp он создаёт чёрное изображение, поэтому для максимального качества рекомендуется Q8_0. Q4_0 является самым компактным и быстрым вариантом, но даёт небольшую потерю качества; Q4_K представляет компромисс между размером и качеством. Модель распространяется по лицензии CreativeML Open RAIL-M, унаследованной от исходной модели.