I.8Изображения и компьютерное зрение

TwinFlow-Qwen-Image-v1.0 — экспериментальная версия модели inclusionAI, дообученная на базе Qwen/Qwen-Image для генерации изображений по текстовым описаниям. Она использует метод TwinFlow с самосостязательными потоками, чтобы выполнять генерацию за один или несколько шагов вывода и сохранять высокое качество без вспомогательных моделей во время обучения. Модель предназначена для ускоренного создания изображений по текстовым запросам. Репозиторий распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0.

VLM-FO1-3B-v01 — модель семейства VLM-FO1, разработанная как реализация одноимённого фреймворка для усиления моделей «зрение—язык» в задачах детального визуального восприятия. Она предназначена для поиска и понимания конкретных областей изображения, визуальных рассуждений по регионам и генеративного описания выбранных областей, сохраняя возможности базовой VLM для общего понимания и рассуждений. В README описан Hybrid Region Encoder (HFRE), объединяющий семантические и ориентированные на восприятие визуальные признаки в региональные токены, а также двухэтапное обучение. Метаданные указывают плотную архитектуру OmChatQwen25VLForCausalLM семейства omchat_qwen2_5_vl, 3,1 млрд параметров, контекст до 128 000 токенов и формат safetensors. Модель принимает изображения и текстовые запросы, выдаёт текст с результатами обнаружения и локализации объектов. В карточке указаны китайский и английский языки; лицензия — Apache-2.0. Модель подходит для сценариев, где требуется совместить диалоговое понимание изображения с детальной локализацией объектов и рассуждениями о регионах. README заявляет результаты уровня state of the art, но не приводит ссылки на репозиторий, статью или таблицы бенчмарков, поэтому эти заявления нельзя независимо оценить. Также карточка не уточняет требования к запуску и совместимые базовые модели.

warp-ai/wuerstchen-prior — модель Prior (Stage C) семейства Würstchen, разработанная Пабло Перниасом и Домиником Рампасом. Это диффузионная модель, которая по текстовому запросу генерирует латентные представления изображений; для получения готового изображения её используют вместе со стадиями A и B, декодирующими латенты в пиксельное пространство. Модель работает в сильно сжатом латентном пространстве: в описании Würstchen указано пространственное сжатие в 42 раза и обучение на разрешениях 1024×1024–1536×1536. Prior использует фиксированный предварительно обученный текстовый энкодер CLIP ViT-bigG/14. Такой подход снижает вычислительные затраты на обучение и генерацию. Основной язык запросов — английский. Репозиторий содержит веса в формате Diffusers/PyTorch Safetensors и распространяется по лицензии MIT.

Это зеркальная копия базовой модели Z-Image в формате FP32, опубликованная slzd. Репозиторий указывает исходный коммит 1ac663b проекта Tongyi-MAI/Z-Image и предназначает веса для использования в обучающих запусках через Ostris AI Toolkit. Модель работает по задаче преобразования текстового описания в изображение и распространяется в формате Diffusers с файлами Safetensors. Лицензия — Apache-2.0. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки; ограничений на использование, помимо условий лицензии, не описывает.

drbaph/Z-Image-fp8 — это квантизированная версия базовой модели Z-Image, разработанной командой Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и оптимизирована для использования в ComfyUI через библиотеку Diffusers. Она ориентирована на качественную генерацию, разнообразие визуальных стилей и точное следование промптам. В основе Z-Image лежит однопоточный диффузионный трансформер. Доступны варианты квантизации fp8-e4m3fn-scaled, fp8-e4m3fn, fp8-e5m2-scaled и fp8_e5m2. Квантизация снижает требования к видеопамяти примерно на 50% и ускоряет инференс при минимальном ухудшении качества, что делает модель более подходящей для потребительских GPU. В README указан английский язык, однако дополнительные сведения о размере модели, максимальном контексте, разрешении и поддерживаемых языках отсутствуют. Сильные стороны модели — экономичное использование VRAM, совместимость с ComfyUI, высокая вариативность генерации и хорошее соответствие текстовым инструкциям. Ограничение связано с применением FP8-квантизации: итоговые требования к памяти и качество могут зависеть от выбранного формата и конкретного оборудования. Модель распространяется по лицензии Apache-2.0.

vladmandic опубликовал преобразованную в формат Diffusers модель Anima-1.0-Base для генерации изображений по текстовому описанию. Она предназначена для использования в SD.Next; веса предварительно квантизированы методом SDNQ с SVD+Dynamic до UINT4. Модель основана на circlestone-labs/Anima и распространяется по лицензии MIT. Карточка указывает формат Diffusers и файлы safetensors. Сведений о поддерживаемых языках, размере модели и длине контекста нет.

Это безусловная диффузионная модель DDPM для генерации изображений, размещённая пользователем akasharidas. Карточка описывает метод Denoising Diffusion Probabilistic Models, предложенный Jonathan Ho, Ajay Jain и Pieter Abbeel, и показывает запуск через DDPMPipeline, DDIMPipeline или PNDMPipeline из библиотеки Diffusers. Модель предназначена для генерации изображений без текстового запроса. Карточка связывает DDPM с экспериментами на CIFAR-10 и LSUN и приводит результаты исходной научной работы, но не подтверждает, что именно этот чекпойнт обучен на этих данных или достигает указанных метрик. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель распространяется по лицензии Apache-2.0. В доступной карточке не описаны точный размер изображений и ограничения применения данного чекпойнта.

LibreGemma4e4b-i1-GGUF — это квантованная в формате GGUF vision-модель на базе LibreYOLO/LibreGemma4e4b. Её разработал и опубликовал mradermacher; исходная модель связана с проектом LibreYOLO. Модель предназначена для задач анализа изображений и генерации текста по изображениям, включая сценарии object detection и image-text-to-text. Заявлен английский язык. Модель поддерживает обработку визуальной и текстовой информации, однако точная архитектура, количество параметров и размер контекстного окна в README не указаны. Репозиторий содержит набор вариантов квантования i1 с разными уровнями сжатия и размерами примерно от 4,5 до 6,3 ГБ; среди них отдельно отмечены рекомендуемые варианты i1-Q4_K_M и i1-Q4_K_S, а также варианты IQ-квантования, которые в некоторых случаях обеспечивают лучшее качество при сопоставимом размере. К сильным сторонам относятся наличие vision-возможностей, несколько вариантов компромисса между размером, скоростью и качеством, а также совместимость с экосистемой GGUF. К ограничениям относятся неизбежная потеря качества при низком уровне квантования, отсутствие в README подробных результатов тестирования и параметров контекста, а также необходимость использовать соответствующие mmproj-файлы из статического репозитория для работы с изображениями. Модель распространяется по лицензии Apache-2.0.

LLaDA-Image-Turbo_ComfyUI — квантованная производная модель LLaDA-Image-Turbo, разработанного inclusionAI, с интеграцией для ComfyUI от RealRebelAI. Модель предназначена для быстрой генерации изображений по текстовому описанию и нативного редактирования изображений по инструкции. Редактирование использует встроенный режим generation_mode="editing" и обработку исходного изображения через механизм image-conditioning/SigVQ, а не обычный img2img с параметром силы шумоподавления. В репозитории доступны полные веса трансформера в формате BF16 Safetensors, нативно квантованные INT8-веса трансформера и текстовый энкодер LLaDA2-MoE в формате GGUF Q4_K_M. Квантизация снижает требования к хранилищу и оперативной памяти. Для генерации рекомендованы 4 шага и CFG/guidance scale 1.0; при редактировании доступны исходное изображение, инструкция, размеры, число шагов, guidance scale, seed и необязательный negative prompt. Размеры для редактирования должны быть кратны 32. Модель ориентирована на использование через пользовательские ComfyUI-ноды RebelAI. README не указывает поддерживаемые языки, максимальный контекст, точный размер модели и архитектурные детали сверх сохранения архитектуры LLaDA-Image. Ограничения включают зависимость от специальной ComfyUI-интеграции и необходимость соблюдать условия лицензии исходной модели inclusionAI; применимые лицензионные требования upstream распространяются на эти производные файлы.

MGM-8B-HD — открытая мультимодальная чат-модель, разработанная авторами MGM путём дообучения Meta-Llama-3-8B-Instruct на наборе MGM-Instruction с инструкциями, сгенерированными GPT. Это плотная модель семейства MGM примерно на 7,5 млрд параметров с контекстом до 8192 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для диалога и работы с изображениями высокого разрешения: она поддерживает понимание изображений, рассуждения по ним и генерацию изображений. Её можно применять для исследовательских прототипов мультимодальных чат-ботов и задач компьютерного зрения с текстовыми инструкциями. Карточка указывает исследовательское и любительское применение; лицензия в предоставленных данных не приведена.

Qwen-Image-2.1-Uncensored-GGUF — это набор GGUF-квантизаций модели Qwen-Image-2.1, опубликованный abenzerps на основе исходных весов Qwen/Qwen-Image-2.1. Модель предназначена для локальной генерации изображений по текстовому описанию и редактирования изображений через ComfyUI с расширением ComfyUI-GGUF. В поставку также входят текстовый энкодер Qwen3-VL 8B и VAE в формате Safetensors. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 ГБ. Для Q4_K_M заявлен оптимальный баланс размера и качества; для текстового энкодера предлагаются версии BF16 и Int8, причём Int8 подходит для снижения требований к памяти. Диффузионную модель рекомендуется размещать в VRAM, а текстовый энкодер выполнять в оперативной памяти или выгружать на CPU. Поддерживаются сценарии text-to-image и image edit, однако сведения о точной архитектуре, количестве параметров, языках и размере контекста в README не указаны. Сильными сторонами являются локальный запуск, несколько уровней квантизации и отсутствие встроенного safety checker или фильтра контента, благодаря чему модель не блокирует генерацию взрослого, NSFW и чувствительного содержимого. Ограничения включают зависимость от ComfyUI и совместимого расширения, значительные требования к VRAM и RAM, а также возможную ошибку shape mismatch у варианта Q8_0 в некоторых конфигурациях. Лицензия указана как other с названием qwen-research; конкретные условия необходимо проверять в лицензии исходной модели и репозитория.

Qwen-Image-2.1 W4A4 (int4) — 4-битная версия трансформера Qwen-Image-2.1, подготовленная ModelsLab на основе модели Qwen. Она предназначена для генерации изображений по текстовым запросам; основная часть модели упакована для fused kernel Nunchaku. Калибровка выполнена методом SVDQuant, а ошибка квантования компенсирована GPTQ. Файл весов занимает 4,34 ГБ; текстовый энкодер Qwen3-VL оставлен в bf16 и требует значительную часть видеопамяти. В README приведены замеры генерации 1024×1024 за 40 шагов на нескольких GPU и сравнение качества с bf16. Скорость и сходство с эталоном зависят от оборудования; опубликованный int4-чекпойнт не проходил отдельную проверку точности текста, описанную для варианта nvfp4. Сборка рассчитана на Nunchaku и требует совместимой версии ядра: несовпадение формата может привести к некорректному изображению. Лицензия Qwen Research License допускает только некоммерческое использование; для коммерческого использования требуется отдельное разрешение правообладателя.

frankjoshua/realisticVisionV51_v51VAE — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face. В репозитории она представлена как Diffusers StableDiffusionPipeline и предназначена для запуска через библиотеку Diffusers. Модель использует архитектуру Stable Diffusion с компонентами CLIPTextModel, UNet2DConditionModel, AutoencoderKL, PNDMScheduler и safety checker. В конфигурации VAE указан размер образца 512 пикселей, а текстовый энкодер имеет максимальную длину последовательности 77 токенов. Практический сценарий работы — создание изображений по промптам, включая реалистичные визуальные сцены. В репозитории отсутствует содержательная карточка модели с описанием обучения, точными характеристиками, поддерживаемыми языками и условиями лицензии. Поэтому сведения о лицензии, размере модели, языках и специализированных ограничениях не подтверждены.

realrebelai/SenseNova-U1.5-8B_GGUFs — это набор оптимизированных GGUF-квантизаций модели SenseNova-U1.5-8B-MoT, разработанный RealRebelAI на базе модели SenseNova от SenseNova. Набор предназначен для генерации изображений по текстовому описанию и преобразования изображений в ComfyUI, в том числе на системах с ограниченным объёмом видеопамяти. Модель имеет размер 8B и использует архитектуру SenseNova-U1.5-8B-MoT; в README также указана технология flow-matching. Доступны варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q3_K_M и Q2_K с размером примерно от 9,4 до 21,6 ГБ. Для чувствительных слоёв patch_embedding, dense_embedding и fm_head применяются тензоры F16, что должно помогать сохранять качество генерации при сжатии. Вариант Q3_K_M отмечен как подходящий для профиля с ограниченной памятью, включая видеокарты с 8 ГБ VRAM, однако приведённые размеры файлов превышают этот объём и не гарантируют полного размещения модели в памяти. Для запуска требуется ComfyUI и специальный форк пользовательских узлов ComfyUI_SenseNova_U1_REBEL, включая загрузчик SenseNova_SM_Model и сэмплер SenseNova_SM_Sampler; стандартная совместимость не гарантируется из-за возможных структурных и размерных несовпадений. Языки, точное описание модальностей, максимальный контекст и результаты сравнительных тестов в README не указаны. Модель распространяется по лицензии Apache-2.0.

StarVector-8B-im2svg — мультимодальная модель ServiceNow Research, Mila — Quebec AI Institute и ÉTS Montréal для генерации SVG-кода по изображению или текстовому запросу. Архитектура объединяет визуальный энкодер на основе Vision Transformer, адаптер и языковую модель; размер модели — 11,1 млрд параметров. Входные изображения преобразуются в визуальные токены, а текст обрабатывается языковой частью модели. Модель предназначена для векторизации иконок, логотипов и технических диаграмм, а также для создания векторной графики по текстовому описанию. В карточке заявлены английский язык и обучение на наборе SVG-Stack; результаты оценивались на SVG-Bench. Модель не рассчитана на фотографии, сложные иллюстрации и 3D-графику, а качество зависит от типа входного изображения и точности запроса. Лицензия — Apache 2.0.

Swin Tiny — модель классификации изображений на базе архитектуры Swin Transformer, дообученная разработчиком mansee на базовой модели mansee/swin-tiny-patch4-window7-224. Она предназначена для определения ориентации изображения по его содержимому. Модель содержит около 33 млн параметров и использует веса PyTorch. На оценочном наборе указаны accuracy 0,9645 и loss 0,1069. README не раскрывает набор классов, данные обучения и конкретные сценарии применения, поэтому качество за пределами этой оценки и поддерживаемые типы ориентации не установлены. Модель принимает изображения и выдаёт метки классов. Лицензия — Apache-2.0.

Niggendar/tPonynai3_v55 — модель преобразования текста в изображение для библиотеки Diffusers, доступная через StableDiffusionXLPipeline. Она предназначена для генерации изображений по текстовым описаниям в приложениях и исследовательских прототипах, поддерживающих экосистему Hugging Face Diffusers. Разработчик, точная архитектура, размер, языки, длина контекста, обучающие данные и лицензия в предоставленных источниках не раскрыты. README модели содержит только автоматически сгенерированную карточку без описания методов, примеров использования и результатов оценки.

VBVR-Pro-SenseNova-U1 — это контрольная точка Neo-Unify, экспортированная из EMA-чекпойнта на шаге обучения 30 000 командой Video-Reason. Модель принимает исходное изображение и текстовую инструкцию и генерирует один или несколько последовательных ключевых кадров: каждый созданный кадр включается в контекст перед генерацией следующего. Она предназначена для визуального рассуждения через генерацию изображений и была представлена в исследовании VBVR-Pro о масштабируемом наборе проверяемых задач для такого рассуждения. Модель поддерживает генерацию изображений по тексту и исходному изображению; репозиторий использует Transformers и формат safetensors. Для загрузки нужен пользовательский код Transformers с параметром trust_remote_code=True. Лицензия — Apache-2.0. README описывает обучение и оценку на задачах визуального рассуждения, но не приводит размер модели, длину контекста или перечень поддерживаемых естественных языков. Для инференса требуется Linux, CUDA-совместимый GPU, PyTorch 2.5 или новее и Transformers 4.51 или новее; Transformers 5 пока не поддерживается. Предусмотрен инференс в bfloat16 на CUDA, CPU-инференс включённым скриптом не поддерживается. Повышение разрешения и числа кадров заметно увеличивает время работы и расход памяти.

Карточка модели pomato233/VLM-FO1-3B-v01 на Hugging Face совпадает с карточкой omlab/VLM-FO1-3B-v01, поэтому описание составлено по ней. VLM-FO1-3B-v01 — модель семейства VLM-FO1, разработанная как реализация одноимённого фреймворка для усиления моделей «зрение—язык» в задачах детального визуального восприятия. Она предназначена для поиска и понимания конкретных областей изображения, визуальных рассуждений по регионам и генеративного описания выбранных областей, сохраняя возможности базовой VLM для общего понимания и рассуждений. В README описан Hybrid Region Encoder (HFRE), объединяющий семантические и ориентированные на восприятие визуальные признаки в региональные токены, а также двухэтапное обучение. Метаданные указывают плотную архитектуру OmChatQwen25VLForCausalLM семейства omchat_qwen2_5_vl, 3,1 млрд параметров, контекст до 128 000 токенов и формат safetensors. Модель принимает изображения и текстовые запросы, выдаёт текст с результатами обнаружения и локализации объектов. В карточке указаны китайский и английский языки; лицензия — Apache-2.0. Модель подходит для сценариев, где требуется совместить диалоговое понимание изображения с детальной локализацией объектов и рассуждениями о регионах. README заявляет результаты уровня state of the art, но не приводит ссылки на репозиторий, статью или таблицы бенчмарков, поэтому эти заявления нельзя независимо оценить. Также карточка не уточняет требования к запуску и совместимые базовые модели.

Bonsai-Image-ternary-4B — модель генерации изображений по текстовому описанию, разработанная PrismML и преобразованная в формат LiteRT (.tflite) для выполнения непосредственно на устройствах. Она предназначена для локального text-to-image использования без PyTorch и Diffusers, включая мобильные приложения и устройства на Android, iPhone и компьютерах Apple с поддержкой соответствующих LiteRT-бэкендов. Модель построена на архитектуре FLUX.2-klein-4B и использует диффузионный трансформер с троичными весами. В состав входят DiT примерно на 3,88 млрд параметров, текстовый энкодер Qwen3-4B с удалёнными верхними девятью слоями и VAE-декодер AutoencoderKLFlux2. Основная конфигурация использует int4-квантизацию, при этом троичные веса сохраняются без потерь; доступен также текстовый энкодер с int8-квантованием для более близкого соответствия исходному результату. Поддерживается ввод до 256 токенов, а стандартный вывод имеет разрешение 512×512 и формируется за 4 шага сэмплирования; большее число шагов также возможно. К сильным сторонам относятся компактное для исходной модели представление, работа полностью на устройстве, воспроизводимость результатов между поддерживаемыми конфигурациями и сохранение качества после преобразования. Ограничения включают значительные требования к памяти: минимальный рабочий набор занимает около 3,97 ГиБ, а производительность на мобильных CPU может составлять примерно одну минуту на изображение. Для ускорения требуется корректно подключать XNNPACK, а GPU-конфигурация Apple предъявляет высокие требования к памяти и точности fp32. Модель распространяется по лицензии Apache-2.0.

Репозиторий содержит квантованные веса FLUX.2-dev для использования в ComfyUI. В README перечислены файл Flux2TurboComfyv2.safetensors и LoRA Flux_2-Turbo-LoRA_comfyui.safetensors от ByteZSzn; исходная модель указана как FLUX.2-dev. Модель предназначена для генерации изображений по текстовому описанию в рабочих процессах ComfyUI. Метаданные подтверждают формат safetensors и тег diffusion-single-file. Репозиторий помечен лицензией other, поэтому условия использования следует сверить с лицензией исходной модели и файлами репозитория.

Репозиторий immanuelpeter/C-RADIOv4-H содержит извлечённую из NVIDIA Nemotron 3 Nano Omni копию визуального энкодера C-RADIOv4-H вместе с Omni-проектором. Это не клон отдельного энкодера nvidia/C-RADIOv4-H: веса башни RADIO и проектора побитово совпадают с соответствующими компонентами указанной базовой модели. Архитектура включает башню с размерностью скрытого состояния 1280 и размером патча 16, сжатие токенов через pixel shuffle 2×2 и проектор mlp1 с выходной размерностью 2688. Модель предназначена для извлечения признаков изображений в составе визуального пути Nemotron 3 Nano Omni. Для загрузки требуется собрать RADIO из vision_config родительской модели и загрузить веса из репозитория; стандартный AutoModel.from_pretrained здесь не сработает. Веса предоставлены в формате safetensors, исходные тензоры сохранены в BF16. Лицензия указана как other; README сообщает о выпуске C-RADIOv4-H и Nemotron 3 Nano Omni компанией NVIDIA, но конкретные условия лицензии не уточняет.

openart-custom/CrystalClearXL — модель генерации изображений по текстовому описанию, представленная как Diffusers-пайплайн StableDiffusionXLPipeline и опубликованная организацией openart-custom. Карточка Hugging Face автоматически создана и не сообщает подробностей о разработчике, обучении, лицензии или специальных характеристиках модели. Модель принимает текстовый запрос и генерирует изображение. Метаданные указывают задачу text-to-image и форматы Diffusers и safetensors. Подтверждённых сведений о размере, контексте, поддерживаемых языках, сильных сторонах и ограничениях нет; лицензию по доступным данным определить нельзя.

DreamShaper 3.32 — модель генерации изображений по текстовому описанию, опубликованная пользователем jzli. В карточке указано, что в модель встроен VAE и исправление CLIP; она распространяется в форматах Diffusers и PyTorch и предназначена для использования с StableDiffusionPipeline. Модель подходит для создания изображений по текстовым запросам. README не приводит дополнительных сведений о её архитектуре, размере, поддерживаемых языках или контексте. Условия лицензии в доступных данных не указаны.

BAAI/Emu3-VisionTokenizer — компонент семейства Emu3, разработанного командой Emu3 в BAAI. Это модель архитектуры Emu3VisionVQ для извлечения признаков; в репозитории веса сохранены в формате safetensors. Лицензия — Apache-2.0. Токенизатор Emu3 преобразует изображения в дискретное пространство vision-токенов, используемое мультимодальными моделями семейства. README описывает Emu3 как семейство моделей, обученных предсказанию следующего токена и рассчитанных на генерацию изображений и видео, а также на понимание визуального содержимого с текстовыми ответами. Эти возможности семейства не следует автоматически считать возможностями одного токенизатора: карточка этой модели указывает задачу feature-extraction.

Keffisor21/flux1-schnell-bnb-nf4 — модель для генерации изображений по текстовому описанию, опубликованная в формате Diffusers. Она предназначена для использования с библиотекой Diffusers и конвейером FluxPipeline; метаданные также указывают на 8-битное представление модели и формат safetensors. Модель подходит для создания изображений по промптам в приложениях, исследовательских прототипах и локальных генеративных рабочих процессах. Разработчик, лицензия, поддерживаемые языки, размер параметров, длина контекста, данные обучения и результаты оценки в доступной карточке не описаны.

amd/FLUX.1-schnell_io32_amdgpu — вариант модели FLUX.1 [schnell] от AMD, подготовленный для запуска через Amuse GUI. Модель генерирует изображения по текстовому описанию; вариант io32 принимает входные данные в fp32, преобразует их в fp16 для вычислений и возвращает результат в fp32. Репозиторий содержит формат Diffusers и ONNX. Базовая FLUX.1 [schnell] — трансформерная модель Black Forest Labs, рассчитанная на генерацию изображений за 1–4 шага. Модель подходит для создания изображений по текстовым запросам в Amuse GUI на поддерживаемом окружении AMD. Указана лицензия Apache-2.0. В README описан запуск через Amuse, но подробные сведения о поддерживаемом оборудовании, качестве генерации и возможностях настройки не приведены.

Модель shauray/FLUX-UNCENSORED-merged создана на основе FLUX.1 [dev] компании Black Forest Labs: к базовой модели применена и объединена uncensored LoRA. Она предназначена для генерации изображений по текстовым описаниям и рассчитана на использование через Diffusers с FluxPipeline. По данным каталога, базовая FLUX.1 [dev] содержит 12 млрд параметров. Репозиторий распространяет веса в форматах Diffusers и Safetensors. Владелец описывает модель как вариант с меньшим числом ограничений на генерируемые результаты. Лицензия — MIT.

Это предварительно квантизированная до UINT4 версия модели Krea-2-Base, подготовленная Vladmandic с помощью SDNQ, Hadamard и динамической квантизации. Она предназначена для генерации изображений по текстовым запросам и запуска через SD.Next или пакет SDNQ. Метаданные указывают на использование Diffusers и файлов Safetensors; архитектура обозначена как Krea2Pipeline. Квантизация UINT4 уменьшает точность представления весов и может снизить требования к памяти, но README не сообщает о замерах производительности или качестве изображений. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Карточка модели Jinstudio/Lens на Hugging Face совпадает с карточкой Jinstudio/Lens-Turbo, поэтому описание составлено по ней. Lens-Turbo — вариант модели Lens от Microsoft для генерации изображений по текстовым описаниям. Это диффузионная text-to-image модель с 3,8 млрд параметров: 48-блочный MMDiT-денойзер использует латенты FLUX.2 и объединённые признаки нескольких слоёв GPT-OSS. Вариант Turbo дистиллирован из модели Lens после RL-донастройки и рассчитан на генерацию за 4 шага с CFG 1.0. Модель предназначена для быстрого создания изображений по текстовым промптам. Обучение на смешанных разрешениях позволяет генерировать изображения с разными пропорциями сторон вплоть до 1440×1440; карточка указывает английский язык. Репозиторий содержит веса Diffusers в формате safetensors. Лицензия — MIT. Разработчики указывают, что модель выпущена только для исследовательских целей и не предназначена для развёртывания в продуктах или сервисах. Выходы могут быть неточными, предвзятыми или неподходящими, а также создавать риски, связанные с авторским правом и интеллектуальной собственностью; для исследовательского использования рекомендуется человеческий контроль.