I.8Изображения и компьютерное зрение

LibreGemma4e4b-GGUF — это набор квантованных файлов модели LibreGemma4e4b, разработанной LibreYOLO и преобразованной в формат GGUF пользователем mradermacher. Модель относится к мультимодальным vision-language моделям и предназначена для задач, связанных с обработкой изображений и текста, включая object detection и сценарии image-text-to-text. В метаданных указан английский язык. Для работы доступны мультимодальные компоненты mmproj в вариантах Q8_0 и f16, а также файлы модели с различными уровнями квантования: от Q2_K до Q8_0, IQ4_XS и f16. Размер файлов составляет примерно от 4,5 до 15,2 ГБ, что позволяет выбирать между экономией памяти, скоростью и качеством. В README не указаны точная архитектура, размер контекстного окна, перечень поддерживаемых языков помимо английского и конкретные показатели качества. Сильной стороной модели является наличие широкого выбора GGUF-квантов для локального запуска и мультимодальной обработки. Низкоразрядные варианты требуют меньше ресурсов, а Q6_K, Q8_0 и f16 ориентированы на более высокое качество, хотя могут предъявлять повышенные требования к памяти. Ограничения включают отсутствие опубликованных в карточке бенчмарков, подробностей об архитектуре и точных рекомендаций по аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

Это набор GGUF-квантований модели Ming-Image-0.1-Design, подготовленный realrebelai для генерации изображений из текста в ComfyUI-GGUF. Репозиторий содержит варианты диффузионной модели от Q2_K до Q8_0 с политикой смешанной точности: чувствительные группы тензоров сохраняются в BF16 или более высокой точности, а основные веса сжимаются. Также доступны низкопамятные GGUF-варианты текстового энкодера Ling Mini 2.0: Q4KM-HQ и Q2K-HQ; исходный энкодер содержит около 17,3 млрд параметров. Модель предназначена для создания изображений по текстовым запросам, в том числе при ограниченной видеопамяти. Конкретный результат зависит от выбранного уровня квантования: более агрессивное сжатие уменьшает требования к памяти и размер файлов, но может снижать точность генерации. Для загрузки диффузионных GGUF README указывает на необходимость специальной ветки ComfyUI-GGUF с исправлением совместимости Ming-Image. Лицензия репозитория — MIT; авторы README отмечают, что исходная модель, архитектура и документация принадлежат разработчикам Ming-Image.

Карточка модели toilaluan/minit2i-base-16-refractored на Hugging Face совпадает с карточкой MiniT2I/MiniT2I, поэтому описание составлено по ней. 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.

Eugeoter/noob-sdxl-controlnet-tile — модель для генерации изображений по текстовому описанию с использованием библиотеки Diffusers и ControlNet. Она основана на Laxhar/sdxl_noob и предназначена для сценариев text-to-image, где ControlNet помогает управлять структурой и детализацией изображения с использованием tile-контроля. Модель относится к семейству Stable Diffusion XL и поддерживает английский язык. README не содержит сведений о точном размере модели, архитектурных деталях ControlNet, максимальной длине контекста, дополнительных модальностях, сильных сторонах или ограничениях качества. Модель распространяется по лицензии Fair AI Public License 1.0 SD; подробные условия доступны по указанной в карточке ссылке. Реализация выполнена при спонсорской поддержке Neko Kazama.

nunchaku-flux.1-dev — это квантованная версия модели FLUX.1-dev, разработанная командой Nunchaku на основе исходной модели Black Forest Labs. Модель предназначена для генерации изображений по текстовым описаниям и интегрируется с библиотекой Diffusers, а также поддерживает использование через ComfyUI. Для оптимизации инференса применяется метод SVDQuant и 4-битное квантование, рассчитанное на снижение вычислительных и ресурсных требований при минимальной потере качества. Доступны варианты INT4 для видеокарт до поколения Blackwell и NVFP4 для видеокарт Blackwell (50-й серии). В README указано, что модель ориентирована на англоязычные текстовые запросы; дополнительные сведения о размере, архитектуре, разрешении изображений, длине контекста и других модальностях не приведены. Модель подходит для эффективной генерации изображений при ограниченных ресурсах и может использоваться в рабочих процессах Diffusers и ComfyUI. Ограничения включают зависимость от совместимого инференс-движка Nunchaku и соответствующего типа квантованного файла, а также условия исходной лицензии FLUX.1-dev. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть её использование ограничено некоммерческими сценариями согласно условиям Black Forest Labs.

nunchaku-flux.1-krea-dev — это квантизированная версия модели FLUX.1-Krea-dev, разработанная командой Nunchaku. Модель предназначена для генерации изображений по текстовым описаниям и интегрируется с библиотеками Diffusers и ComfyUI. Модель использует 4-битное квантование SVDQuant для более эффективного вывода при минимальной потере качества. Доступны варианты INT4 для графических процессоров до серии NVIDIA 50 и NVFP4 для Blackwell GPU серии 50. Модель поддерживает англоязычные текстовые запросы; другие модальности и размер контекста в карточке не указаны. Для инференса используется движок Nunchaku, а квантование выполнено с помощью DeepCompressor. Сильной стороной модели является снижение требований к вычислениям и памяти по сравнению с исходной FLUX.1-Krea-dev при сохранении качества генерации. Ограничения связаны с применением 4-битного квантования и отсутствием в карточке подробных характеристик производительности. Модель распространяется по лицензии flux-1-krea-dev-non-commercial-license, основанной на некоммерческой лицензии FLUX.1 [dev] от Black Forest Labs; коммерческое использование не разрешено.

QuantStack/Qwen-Image-Distill-GGUF — это квантованная версия модели Qwen-Image, разработанной командой Qwen и представленная в формате GGUF. Репозиторий содержит прямую конвертацию DiffSynth-Studio/Qwen-Image-Distill-Full и предназначен для генерации изображений по текстовому описанию. Модель используется в связке с текстовым энкодером Qwen2.5-VL-7B и VAE Qwen-Image VAE. Основной сценарий применения — запуск генерации изображений в ComfyUI через пользовательский узел ComfyUI-GGUF. Основной файл модели размещается в каталоге ComfyUI/models/unet, текстовый энкодер — в ComfyUI/models/text_encoders, а VAE — в ComfyUI/models/vae. В карточке указаны английский и китайский языки, однако точные сведения о размере квантованной модели, варианте квантования, архитектуре, максимальном контексте и поддерживаемых модальностях не приведены. Ключевое преимущество модели — формат GGUF и квантование, которые ориентированы на более удобное и потенциально менее ресурсоёмкое локальное использование. Ограничение состоит в том, что для полноценной работы требуются отдельные компоненты: текстовый энкодер и VAE, а также ComfyUI с совместимым узлом. Модель распространяется по лицензии Apache-2.0; при квантовании сохраняются исходные лицензионные условия и ограничения использования.

city96/Qwen-Image-gguf — это прямое преобразование модели Qwen-Image в формат GGUF, выполненное city96. Исходная модель разработана командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и использования в пайплайне text-to-image, в частности через ComfyUI с пользовательским узлом ComfyUI-GGUF. В состав рабочего решения входят диффузионная модель Qwen-Image в формате GGUF, текстовый энкодер Qwen2.5-VL-7B и VAE Qwen-Image. Заявлены английский и китайский языки. README не сообщает размер контекста, точную архитектуру исходной диффузионной модели или перечень поддерживаемых модальностей за пределами текстовой генерации изображений. Ключевое преимущество — доступность квантованных вариантов, включая Q5_K_M, Q4_K_M, Q3_K_M, Q3_K_S и Q2_K, что может снизить требования к памяти. Для низкобитных вариантов используется динамическая схема квантования с сохранением первого и последнего слоя в высокой точности; по заявлению автора, благодаря этому даже Q2_K остаётся пригодным к использованию. К ограничениям относятся необходимость отдельно подключать совместимые текстовый энкодер и VAE, а также возможное ухудшение качества при низкой разрядности. Это квантованная версия без дообучения, поэтому на неё распространяются ограничения и условия исходной модели. Указана лицензия Apache-2.0.

RunDiffusion-XL-Beta — модель генерации изображений по текстовому описанию, выпущенная RunDiffusion.com как одна из ранних моделей, дообученных на базе Stable Diffusion XL. Авторы описывают её как чистую базу, подходящую для дальнейшего обучения. Репозиторий содержит модель в форматах Diffusers и Safetensors. Модель предназначена для создания изображений по текстовым запросам и может служить отправной точкой для обучения специализированных генераторов. Лицензия CreativeML Open RAIL-M с дополнительными условиями RunDiffusion требует указания авторства и ссылки на лицензию; производные работы должны распространяться на тех же условиях. Коммерческое использование допускается при соблюдении этих условий.

aegon-h/sdxl — репозиторий модели генерации изображений по текстовому описанию на основе Stable Diffusion XL Base 1.0. В README указан разработчик FFusion и исходная модель FFusionXL-BASE; метаданные Hugging Face связывают репозиторий с diffusers/stable-diffusion-xl-base-1.0 как с дообучением. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит варианты в форматах Diffusers, ONNX, OpenVINO и safetensors. Указана лицензия OpenRAIL++. Метаданные отмечают поддержку английского языка; сведения о размере модели и длине контекста отсутствуют.

Это вариант модели SDXS-512-0.9, опубликованный пользователем rupeshs на Hugging Face. По карточке, отличие от IDKiro/sdxs-512-0.9 состоит в использовании исходного VAE, которое, по словам автора, улучшает качество изображений. Модель предназначена для генерации изображений по текстовым запросам и работает через библиотеку Diffusers. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки запросов; в метаданных указан английский язык. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — OpenRAIL++: перед использованием следует учитывать её условия. Заявление об улучшении качества приведено автором карточки; сравнительные результаты не указаны.

city96/stable-diffusion-3.5-large-gguf — это квантизированная версия Stable Diffusion 3.5 Large, разработанной Stability AI. Модель предназначена для генерации изображений по текстовому описанию и относится к задачам text-to-image. В данном варианте выполнено прямое преобразование исходной модели в формат GGUF; это не дообученная версия. Квантизацию выполнил city96. Модель ориентирована на использование в рабочих процессах генерации изображений, в частности через пользовательский узел ComfyUI-GGUF для ComfyUI. В README указаны английский язык и поддержка текстово-визуального сценария, однако точные сведения об архитектуре, количестве параметров, доступных модальностях помимо text-to-image, размере контекста и конкретных типах квантизации не приведены. К преимуществам относятся совместимость с экосистемой GGUF и возможность выбора вариантов квантизации, а возможные ограничения связаны с потерями качества или изменением требований к ресурсам по сравнению с исходной моделью. Модель распространяется по лицензии Stability AI Community License. Поскольку это квантизированная версия без дообучения, на неё распространяются те же ограничения и исходные условия лицензии, что и на базовую модель stabilityai/stable-diffusion-3.5-large.

JingyeChen22/textdiffuser2_layout_planner — планировщик макета для TextDiffuser-2, разработанный для системы генерации изображений с текстом. В репозитории размещена модель из статьи «TextDiffuser-2: Unleashing the Power of Language Models for Text Rendering»; карточка указывает архитектуру LlamaForCausalLM и 6,6 млрд параметров. Модель принимает текстовые запросы и предназначена для планирования размещения текста перед генерацией изображения; в метаданных также указана задача text-to-image. Модель опубликована в формате PyTorch, использует библиотеку Diffusers и имеет контекстное окно 4096 токенов. Лицензия — MIT. README сообщает о наличии скрипта для запуска инференса, но не описывает точный формат результата планировщика, поддерживаемые языки или метрики качества.

TreeVGR-7B-CI — мультимодальная модель Haochen Wang и соавторов для визуально обоснованного рассуждения. Она дообучена на базе Qwen2.5-VL-7B с совместным обучением локализации объектов и рассуждению; в работе описаны supervised fine-tuning и обучение с подкреплением. Модель принимает изображения и текстовые запросы и формирует текстовые ответы с привязкой к визуальным областям, включая координаты ограничивающих рамок. Модель предназначена для визуальных вопросов и ответов, поиска мелких или малозаметных объектов в загруженных сценах, а также рассуждений о взаимодействиях и пространственных отношениях между объектами. В README сообщается об улучшении результатов относительно исходной модели на V* Bench, MME-RealWorld и TreeBench. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; длина контекста — до 128 000 токенов. Карточка указывает лицензию Apache-2.0. Количественные показатели относятся к описанным в статье оценкам; карточка не приводит отдельной оценки надёжности локализаций в прикладных условиях.

UMM-Reflection BAGEL-RL — модель YijiaFan, финальная версия проекта UMM-Reflection «Learning Native Reflection in Unified Models». Это дообученная методом multi-round Flow-GRPO модель на базе UMM-Reflection-BAGEL-SFT: совместно обучены языковой контроллер и потоковая ветвь генерации изображений, чтобы модель могла проверять результат и исправлять его в несколько раундов. В README модель описана как унифицированная BAGEL; метаданные указывают поддержку сценариев any-to-any и интерфейс чата с вызовом инструментов. Модель предназначена прежде всего для генерации изображений по текстовым запросам с последующей рефлексией и исправлением результата. В локальной оценке на 553 промптах GenEval с одинаковыми настройками она получила 0,84 против 0,72 у BAGEL-SFT; среди изображений с ошибками после первой генерации 64,9% стали корректными после рефлексии. Проверка охватывала шесть семейств GenEval и до трёх раундов исправления. Эти результаты относятся к описанной авторами оценке; README не сообщает размер модели, контекст или поддерживаемые естественные языки. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0.

Это визуальный backbone на основе Vision Transformer ViT-Small с патчами 16×16 и входным размером изображения 224×224×3. Модель 1aurent/vit_small_patch16_224.transpath_mocov3 обучена на 15 млн гистологических патчей из PAIP и TCGA с использованием метода самообучения MoCo v3 и предназначена для извлечения признаков из изображений тканей. Веса доступны в формате safetensors; лицензия — GPL-3.0. Модель подходит для получения эмбеддингов гистологических изображений и их последующего использования в задачах классификации патологических изображений, в том числе для анализа опухолевой ткани. В карточке указано 21,7 млн параметров. Модель принимает изображения и выдаёт признаки; сведения о поддерживаемых естественных языках и длине контекста к ней не относятся.

z-image-turbo-GGUF-confyui — это GGUF-квантованная версия модели z-image-turbo, подготовленная пользователем felipedpm для запуска в ComfyUI. Оригинальная модель связана с разработчиком Tongyi-MAI. Решение предназначено для генерации изображений по текстовому описанию в формате text-to-image и рассчитано на использование в средах с ограниченным объёмом VRAM. В состав входят квантованный диффузионный UNET z-image-turbo в формате Q8_0, квантованный текстовый энкодер Qwen3 4B в формате Q5_K_XL и VAE ae.safetensors для декодирования изображений. Для работы требуются ComfyUI и пользовательские узлы с поддержкой загрузки GGUF, например ComfyUI-GGUF. Языки, размер контекста, разрешение, число параметров исходной модели и другие архитектурные характеристики в README не указаны. Ключевое преимущество сборки — снижение требований к памяти благодаря квантованию при сохранении возможности относительно быстрой генерации: на GPU с 12 ГБ VRAM заявлено около 15–30 секунд на изображение. При этом workflow остаётся ресурсоёмким: рекомендуется GPU с 12 ГБ VRAM и 32 ГБ оперативной памяти, возможна выгрузка данных в RAM. Лицензия — Apache-2.0.

martin-rizzo/Z-Image-Turbo-INT8-ConvRot-ComfyUI — это квантизированная версия диффузионной text-to-image-модели Z-Image-Turbo, разработанной на базе Tongyi-MAI/Z-Image-Turbo. Модель предназначена для генерации изображений по текстовому описанию, прежде всего в ComfyUI и совместимых приложениях, с акцентом на высокую скорость и сниженное потребление видеопамяти. Модель использует архитектуру Scalable Single-Stream Diffusion Transformer (S3-DiT) и содержит около 6 млрд параметров. Применяется квантизация INT8-ConvRot с масштабами FP32 и смешанной точностью BF16 в отдельных слоях. Метод ConvRot вращает веса и активации для подавления выбросов перед квантизацией, что, согласно README, позволяет уменьшить использование VRAM при сохранении хорошего понимания промптов и качества генерации, сопоставимого с исходными весами BF16. Сведения о поддерживаемых языках и размере контекста не указаны. Для работы требуется файл весов в формате safetensors и ComfyUI версии 0.27.0 или новее; специальные ConvRot-узлы не нужны. Ограничением является экспериментальный характер конвертации, выполненной с помощью утилиты z2comfy, которая может работать нестабильно. Модель распространяется по лицензии Apache 2.0.

Z-Image-Turbo-Quantized — набор квантованных весов модели Z-Image-Turbo, подготовленный LightX2V для запуска генерации изображений на видеокартах с 8 ГБ видеопамяти. Репозиторий содержит варианты FP8 E4M3FN и INT8 в формате Safetensors; заявленный размер каждого файла — 6,17 ГБ. Модель использует библиотеку Diffusers и предназначена для генерации изображений по текстовым описаниям. Для работы с 8 ГБ видеопамяти автор рекомендует квантованный до int4 текстовый энкодер Qwen3 и выгрузку модели на CPU во время инференса. Доступны выгрузка всей модели или отдельных блоков; README отмечает, что настройки квантования и выгрузки нужно применить до создания генератора. Базовая модель — Tongyi-MAI/Z-Image-Turbo, дистиллированная модель Alibaba, поддерживающая английский и китайский текст на изображениях. Репозиторий распространяется по лицензии Apache-2.0.

AbyssOrangeMix2-hard vae swapped — это версия модели генерации изображений по текстовому описанию, преобразованная в формат Diffusers. Автор карточки сообщает, что заменил VAE в исходной модели и конвертировал веса из CKPT в Diffusers. Модель предназначена для создания изображений по текстовым запросам. В метаданных указаны библиотека Diffusers и форматы PyTorch и Safetensors. Используется лицензия CreativeML OpenRAIL-M.

Beyond Reality Z-Image Diffusers — преобразованная для библиотеки Diffusers модель генерации изображений по текстовому описанию. Разработчик преобразовал трансформер Beyond Reality Z-Image из формата ComfyUI для использования с конвейером ZImagePipeline; исходная модель опубликована как Nurburgring/BEYOND_REALITY_Z_IMAGE и основана на Tongyi-MAI/Z-Image-Turbo. Модель предназначена для создания изображений по текстовым запросам. Она распространяется в формате safetensors и лицензирована по Apache-2.0. Это конверсия весов в другой формат, поэтому для применения требуется совместимый ZImagePipeline в Diffusers.

CodeGoat24/FLUX.1-dev-PrefGRPO — дообученная модель генерации изображений по текстовым описаниям, созданная на основе FLUX.1 [dev] от Black Forest Labs. В карточке описан метод Pref-GRPO: он использует попарные предпочтения изображений как сигнал вознаграждения, чтобы сделать обучение устойчивее к чрезмерной оптимизации точечных оценок и связанному с ней reward hacking. Модель предназначена для генерации изображений по тексту. Основа FLUX.1 [dev] имеет 12 млрд параметров; репозиторий использует Diffusers и формат safetensors. README также описывает UniGenBench — бенчмарк для оценки текстово-изобразительной согласованности, но это не означает, что бенчмарк является отдельной возможностью модели. Лицензия репозитория — MIT.

InterDiffusion-4.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем cutycat2000x и представленная в формате Diffusers с весами Safetensors. Она предназначена для создания изображений по промптам; в карточке рекомендованы разрешение 1024×1024 и 25 шагов генерации. README указывает InterDiffusion-3.5 как базовую модель и отмечает, что примеры используют отдельную LoRA для получения улучшенных результатов. Модель распространяется по лицензии MIT. Размер файлов репозитория составляет 6,7 ГБ.

Карточка модели Jinstudio/Lens-Base 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.

LSP-DETR — компактная модель RationAI для сегментации отдельных ядер клеток на гистопатологических изображениях. Она построена на Swin Transformer v2 Tiny и использует декодер на основе DETR вместе с описанием формы ядер звёздчатыми выпуклыми многоугольниками, чтобы находить объекты и получать их контуры без сложной постобработки. Модель дообучена на полном наборе PanNuke без меток классов. Такая настройка ориентирована на высокий полнот и устойчивую локализацию ядер; её можно применять для анализа тканевых изображений и подготовки масок ядер. Для загрузки README приводит пример с Transformers и AutoImageProcessor; для пользовательского кода требуется trust_remote_code=True. Модель предназначена для изображений, а выдаёт экземплярные сегментации ядер. Лицензия репозитория — Apache-2.0. Поскольку чекпойнт обучен без классов, он не предназначен для классификации типов клеток; результаты также относятся к гистопатологическим изображениям и не заменяют клиническую оценку.

Muse Glimmer Vision — выделенная визуальная башня и проектор из Muse-Glimmer-30B, опубликованные в репозитории immanuelpeter. Модель предназначена для извлечения признаков изображений и подготовки визуальных токенов для мультимодальной модели Muse Glimmer. Визуальная башня содержит 50 слоёв, скрытое измерение 1536, 16 голов внимания и размер патча 14; токены сжимаются перемешиванием пикселей 2×2. Проектор преобразует объединённые признаки шириной 6144 в языковое пространство шириной 6656. Репозиторий содержит веса в Safetensors; проверка сравнениями с родительским чекпойнтом подтверждает побитное совпадение весов и результатов для фиксированных изображений на CPU и BF16 на NVIDIA A100. Указанный в метаданных размер — 2,5 млрд параметров; контекст — 1024 токена. Базовая модель Muse-Glimmer-30B описана как мультимодальная модель Meta на 29,6 млрд параметров. Для использования нужна совместимая реализация загрузчика и проектор из репозитория. Лицензия — Apache-2.0. Описание не заявляет поддержку языков или задач за пределами извлечения визуальных признаков.

Это квантованная и сжатая версия модели NoobAI-XL-Vpred-1.0 от Laxhar, подготовленная пользователем mingyi456 для работы в ComfyUI. Модель предназначена для генерации изображений по текстовому описанию в рамках SDXL-пайплайна text-to-image. Сжат основной компонент UNet, отвечающий за диффузионный процесс; компоненты CLIP и VAE необходимо брать из исходного чекпойнта. Ключевая особенность модели — использование формата и режима BF16 с совместимым сжатием DFloat11. По данным README, это снижает потребление VRAM для UNet примерно с 5,14 до 3,66 ГБ, благодаря чему он может работать на видеокартах с 6 ГБ памяти при наличии поддержки BF16. Ожидается идентичность результатов 16-битной версии при запуске ComfyUI с флагом --bf16-unet. Для работы требуется исходный чекпойнт, пользовательский узел ComfyUI-DFloat11-Extended и запуск ComfyUI с флагом --bf16-unet. Ограничениями являются зависимость от поддержки BF16, необходимость установки дополнительного узла и сохранения исходных компонентов CLIP и VAE. Часть Conv2D-тензоров не сжималась ради совместимости, поэтому файл примерно на 200 МБ больше теоретически ожидаемого размера. Модель распространяется по лицензии Fair AI Public License 1.0-SD; точные параметры архитектуры, размер модели, максимальная длина контекста и языковые возможности в README не указаны.

ParallelTubeDecoding-Qwen3-VL-4B — модель MBZUAI на основе Qwen3-VL-4B-Instruct, адаптированная для пространственно-временной локализации объектов и событий в видео. Она сначала определяет временной интервал описанного события, а затем параллельно предсказывает пространственные координаты объекта для этого интервала. Пространственное представление использует 1 001 дискретный токен координат, временное — 100 токенов; размер пространственного блока PTD равен 6. Модель предназначена для поиска в видео объекта или события, заданного текстовым запросом, и построения его пространственной траектории. Она обучалась на VidSTG и HC-STVG, а также оценивается на Charades-STA и ActivityNet Captions. Чекпойнт содержит объединённые веса после дообучения, но для генерации PTD требуется выпущенный авторами код: стандартная загрузка через Transformers предоставляет архитектуру Qwen3-VL, но не реализацию PTD и Decoupled Block Attention. Модель распространяется по лицензии Apache-2.0. Она предсказывает один непрерывный временной интервал и одну пространственную траекторию на запрос; несколько раздельных эпизодов или одновременно подходящих объектов не поддерживаются. Тонкие изменения состояния, а также маленькие, быстро движущиеся или частично закрытые объекты могут затруднять локализацию.

calcuis/qwen-image-gguf — это GGUF-квантизированная версия модели Qwen-Image, базовая модель которой разработана командой Qwen. Модель предназначена для генерации изображений по текстовому описанию, включая создание сцен, персонажей, окружения и изображений с текстом. Основной язык, указанный для модели, — английский; она интегрируется с Diffusers и ComfyUI через gguf-node или может запускаться с помощью gguf-connector. Модель использует диффузионную архитектуру Qwen-Image и текстовый энкодер Qwen2.5-VL-7B. Доступны варианты GGUF-квантизации, включая IQ2_S, IQ4_NL, Q4_0, Q5 и Q8_0; конкретные размеры файлов в README не приведены. В примере генерация выполняется с разрешением 1024×1024 и 24 шагами диффузии. К сильным сторонам относятся поддержка локального запуска и возможность выбора степени квантизации для компромисса между качеством и потреблением памяти. Ограничения включают зависимость от дополнительных компонентов — текстового энкодера и VAE, а также отсутствие поддержки квантов t и i в Diffusers на момент публикации README. Модель распространяется по лицензии Apache-2.0. README не содержит подробных сведений о качестве, производительности, требованиях к оборудованию и полной языковой поддержке.

RainbowDiffusion — модель преобразования текста в изображение на основе Stable Diffusion, опубликованная пользователем johnowhitaker. Она предназначена для генерации изображений по текстовым запросам и используется через библиотеку Diffusers с конвейером StableDiffusionPipeline. В README приведён пример генерации изображения по запросу «A cat». Репозиторий содержит веса в форматах Diffusers и PyTorch; лицензия — CreativeML Open RAIL-M.