I.8Изображения и компьютерное зрение

ResNet50.lunit_bt — модель классификации изображений и извлечения признаков для гистологических изображений, созданная Lunit. Это backbone ResNet-50 с 23,6 млн параметров, обученный методом self-supervised learning Barlow Twins на 33 млн гистологических патчей из нескольких наборов данных, включая BACH, CRC, MHIST, PatchCamelyon и CoNSeP. Максимальный размер входного изображения, указанный в карточке, — 1024 × 768 пикселя, 3 канала. Модель предназначена для классификации гистологических патчей и получения векторных эмбеддингов, которые можно использовать в последующих задачах анализа изображений патологических образцов. Репозиторий содержит веса в формате safetensors и указывает библиотеку timm. Лицензия lunit-non-commercial ограничивает использование некоммерческими целями.

Это версия модели TensorVizion/StableDiffusion-1.4-Pruned, преобразованная в формат OpenVINO с помощью optimum-intel. По README, конверсия выполнена через export space; указанная лицензия — CreativeML Open RAIL-M. Модель предназначена для генерации изображений по текстовому запросу. Метаданные также указывают поддержку генерации текста и архитектуру Qwen3, однако карточка не объясняет, как эти сведения связаны с заявленным назначением модели. В метаданных указаны 14 млрд параметров и контекст 40 960 токенов. OpenVINO-формат предназначен для запуска в соответствующей среде; README указывает optimum-intel как средство загрузки. Оценки качества, перечень поддерживаемых языков и аппаратные требования в доступных данных не описаны.

Sudanl/stable-diffusion-2-1-base-custom — это адаптация весов модели stabilityai/stable-diffusion-2-1-base, разработанная с использованием метода Custom Diffusion и предназначенная для работы в библиотеке Diffusers. Модель относится к классу text-to-image и генерирует изображения по текстовым описаниям. Модель подходит для сценариев синтеза изображений на основе текста и экспериментов с адаптацией Stable Diffusion под пользовательские концепции. В README не указаны точные сведения о размере модели, архитектуре компонентов, поддерживаемых языках и максимальной длине контекста. Также отсутствуют данные о наборе для обучения и конкретной концепции, на которой выполнялось дообучение. К сильным сторонам относятся совместимость с экосистемой Diffusers и использование метода Custom Diffusion для адаптации базовой модели. Ограничения и возможные проблемы смещения в карточке не описаны, а пример запуска отсутствует. Модель распространяется по лицензии creativeml-openrail-m; условия этой лицензии следует учитывать при использовании и распространении результатов.

VIEW2SPACE view2space_4b — модель на основе Qwen/Qwen3-VL-4B-Instruct, разработанная для проекта VIEW2SPACE и представленная как исследовательская работа ECCV 2026. Она анализирует несколько разреженных наблюдений с разных, в том числе неоднородных, ракурсов и формирует пространственное понимание сцены на основе изображений и текстовых запросов. Модель предназначена для визуального рассуждения по нескольким изображениям, когда для ответа нужно объединить частичные сведения с разных точек обзора. Она использует архитектуру Qwen3VLForConditionalGeneration и распространяется в формате safetensors; карточка рекомендует применять код оценки и форматирование запросов из официального репозитория VIEW2SPACE. Лицензия в предоставленных данных не указана.

Disty0/Z-Image-Turbo-SDNQ-uint4-svd-r32 — это 4-битная квантованная версия модели генерации изображений Tongyi-MAI/Z-Image-Turbo, подготовленная с использованием SDNQ. Модель интегрируется с библиотекой Diffusers и предназначена для создания изображений по текстовым описаниям через ZImagePipeline. Ключевая особенность модели — квантование UINT4 с SVD rank 32, благодаря которому размер модели уменьшен примерно с 12,3 ГБ в исходном формате BF16 до 3,5 ГБ. В README приведён сценарий генерации изображения размером 1024×1024 за 9 шагов инференса; также предусмотрены оптимизации для совместимых GPU AMD, Intel ARC и Nvidia, включая INT8 MatMul, torch.compile и выгрузку частей модели на CPU. Поддерживаемые языки, точные архитектурные параметры, максимальная длина контекста и сведения о качестве относительно исходной модели не указаны. Модель подходит для локальной генерации изображений на системах с ограниченными ресурсами видеопамяти, где важны уменьшенный размер и возможность ускорения вычислений. К ограничениям относятся необходимость установки SDNQ и Diffusers, зависимость производительности от аппаратной поддержки, а также потенциальные компромиссы квантования по сравнению с исходной BF16-моделью, которые в README количественно не описаны. Лицензия — Apache 2.0.

pachiiahri/anima-fp8-comfyui — это квантизированная версия модели Anima, разработанной circlestone-labs, предназначенная для генерации изображений по текстовому описанию в ComfyUI. Модель распространяется как single-file diffusion-модель и содержит калиброванные метаданные для аппаратного формата FP8. Ключевая особенность — использование hardware FP8, что ориентировано на запуск с поддержкой соответствующих аппаратных возможностей Tensor Core и функций квантования ComfyUI. README не содержит сведений о точной архитектуре, размере модели, поддерживаемых языках, максимальном контексте или дополнительных модальностях, поэтому эти характеристики нельзя определить по имеющимся данным. Модель предназначена прежде всего для сценариев text-to-image в среде ComfyUI; её преимущества связаны с FP8-квантованием и интеграцией с этим интерфейсом, а ограничением являются требования совместимого оборудования и программной поддержки. Лицензия в карточке отдельно не указана: заявлено, что применяется лицензия оригинальной модели circlestone-labs/Anima. Для точных условий использования следует обратиться к лицензии исходной модели.

Anima-Turbo-V1.1-GGUF — это набор нативных GGUF-квантизаций модели Anima Turbo v1.1. Базовую модель разработала Circlestone Labs, а данный вариант подготовлен vanes430 с использованием инструментов ComfyUI-GGUF от city96. Модель предназначена для генерации изображений по текстовому описанию и интеграции с ComfyUI. Доступны варианты квантизации от Q8_0 до Q3_K_M размером примерно от 2,09 до 0,95 ГБ, что позволяет выбирать между качеством и требованиями к видеопамяти: заявленный объём VRAM составляет около 2,8–1,2 ГБ. Для работы используются текстовый энкодер qwen_3_06b_base и VAE qwen_image_vae. Поддерживаются английский, китайский, японский и корейский языки. Рекомендуемые параметры включают 4–8 шагов, CFG 1.0, sampler euler, scheduler sgm_uniform и разрешение от 512×512 до 1024×1024. Сильной стороной модели является экономичное использование VRAM благодаря GGUF-квантизации и возможность выбрать подходящий баланс между размером и качеством. Ограничения включают зависимость от ComfyUI и ComfyUI-GGUF, необходимость отдельно разместить текстовый энкодер и VAE, а также потенциальное снижение качества у наиболее компактных вариантов. Модель распространяется по лицензии Apache-2.0.

Gurveer05 разработал BLIP, дообучив модель blip-image-captioning-base на наборе RSICD для создания подписей к изображениям дистанционного зондирования. Модель принимает изображение и генерирует текстовое описание его содержания; её можно применять для автоматического описания спутниковых и аэрофотоснимков. Обучение проводилось пять эпох с AdamW и планировщиком ReduceLROnPlateau. Модель построена на архитектуре BLIP и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. В карточке не приведены оценки качества и подробности о поддерживаемых языках; качество описаний может зависеть от типа и содержания снимка.

emilianJR/chilloutmix_NiPrunedFp32Fix — версия чекпойнта ChilloutMix в формате Diffusers для Stable Diffusion. Модель принимает текстовый запрос и генерирует по нему изображение; её можно запускать через StableDiffusionPipeline из библиотеки diffusers. В карточке приведён пример использования с PyTorch и CUDA. Репозиторий распространяется по лицензии CreativeML Open RAIL-M. Метаданные указывают поддержку английского языка. Сведений о размере модели, длине контекста и дополнительных ограничениях качества в карточке нет.

Clover Image Tiny — компактная модель генерации изображений из текста, опубликованная neonforestmist. Она построена на архитектуре BK-SDM-Tiny и дообучена методом дистилляции с учителем Stable Diffusion v1.4; денойзер содержит 323,4 млн параметров. Модель создаёт изображения с родным разрешением 512 × 512 и предназначена для локального, в том числе офлайн, запуска в приложениях. Для работы доступны Diffusers и отдельные варианты Core ML; LoRA-адаптеры позволяют менять визуальный стиль. В опубликованном тесте на NVIDIA A10G среднее время генерации составило 1,024 секунды при 30 шагах DDIM, а пиковое потребление CUDA-памяти — 2233 МБ. Эти показатели относятся к указанной конфигурации и не гарантируют такую же скорость на других устройствах. Сравнительный тест не показывает общего преимущества по качеству или скорости; оценка CLIP отражает соответствие промпту, а не общую визуальную ценность. В поставку Diffusers входят текстовый энкодер, VAE и safety checker; фильтр может пропускать нежелательные изображения или блокировать допустимые. Лицензия — CreativeML OpenRAIL-M.

digiplay/counterfeitV2525d_tweak — модель Stable Diffusion для генерации изображений по текстовому описанию, опубликованная пользователем digiplay. Карточка помечает её как тестовую и сообщает, что в комплекте нет VAE; приведён пример демонстрационного изображения автора исходной модели. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для конвейера text-to-image. Лицензия указана как other, поэтому условия использования следует проверять в репозитории. Отсутствие VAE может потребовать отдельного совместимого декодера для получения изображений.

Gap_2.6 — модель генерации изображений по текстовому описанию в формате Stable Diffusion, опубликованная digiplay. В карточке приведены примеры изображений, созданных через API Hugging Face и AUTOMATIC1111, включая вариант с файлом Gap_2.6_mangledVAE_.safetensors. Модель предназначена для преобразования текстовых запросов в изображения и может использоваться в интерфейсах генерации на базе Diffusers или AUTOMATIC1111. Репозиторий содержит файлы в форматах Diffusers и SafeTensors. Лицензия обозначена как other; её конкретные условия в доступной карточке не раскрыты.

botp/GhostMix_V1.1 — конверсия модели GhostMix V1.1 в формат Diffusers с весами Safetensors. Она предназначена для генерации изображений по текстовому описанию и использует Stable Diffusion. Автор карточки указывает, что авторство исходной модели принадлежит её создателю. Модель поддерживает английские текстовые запросы и распространяется по лицензии CreativeML OpenRAIL-M. Конверсия упрощает использование модели в экосистеме Diffusers. Сведения о размере модели, длине контекста и конкретных сильных сторонах в доступных данных отсутствуют.

GLaMM-GranD-Pretrained — предварительно обученная мультимодальная модель MBZUAI для понимания изображений на уровне областей и сегментационных масок. Она обучена на наборе GranD, созданном автоматизированным конвейером разметки: в нём 7,5 млн уникальных понятий связаны с 810 млн областей изображений, каждая из которых имеет маску сегментации. Модель основана на архитектуре LLaVA и использует плотную архитектуру LISAForCausalLM; содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. В метаданных Hugging Face основная задача обозначена как генерация текста, однако описание датасета указывает на визуальное понимание областей и сегментацию. Доступны веса PyTorch, лицензия — Apache-2.0. Модель подходит для экспериментов и задач визуального диалога, требующих связывать понятия с областями изображения и масками. Карточка не приводит сведения о языках, конкретных инструкциях по использованию или оценках качества; генерация масок как выходная возможность не подтверждена метаданными, поэтому её следует считать ограниченно описанной.

misri/hassakuXLIllustrious_v22 — модель преобразования текста в изображение, опубликованная пользователем misri на Hugging Face. Она предназначена для генерации изображений по текстовым описаниям и запускается через Diffusers StableDiffusionXLPipeline. Модель использует архитектуру Stable Diffusion XL с условной UNet, VAE, двумя текстовыми энкодерами CLIP и планировщиком EulerAncestralDiscreteScheduler. В репозитории опубликованы веса Safetensors размером около 6,94 ГБ; карточка модели содержит пример применения через библиотеку Diffusers. Поддерживаемые естественные языки, размер параметров и длина контекста в доступных данных не установлены. Лицензия в метаданных указана как unknown, поэтому условия использования необходимо уточнять у автора. Модель не размещена у inference-провайдера Hugging Face, а содержимое README практически отсутствует, поэтому сведения о специализированном стиле, датасете, качестве, безопасности и ограничениях генерации отсутствуют.

DeepFloyd-IF IF-I-XL-v1.0 — модель генерации изображений по текстовому описанию, разработанная DeepFloyd и StabilityAI. Это первая стадия каскадной пиксельной диффузионной системы IF, содержащая 4,3 млрд параметров: она создаёт изображение 64×64, которое следующие стадии каскада могут увеличить до 256×256 и 1024×1024. Текст обрабатывает замороженный энкодер на основе T5, а изображение генерирует UNet с механизмами cross-attention и attention-pooling. Модель предназначена для создания изображений по текстовым запросам и интегрирована с библиотекой Diffusers. Она особенно рассчитана на запросы на английском языке; качество понимания других языков ниже. В карточке приведён результат FID-30K 6,66 на COCO, однако модель не обеспечивает идеальный фотореализм и не предназначена для достоверного изображения людей или событий. Обучающие данные могут отражать социальные и культурные предубеждения. Для использования требуется принять условия DeepFloyd IF License Agreement. Карточка указывает, что запуск через Diffusers с выгрузкой частей модели в CPU возможен на GPU с 14 ГБ VRAM.

Jagle-VL-2.2B-Jagle — японская мультимодальная модель для работы с изображениями и текстом, обученная авторами набора данных Jagle. Архитектура включает языковую модель Qwen3-1.7B, визуальный энкодер SigLIP2-so400m-patch16-512 и лёгкий проектор на двухслойном MLP; общий размер модели — 2,2 млрд параметров. Модель создана на основе архитектурного подхода InternVL3.0 и обучена на наборе Jagle. Модель предназначена для извлечения признаков из мультимодальных данных. Её можно применять как компонент систем, представляющих изображения и связанные с ними языковые данные в виде признаков для последующей обработки. Карточка не описывает конкретные прикладные сценарии или результаты оценки качества. Репозиторий распространяет веса в формате safetensors; условия лицензирования в предоставленных данных не приведены.

Карточка модели V3nator/mar_test2 на Hugging Face совпадает с карточкой jadechoghari/mar, поэтому описание составлено по ней. MAR — модель генерации изображений авторегрессионным способом, представленная в работе Tianhong Li, Yonglong Tian, He Li, Mingyang Deng и Kaiming He «Autoregressive Image Generation without Vector Quantization». Она генерирует изображения без дискретных кодов векторного квантования: вместо этого работает с непрерывными значениями и использует диффузионный процесс для моделирования распределения вероятностей токенов. Модель доступна через библиотеку Diffusers в форматах Diffusers и Safetensors. MAR предназначена для безусловной генерации изображений. Сочетание авторегрессионного моделирования последовательностей и функции потерь на основе диффузии призвано обеспечить качественную генерацию и высокую скорость. Карточка также отмечает потенциальную применимость подхода к другим непрерывным пространствам, но не описывает конкретные задачи за пределами синтеза изображений. Лицензия модели — MIT.

Eugeoter/noob-sdxl-controlnet-normal — модель на базе Laxhar/sdxl_noob, предназначенная для генерации изображений по текстовому описанию с использованием ControlNet и библиотеки Diffusers. Она относится к семейству Stable Diffusion XL и рассчитана на сценарии text-to-image, где требуется управлять структурой или композицией результата с помощью дополнительного управляющего сигнала normal map. Из доступных данных известно, что модель использует архитектурный стек SDXL и ControlNet, а её базовой моделью является Laxhar/sdxl_noob. В README указан английский язык; другие языки, точный размер, максимальная длина контекста, поддерживаемые разрешения и конкретные входные форматы не уточняются. Потенциальное преимущество модели — сочетание генерации изображений SDXL с управляемым созданием сцен, однако сведения о качестве, результатах тестирования и ограничениях отсутствуют. Модель распространяется по лицензии Fair AI Public License 1.0 for Stable Diffusion (FAIPL-1.0-SD), указанной как license: other. Перед использованием необходимо ознакомиться с условиями лицензии по ссылке, приведённой в карточке модели.

Polaris-VGA-4B-Post1.0e-i1-GGUF — квантизированная GGUF-версия мультимодальной модели Polaris-VGA-4B-Post1.0e. Исходную модель разработал prithivMLmods, а квантизацию выполнил mradermacher. Модель предназначена для задач visual grounding, то есть обнаружения и локализации объектов на изображениях, а также для сценариев, связанных с object detection и обработкой визуально-текстовых запросов. Модель относится к vision-language models и поддерживает работу с текстом и изображениями; заявленный язык — английский. В основе лежит модель размером около 4 млрд параметров, однако точная архитектура и размер контекстного окна в README не указаны. Репозиторий содержит набор вариантов квантизации с разными компромиссами между размером, скоростью и качеством; доступны файлы размером примерно от 1,5 до 3,6 ГБ. Для запуска vision-функций могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильными сторонами являются поддержка визуального grounding и широкий выбор GGUF-квантизаций, включая рекомендуемые варианты Q4_K_M и Q4_K_S. Ограничения включают возможное снижение качества у низкобитных вариантов, отсутствие в README подробных результатов оценки, точных характеристик архитектуры и контекстного окна, а также необходимость совместимого ПО, например llama.cpp или vLLM, и дополнительных компонентов для обработки изображений. Модель распространяется по лицензии Apache-2.0.

KasugaiSakura/Qwen-Image-2.1-Uncensored-Abenzerps-GGUF — это GGUF-квантизированная версия модели Qwen-Image-2.1, изначально разработанной командой Qwen. Релиз предназначен для локальной генерации изображений по текстовому описанию и редактирования изображений через ComfyUI с расширением ComfyUI-GGUF. Модель не содержит встроенного фильтра безопасности и может генерировать материалы для взрослых, NSFW- и другие чувствительные изображения; поведение зависит от запроса и настроек среды. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 GiB. В README рекомендуется Q4_K_M как компромисс между размером и качеством. Для работы также требуются текстовый энкодер Qwen3-VL 8B в форматах BF16 или Int8 и VAE Qwen Image 2.1 в BF16. Диффузионную модель рекомендуется размещать в видеопамяти, а текстовый энкодер — в оперативной памяти или выгружать на CPU; для систем с ограниченной VRAM предусмотрен режим lowvram. Языки, максимальное разрешение и точное устройство архитектуры в README не указаны. Модель удобна для локального запуска при наличии совместимой конфигурации GPU и RAM, а несколько уровней квантизации позволяют выбирать баланс между качеством и потреблением памяти. Ограничения включают необходимость установки ComfyUI, ComfyUI-GGUF и сопутствующих файлов, а также отсутствие встроенной модерации. Распространяется по Qwen Research License.

greentree/SDXL-olive-optimized — оптимизированная с помощью Microsoft Olive версия базовой модели Stable Diffusion XL 1.0 Base. Она предназначена для генерации изображений по текстовым описаниям и ориентирована на ускоренную работу через ONNX Runtime; автор сообщает о повышении скорости на видеокарте AMD RX 7900 XT в Windows 11 при создании изображений размером 1024×1024. Модель использует семейство Stable Diffusion XL и распространяется в форматах Diffusers и ONNX. Для запуска требуется ONNX Runtime, поэтому она не подключается как обычная пользовательская модель Stable Diffusion. По словам автора, результаты могут содержать шум и нуждаться в дополнительной обработке другой моделью. Лицензия — OpenRAIL++; исходная модель создана Stability AI.

Stable Diffusion Nano 2.1 — облегчённая модель генерации изображений из текста, созданная участниками сообщества во время спринта JAX/Diffusers. Она дообучена на базе stabilityai/stable-diffusion-2-1-base на изображениях размером 128×128 пикселей и предназначена для быстрого прототипирования диффузионных моделей и экспериментов на доступном оборудовании. Модель принимает текстовые запросы и создаёт изображения; карточка демонстрирует, например, акварельное изображение выдры и стилизованную сцену в ночном переулке. По сравнению с полноразмерными моделями она удобна для быстрых экспериментов, но хуже справляется с мелкими деталями, в частности с лицами. Распространяется по лицензии CreativeML Open RAIL-M.

feeday публикует квантизированные в формате GGUF варианты Z-Image Turbo от Tongyi-MAI для генерации изображений по текстовым описаниям. Репозиторий содержит варианты квантования от Q3_K_S до Q8_0; для текстового кодировщика указана Qwen3-4B-GGUF от unsloth. Модель предназначена для создания изображений из текстовых запросов и может использоваться с Diffusers и ComfyUI. Базовая Z-Image Turbo описана в метаданных как дистиллированная модель Alibaba для быстрой генерации изображений; она поддерживает английский и китайский текст на изображениях. Для этой публикации указана лицензия Apache-2.0. Квантование уменьшает размер весов, но может влиять на качество результата; характеристики скорости и качества конкретных вариантов в карточке не приведены.

CanViT-B — модель активного компьютерного зрения семейства Canvas Vision Transformer, разработанная авторами CanViT и дообученная для классификации изображений ImageNet-1k. Она последовательно рассматривает сцену через четыре кадрирования размером 128 пикселей и сохраняет информацию на общей canvas-памяти. Обучение выполнено в два этапа: линейное зондирование с последующим сквозным дообучением; в README заявлена точность top-1 84,5% на валидационной выборке ImageNet-1k для конфигурации C2F с T=21 в одном запуске. Модель предназначена для классификации изображений и сценариев, где полезен последовательный просмотр сцены. Базовая модель CanViT-B предварительно обучена на ImageNet-21k; классификационный CLS-выход объединён с DINOv3-пробой. Для работы указана библиотека canvit-pytorch. Репозиторий использует формат safetensors, лицензия — MIT. Показатель качества приведён для конкретной конфигурации и одного запуска; README не описывает переносимость на другие наборы данных.

ianpan/chest-x-ray-basic — модель для анализа рентгенограмм грудной клетки, разработанная Ian Pan. Она объединяет EfficientNetV2-S с декодером U-Net для сегментации и линейным классификатором. Для фронтальных снимков модель выделяет правое и левое лёгкие, а также сердце; дополнительно предсказывает проекцию снимка (AP, PA или боковая), возраст пациента и пол. Модель предназначена для обработки рентгенограмм, получения масок органов и вспомогательных характеристик снимка. Её можно использовать для выделения области лёгких или расчёта кардиоторакального отношения. Обучение проводилось на 335 516 изображениях из наборов CheXpert и NIH Chest X-ray; маски сегментации получены из CheXmask. В README приведены результаты валидации, включая Dice 0,943–0,957 для сегментации сердца и лёгких, но отдельный тестовый набор не использовался. Модель представлена в формате Safetensors и использует библиотеку Transformers. Это дообучение timm/tf_efficientnetv2_s.in21k_ft_in1k. Лицензия в предоставленных данных не указана. Модель предназначена только для демонстраций и исследований и не одобрена для клинического применения; её предсказания не следует считать медицинским заключением.

Bedovyy/ERNIE-Image-Quantized — набор квантизованных версий моделей ERNIE-Image и ERNIE-Image-Turbo, разработанный Bedovyy на основе Comfy-Org/ERNIE-Image. Модель предназначена для генерации изображений по текстовому описанию в ComfyUI; в метаданных указана задача text-to-image и поддержка формата diffusion-single-file. Доступны варианты квантизации nvfp4 размером 4,78 ГБ, fp8e4m3 и int8rowwise размером по 8,22 ГБ. README не содержит сведений о точной архитектуре исходной модели, количестве параметров, поддерживаемых языках, контекстном окне и дополнительных модальностях. По приведённым измерениям, квантизация может заметно ускорять генерацию по сравнению с BF16, особенно на RTX 5090, RTX 3090 и RTX 3060, однако результат зависит от GPU и выбранного формата. Модель подходит для локальной генерации изображений на совместимом оборудовании и интеграции с ComfyUI. Вариант int8rowwise требует пользовательский узел ComfyUI-INT8-Fast. Ограничения включают зависимость производительности от видеокарты и отсутствие в README подробностей о качестве, совместимости и требованиях к памяти. Указана лицензия Apache-2.0.

SidXXD/f-26 — веса textual inversion, созданные для Stable Diffusion v1.5. Репозиторий содержит адаптацию, которую используют с базовой моделью stable-diffusion-v1-5/stable-diffusion-v1-5 для генерации изображений по текстовым запросам. Форматы репозитория — Diffusers и Safetensors; лицензия — CreativeML OpenRAIL-M.

LibreGemma4e2b-GGUF — это набор квантизированных моделей в формате GGUF на базе LibreGemma4e2b от LibreYOLO. Квантизацию выполнил mradermacher. Модель предназначена для мультимодальных сценариев, включая обработку изображений и генерацию текста по изображениям и текстовым запросам; в метаданных также указана задача object detection. Заявленный язык — английский. В набор входят варианты с разными типами квантизации и размером примерно от 3,1 до 9,4 ГБ, включая Q2_K, Q3_K, Q4_K_S, Q4_K_M, Q5_K, Q6_K, Q8_0 и f16. Для мультимодальной работы предусмотрены дополнительные файлы mmproj в форматах Q8_0 и f16. В README не указаны точная архитектура, размер контекста, перечень поддерживаемых модальностей помимо изображений и текста, а также результаты бенчмарков. Меньшие варианты требуют меньше памяти, тогда как более точные квантизации обычно обеспечивают лучшее качество; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант высокого качества. Модель распространяется по лицензии Apache-2.0. Для использования нужны совместимые инструменты, поддерживающие формат GGUF и мультимодальный модуль mmproj; конкретные ограничения совместимости и производительности зависят от выбранной квантизации и используемого программного обеспечения.

vinesmsuic/magicbrush-jul7 — версия в формате Diffusers модели MagicBrush-epoch-52-step-4999.ckpt. Она предназначена для генерации изображений по текстовому описанию. В карточке Hugging Face указаны задача text-to-image, библиотека Diffusers и английский язык. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Сведений о размере, контексте и конкретных ограничениях качества в карточке нет.