I.8Изображения и компьютерное зрение

frankjoshua/novaAnimeXL_ilV140 — модель генерации изображений по тексту, опубликованная пользователем Joshua Frank на Hugging Face. Карточка репозитория указывает на конвейер StableDiffusionXLPipeline и формат Diffusers с весами Safetensors; конфигурация включает UNet, VAE и два текстовых энкодера CLIP. Модель принимает текстовый запрос и создаёт изображение. Репозиторий не содержит описательной карточки, поэтому специализацию на аниме, размер модели, поддерживаемые языки и конкретные сильные стороны подтвердить по первоисточнику нельзя. Для запуска доступен пример использования с библиотекой Diffusers. Лицензия в доступных метаданных и карточке не указана, поэтому условия использования следует проверить в самом репозитории перед применением.

ponyDiffusionV6XL — модель генерации изображений по текстовому описанию из семейства Pony, опубликованная пользователем или организацией votepurchase. Модель предназначена для работы с diffusers и использует конвейер StableDiffusionXLPipeline, а также формат safetensors. Модель решает задачу text-to-image: создаёт изображения на основе текстовых промптов. В метаданных указан японский язык, поэтому японские текстовые запросы входят в заявленную языковую область поддержки. Семейство Pony может быть полезно для сценариев, где требуется генерация стилизованных изображений, однако конкретные художественные характеристики и результаты применения в предоставленной карточке не описаны. Модель распространяется по лицензии MIT. Ограничения, требования к аппаратному обеспечению, размер параметров, длина контекста, качество генерации, датасет и дополнительные условия использования в доступных материалах не указаны.

PornMaster_Klein-9b — NSFW-файнтюн базовой модели FLUX.2-klein-9B Base, опубликованный пользователем rectangleworm; исходный автор и оригинальная публикация указаны в README отдельно. Модель предназначена для генерации и редактирования изображений и фотографий, включая обычный и эротический контент. Она распространяется как набор компонентов для Diffusers: UNet в вариантах Base и Turbo, текстовый энкодер Qwen3-VL-8B, VAE и совместимые LoRA. Модель рассчитана на работу с подробными описаниями на естественном языке, профессиональной фототерминологией и структурированными JSON-промптами. Указаны поддерживаемые языки English и Chinese; размер базовой модели — 9B. Turbo-версия может работать за 4 шага инференса, а для Base рекомендуется Turbo LoRA. Сильными сторонами являются генерация реалистичных изображений, поддержка редактирования и NSFW-сценариев, а также разнообразие форматов квантизации GGUF и Safetensors. Ограничением является слабое изменение поз и мимики при редактировании; README также отмечает компромисс между скоростью и качеством при разных значениях CFG и числе шагов. Лицензия указана как flux-non-commercial-license, поэтому коммерческое использование, вероятно, ограничено условиями этой лицензии; перед применением необходимо ознакомиться с её полным текстом. Контекстное окно, точные размеры входных и выходных изображений, системные требования и подробные результаты оценки в README не указаны.

xCloudinfo подготовила квантованные GGUF-варианты Qwen-Image-2.1 для генерации изображений по текстовому запросу. Репозиторий содержит шесть уровней квантования основного диффузионного DiT-компонента — от Q2_K до Q8_0; текстовый энкодер Qwen3-VL-8B в bf16 и VAE поставляются отдельно в исходном формате и, согласно карточке, не изменены. Набор рассчитан на запуск в ComfyUI через узел ComfyUI-GGUF с поддержкой архитектуры qwen_image21; автор рекомендует форк leejet, поскольку vanilla-версия city96 пока не поддерживает эту архитектуру. Модель предназначена для создания изображений по текстовым описаниям. Базовая Qwen-Image-2.1 также поддерживает редактирование изображений, работу с прозрачностью и референсами, но README этого репозитория описывает прежде всего квантованный компонент генерации и не подтверждает эти сценарии для сборки GGUF. Структура файлов проверена: число и имена тензоров согласованы с исходной моделью, файлы читаются GGUF-парсером. Сквозная проверка генерации и качества изображений не проводилась. Минимальный доступный уровень квантования — Q2_K; I-quant варианты не поддерживаются используемой реализацией. Лицензия — Apache 2.0, унаследованная от базовой модели.

Stable Diffusion Nano — модель генерации изображений по текстовому описанию, созданная участниками сообщества JAX/Diffusers во время спринта. Она основана на Stable Diffusion v1.5 и дообучена на наборе improved_aesthetics_6plus; репозиторий содержит веса в форматах Diffusers и Flax. Модель предназначена для создания изображений по коротким или подробным промптам; в карточке приведены примеры акварельной иллюстрации и кинематографичной городской сцены. Разработчики рекомендуют более позднюю версию Stable Diffusion Nano 2.1 вместо этой модели. Лицензия — CreativeML OpenRAIL-M.

TimeLens2-2B-SFT — контрольная точка модели для временной локализации событий в видео, разработанная MCG-NJU на основе Qwen3-VL-2B-Instruct. По видео и текстовому запросу модель возвращает все временные интервалы, содержащие нужные визуальные свидетельства. Модель представляет собой плотную мультимодальную архитектуру Qwen3-VL с 2 млрд параметров. Она дообучена методом SFT на примерах TimeLens2-93K, TimeLens-100K и обучающем разделении Ego4D-NLQ-v2; при обучении сохранялся полный контекст видео, а визуальный энкодер был заморожен. Контекст обучения включал последовательности длиной до 160 тыс. токенов. Эта версия предназначена прежде всего для генерации обучающих примеров и воспроизведения или расширения конвейера SFT-to-GRPO, а также для изучения временной локализации в видео до этапа обучения с подкреплением. Это промежуточная SFT-контрольная точка, а не финальная версия TimeLens2, оптимизированная методом GRPO. Репозиторий распространяется по лицензии Apache-2.0.

TokenFlow-t2i — модель из проекта ByteVisionLab для генерации изображений по текстовому описанию. README представляет TokenFlow как унифицированный токенизатор изображений с двумя кодовыми книгами, разделяющими семантические и пиксельные признаки и сохраняющими их согласованность через общий механизм отображения. Репозиторий содержит вариант для преобразования текста в изображение; архитектура в метаданных указана как LlavaLlamaForCausalLM семейства llava_llama, размер — 6,7 млрд параметров, контекст — 4096 токенов. Модель предназначена для экспериментов и оценки генерации изображений по тексту. В README заявлено сопоставимое с SDXL качество при разрешении 256×256, однако сравнительные результаты приведены без подробностей в карточке. Весы опубликованы в формате safetensors по лицензии Apache-2.0.

TwinFlow-Z-Image-Turbo — экспериментальная доработанная версия модели Tongyi-MAI/Z-Image-Turbo для генерации изображений по текстовому описанию. Она основана на подходе TwinFlow: модель выправляет собственное поле потока, чтобы получать изображения за один или несколько шагов генерации, без отдельных вспомогательных сетей-дискриминаторов или замороженных учителей. Репозиторий рассчитан на запуск через Diffusers; веса представлены в формате safetensors. Модель предназначена для быстрого создания изображений по текстовым запросам, когда важны малая задержка и сокращение числа шагов вывода. В README версия названа экспериментальной; конкретные параметры модели, поддерживаемые языки запросов, контекст и количественные оценки качества не приведены. Лицензия — Apache-2.0.

BK-SDM-Base — компактная версия Stable Diffusion v1.4, разработанная авторами проекта BK-SDM. Для уменьшения модели из U-Net удалили часть остаточных и attention-блоков, а затем дистиллировали полученную сеть, чтобы она воспроизводила поведение исходной модели. Полная модель содержит 0,76 млрд параметров, из них 0,58 млрд — в U-Net; для запуска используется библиотека Diffusers и формат safetensors. Модель генерирует изображения по текстовым описаниям общего назначения. Её можно применять в исследованиях генеративных моделей, для создания иллюстраций и художественных концепций, а также в образовательных и творческих инструментах. По сравнению со Stable Diffusion v1.4 она компактнее, но в приведённой оценке на MS-COCO показала более низкие результаты. Основной язык запросов — английский. Модель не всегда создаёт фотореалистичные изображения, плохо справляется с читаемым текстом, сложными пространственными отношениями и изображением лиц. Возможны смещения, нежелательные результаты и запоминание дублированных изображений из обучающих данных; для фильтрации потенциально вредного контента рекомендуется использовать Safety Checker в Diffusers. Лицензия — CreativeML OpenRAIL-M; карточка указывает исследовательское назначение и ограничения на вредное использование.

panopstor/EveryDream — копия Stable Diffusion 1.5 с улучшенным MSE VAE и несколькими тестовыми файлами. Модель предназначена для создания изображений по текстовым запросам; её формат Diffusers позволяет использовать её в конвейере StableDiffusionPipeline. Карточка описывает репозиторий как копию базовой модели, а не как отдельное дообучение. Модель распространяется по лицензии CreativeML OpenRAIL-M. Сведения о размере, контексте и поддерживаемых языках в предоставленных источниках отсутствуют.

SidXXD/f-146 — адаптация textual inversion для Stable Diffusion v1.5, опубликованная автором SidXXD. Репозиторий содержит веса адаптации в форматах Diffusers и safetensors; для работы нужна базовая модель stable-diffusion-v1-5/stable-diffusion-v1-5. Адаптация предназначена для генерации изображений по текстовым запросам с помощью базовой модели. Используйте её в сценариях, где нужно применять изученное текстуальное представление при создании изображения. Карточка не описывает конкретную тему или стиль адаптации, поэтому её специальное назначение определить нельзя. Модель относится к семейству Stable Diffusion и решает задачу text-to-image. Лицензия — CreativeML OpenRAIL-M; при использовании необходимо соблюдать её условия и ограничения.

dzungpham/font-architect — диффузионная модель генерации изображений символов в заданном шрифтовом стиле, разработанная dzungpham. Она построена на PyTorch и Hugging Face Diffusers и использует UNet, кодировщики содержания и стиля, classifier-free guidance и планировщик DPM-Solver++. Модель принимает изображения с содержанием символа и стилем шрифта и создаёт изображение символа в этом стиле; поддерживает генерацию отдельных символов и пакетную обработку, несколько шрифтов и перенос стиля. Репозиторий содержит веса в форматах PyTorch и safetensors, а также инструменты для пакетной генерации и возобновления обработки. Карточка указывает лицензию Apache-2.0.

InterDiffusion-3.8 — модель генерации изображений по текстовым запросам, опубликованная пользователем cutycat2000x и предназначенная для запуска через библиотеку Diffusers. В README указана базовая модель InterDiffusion-3.5; размер репозитория составляет 6,9 ГБ. Рекомендуется генерировать изображения разрешением 1024×1024 за 25 шагов. Модель принимает текстовые запросы и создаёт изображения. В README приведены примеры с отдельной LoRA для имитации стиля DALL·E 3; это описание примеров, а не указание на встроенную LoRA. Модель распространяется по лицензии MIT.

Lou — пользовательская модель генерации изображений по текстовому описанию, созданная автором lea97338. Это диффузионная модель на PyTorch: архитектура включает VAE, U-Net, DDPM и cross-attention, а для кодирования текста используется T5-small. Модель предназначена для генерации изображений размером 512×512 по текстовым запросам; в карточке указано использование датасета pranked03/flowers-blip-captions. Репозиторий распространяется в форматах Diffusers, PyTorch и Safetensors. Лицензия — MIT. Карточка описывает собственную реализацию, созданную с нуля, но не приводит сведений о качестве генерации или ограничениях на содержание изображений.

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.

MIRO — модель преобразования текста в изображение, разработанная Николасом Дюфуром и соавторами для проекта MIRO. Чекпойнт основан на архитектуре SDXL и содержит 350 млн параметров. Он генерирует изображения по текстовому запросу, одновременно учитывая семь задаваемых целевых оценок: CLIP, эстетичность, ImageReward, PickScore, HPSv2, VQAScore и SciScore. Для работы пакет miro-t2i загружает текстовый энкодер FLAN-T5-XL и VAE SDXL. Модель предназначена для генерации изображений и экспериментов с управлением качеством через балансировку целевых оценок. В статье сообщается о результатах на GenEval и более быстром достижении заданного уровня эстетической оценки по сравнению с базовым обучением. Чекпойнт рассчитан на изображения 256×256; для большего разрешения требуется апскейлинг. Это исследовательский артефакт, обученный на CC12M и отфильтрованной части LAION Aesthetics. Он наследует смещения обучающих данных и используемых моделей оценки; показатель SciScore не гарантирует научную точность. В комплекте нет фильтра безопасности. Веса MIRO выпущены по лицензии MIT; FLAN-T5-XL и SDXL VAE подчиняются собственным лицензиям.

Abhijnyabhat/my — это веса textual inversion для генерации изображений по текстовому описанию, созданные на основе CompVis/stable-diffusion-v1-4. Модель подключается к Stable Diffusion через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Она предназначена для генерации изображений по текстовым запросам с использованием обученного текстового встраивания. Базовая Stable Diffusion преимущественно рассчитана на запросы на английском языке. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

sd-to-diffusers/naiXLVpred102d_custom — модель для генерации изображений по текстовому описанию, представленная в формате Diffusers. Репозиторий содержит файлы safetensors и предназначен для использования с библиотекой Diffusers. Название указывает на связь с naiXLVpred102d_custom, однако карточка не описывает разработчика, обучение, архитектуру или особенности генерации. Метаданные указывают английский язык. Лицензия обозначена как other, поэтому условия использования следует уточнить по материалам исходной модели.

Ine007/ponyRealism_v22MainVAE — модель генерации изображений по текстовому описанию от Ine007, представленная в формате Diffusers и Safetensors и совместимая с StableDiffusionXLPipeline. Карточка Hugging Face содержит полный пайплайн с текстовыми энкодерами, UNet и VAE, а также пример генерации изображения по текстовому запросу. Модель предназначена для создания изображений по промптам в экосистеме Stable Diffusion XL; название указывает на вариант Pony Realism v2.2. Доступная карточка не описывает подробно обучающие данные, поддерживаемые языки, контекст или лицензию. Использовать и распространять модель следует с учётом условий, указанных в карточке репозитория.

digiplay/quincemix_v2 — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face. В карточке указаны форматы Diffusers, PyTorch и safetensors; модель относится к семейству Stable Diffusion и предназначена для использования с StableDiffusionPipeline. README содержит лишь пометки о примерах изображений и демонстрационном изображении первоначального автора. Конкретные сценарии применения, размер модели, поддерживаемые языки, длина контекста и базовая модель не описаны. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Репозиторий summerMC/qwen-image-2.1-nf4 содержит конфигурацию генерации изображений по тексту на основе Qwen-Image-2.1, NF4-квантование и обученный адаптер, который преобразует представления текстового энкодера Qwen3.5 в эмбеддинги кондиционирования, ожидаемые базовой моделью. Адаптер выравнивает токены по перекрытию символьных интервалов; Qwen3.5 запускается отдельно от стандартного текстового энкодера Diffusers. Модель предназначена для создания изображений по текстовым запросам с использованием этого внешнего пути кондиционирования. Карточка описывает экспериментальную конфигурацию, а не готовый стандартный Diffusers pipeline: до появления пользовательского pipeline необходимо самостоятельно сформировать prompt_embeds и передать их в базовую модель. Для проверенного пути требуется CUDA GPU с поддержкой BF16; указанная конфигурация протестирована на NVIDIA L4. Длина запроса проверяется в пределах 224 токенов без автоматического усечения, а VAE может использовать тайлинг для снижения пикового расхода памяти. Качество зависит от точного токенизатора, шаблона чата, выравнивания токенов, версии Qwen3.5 и параметров генерации. Следует применять лицензию и условия использования базовой модели Qwen-Image-2.1.

b09501048/rtdetr2 — дообученная модель обнаружения объектов на основе PekingU/rtdetr_r50vd_coco_o365. Она предназначена для поиска объектов и определения их рамок на изображениях; среди классов в отчёте оценки указаны люди, части тела, средства индивидуальной защиты и медицинская одежда. Модель использует архитектуру RT-DETR и доступна в формате safetensors для библиотеки Transformers. В README приведены результаты оценки: mAP 0,2766 и mAP@50 0,439; качество различается по классам. Набор данных для дообучения не назван, поэтому результаты нельзя уверенно переносить на другие изображения и условия съёмки. Лицензия — Apache-2.0.

Voix7/rtdetrv2-floorplan — дообученная модель RT-DETRv2 для обнаружения объектов на изображениях планов помещений. Она основана на PekingU/rtdetr_v2_r50vd и предназначена для выявления окон, дверей и лестниц. В README приведены метрики оценки: mAP 0,5424, mAP@50 0,6551 и mAP@75 0,5889; для отдельных классов указаны mAP 0,6578 для окон, 0,4366 для дверей и 0,5329 для лестниц. Модель использует архитектуру RT-DETRv2 и опубликована в формате safetensors для Transformers. Лицензия — Apache-2.0. Набор данных для обучения не назван, а сведения о поддерживаемых типах планов и условиях оценки ограничены приведёнными метриками.

Voix7/rtdetrv2-floorplan-v2 — модель обнаружения объектов на изображениях, разработанная дообучением PekingU/rtdetr_v2_r50vd. Она предназначена для распознавания элементов на планах помещений: в оценочных результатах отдельно приведены метрики для окон, дверей и лестниц. Архитектура RT-DETRv2 реализована для Transformers, веса опубликованы в формате safetensors. На оценочном наборе указаны mAP 0,6663 и mAP@50 0,758; для окон mAP составляет 0,7714, для дверей — 0,685, для лестниц — 0,5424. Датасет и подробные условия обучения в карточке не раскрыты, поэтому эти показатели нельзя напрямую переносить на другие планы. Модель распространяется по лицензии Apache-2.0.

Small Stable Diffusion v0 — облегчённая модель генерации изображений по текстовому описанию, разработанная OFA-Sys. Она создана на основе Stable Diffusion v1-4: в каждом блоке оставлен первый слой, а число параметров сокращено примерно вдвое. Модель распространяется в форматах Diffusers и PyTorch и использует архитектуру StableDiffusionPipeline. Модель предназначена для создания изображений по текстовым запросам в творческих инструментах, дизайне и исследованиях генеративных моделей. Авторы сообщают об ускоренном запуске на CPU и GPU в связке с отдельным репозиторием diffusion-deploy; приведённые показатели зависят от оборудования и настроек. Для работы с примерами требуется Diffusers версии 0.8.0 или выше. Основной язык запросов — английский; на других языках качество ниже. Модель может плохо передавать фотореализм, лица, сложные пространственные отношения и читаемый текст. Она также может воспроизводить смещения и запоминать дублированные обучающие изображения; для применения генерации требуется учитывать риски небезопасного контента и использовать средства фильтрации. Лицензия — OpenRAIL. Карточка позиционирует модель для исследовательского и творческого использования и перечисляет недопустимые сценарии, включая вредоносную генерацию, имитацию людей без согласия и распространение дезинформации.

mit-han-lab/svdq-int4-flux.1-dev — это 4-битная квантованная версия модели генерации изображений FLUX.1-dev, разработанная авторами метода SVDQuant, включая исследователей Song Han и коллег. Модель предназначена для преобразования текстовых описаний в изображения и интегрируется с библиотекой Diffusers; заявленный язык — английский. Модель основана на FLUX.1-dev и использует SVDQuant — подход к квантованию диффузионных моделей до 4 бит с применением низкоранговых компонентов для компенсации выбросов. Это позволяет уменьшить требования к памяти и вычислительным ресурсам по сравнению с исходной моделью, однако README не содержит точных сведений о размере модели, максимальной длине контекста, поддерживаемых разрешениях, скорости работы или качестве генерации. Модель может быть полезна для локальной и ресурсно-ограниченной генерации изображений по тексту, но конкретные сильные стороны и ограничения относительно других реализаций в README не приведены. Репозиторий помечен как устаревший и должен быть скрыт в декабре 2025 года; рекомендуется использовать замену nunchaku-tech/nunchaku-flux.1-dev. Используется лицензия FLUX.1-dev Non-Commercial License компании Black Forest Labs, Inc., поэтому коммерческое применение может быть ограничено условиями лицензии.

leejet/Z-Image-GGUF — это квантизированные файлы весов модели Z-Image, разработанной Tongyi-MAI и преобразованные с помощью stable-diffusion.cpp. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в сценариях text-to-image через stable-diffusion.cpp. В метаданных указаны поддерживаемые языки английский и китайский, а также принадлежность к экосистеме GGUF и stable-diffusion.cpp. Точные сведения об архитектуре, размере модели, доступных модальностях помимо генерации изображений и размере контекста в README не приведены. Квантизация ориентирована на более экономное использование ресурсов; заявлена возможность запуска на GPU с 4 ГБ VRAM, однако конкретные требования к производительности и качеству зависят от варианта весов и конфигурации. Лицензия модели — Apache-2.0, и она распространяется на квантизированные файлы согласно лицензии оригинальной Z-Image.

HelloSun подготовил OpenVINO INT4-версию Tongyi-MAI/Z-Image-Turbo — дистиллированной модели семейства S3-DiT с 6 млрд параметров для генерации изображений по текстовому описанию. Репозиторий использует Diffusers ZImagePipeline и предназначен для инференса на CPU; поддерживается генерация изображений размером 1024×1024. Модель рассчитана на 9 шагов, без CFG, с guidance_scale=0.0. Квантизация уменьшила размер весов с 20,32 до 5,52 ГБ. В измерениях на CPU генерация изображения 1024×1024 занимала в среднем около 111 секунд, а пиковое потребление памяти процесса достигало 16,3 ГБ; рекомендуется иметь не менее 20 ГБ доступной памяти. Для GPU автор предлагает использовать исходную модель или отдельно подготовить GPU-конверсию. Лицензия — Apache-2.0, унаследованная от исходной модели.

syaimu/7th_test — модель генерации изображений по текстовому описанию в формате Diffusers/PyTorch. В README приведены рекомендуемые параметры генерации: CFG Scale около 7 с допустимым отклонением ±5, sampler DPM++ 2M Karras и 25 шагов. Также указан пример negative prompt для снижения вероятности низкого качества и монохромного изображения. Модель предназначена для создания изображений по текстовым промптам. README советует не перегружать negative prompt. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты.

BigLove Klein 2 — дообученная модель для генерации изображений по текстовым запросам на основе FLUX.2-klein-base-9B от Black Forest Labs. Репозиторий содержит веса в форматах Safetensors: BF16, обрезанный BF16 и обрезанный FP8; также заявлены квантованные варианты. Модель предназначена для запуска через ComfyUI или Diffusers и подходит для локальной генерации изображений с настройкой под доступную видеопамять. В README приведён пример генерации за четыре шага с guidance scale 0.0. Базовая модель рассчитана на генерацию и редактирование изображений, однако карточка этой производной явно заявляет только генерацию по тексту. Лицензия — CC BY-NC 4.0, разрешающая использование с указанием авторства и ограничивающая коммерческое применение. В README указаны разные варианты весов, но содержимое репозитория может меняться.