I.8Изображения и компьютерное зрение

DALL·E Mini — трансформерная модель генерации изображений по текстовому описанию, разработанная Борисом Даймой, Сураджем Патилом и соавторами как открытая попытка воспроизвести результаты ранней DALL·E. Репозиторий содержит Flax-вариант модели семейства DalleBART; модель предназначена для творческих и образовательных инструментов, создания иллюстраций и экспериментов с генеративными моделями. Модель рассчитана прежде всего на англоязычные запросы. Она может быть полезна для быстрых концептных изображений и художественных идей, но не предназначена для достоверного изображения реальных людей и событий. Лица и люди часто получаются некорректными, животные — нереалистичными; качество зависит от формулировки запроса. Выходы могут содержать стереотипы и отражают перекосы обучающих данных, в которых преобладают англоязычные описания и западные представления. Лицензия — Apache 2.0.

Это пример модели диффузии безусловной генерации изображений, созданной как дообученный чекпойнт для Unit 2 курса Diffusion Models Class. В карточке указан запуск через DDPMPipeline библиотеки Diffusers: модель генерирует изображение без текстового запроса. Название репозитория указывает на дообучение на CelebA-HQ для генерации бабочек в течение 16 эпох, однако README не подтверждает эти детали явно.

Модель glitched — пользовательская модель DreamBooth для генерации изображений по текстовым запросам. Её обучил abesmon с помощью Hugging Face DreamBooth Training Space на базе Stable Diffusion v2.1 с разрешением 512 пикселей. Для вызова обученной концепции в запросе используется триггер trsldamrl. Модель предназначена для генерации изображений с концепцией glitched через Diffusers. Карточка распространяет её на условиях лицензии CreativeML OpenRAIL-M. Примеры результатов и обучающих изображений в README не заполнены.

Llama-3-EvoVLM-JP-v2 — экспериментальная визуально-языковая модель Sakana AI на архитектуре LLaVA с языковой частью на основе Llama 3. Она принимает изображения и текст, в том числе чередующиеся в одном запросе, и предназначена для ответов на вопросы о содержимом изображений на японском языке. Модель получена методом эволюционного слияния Meta-Llama-3-8B-Instruct, Mantis-8B-siglip-llama3 и Bunny-v1.1-Llama-3-8B-V; обучение включало части японского датасета Visual Genome VQA и переведённого ShareGPT4V. Модель ориентирована на эксперименты и разработку. Карточка предупреждает, что её качество и результаты не гарантируются, а применение в критически важных сценариях не предназначено. Лицензия — META LLAMA 3 COMMUNITY LICENSE; авторы также указывают, что модель не предназначена для коммерческого использования или развёртывания в критически важных средах.

PixelModel v3 — экспериментальная текстово-изобразительная модель от bench-labs, в которой веса представлены как пиксели файла PNG; те же веса доступны в формате safetensors. Модель содержит 919 427 параметров и использует обучаемые эмбеддинги слов из распространённых подписей COCO, координатный декодер с синусоидальными активациями SIREN и FiLM-модуляцию слоёв. Размер изображения при генерации не меняет число параметров. Модель предназначена для генерации изображений по текстовым запросам. По сравнению с версиями v1 и v2 она лучше передаёт цвета и общую композицию подписи; автор сообщает о лучших результатах FID и CLIP при повторной оценке всех версий на одном конвейере. При этом модель небольшая и не создаёт чёткие детализированные объекты, например автобус. Обучалась на подписях COCO; указанный в карточке язык — английский. Лицензия — MIT.

ucantseeit/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Карточка описывает её как модель из первой части курса по диффузионным моделям; для запуска используется DDPMPipeline из библиотеки Diffusers. Модель предназначена для создания изображений без текстового запроса. Репозиторий содержит веса в формате Diffusers и Safetensors. Лицензия — MIT. Размер модели, разрешение изображений и поддерживаемые языки в карточке не описаны.

ARACHNE-FOUNDATION-50B — экспериментальная модель генерации видео, разработанная NULLXES LLC как часть экосистемы ARACHNE. Это расширенный по глубине Diffusion Transformer (DiT), совместимый с Diffusers; заявленный размер — около 50 млрд параметров, архитектура включает 178 блоков трансформера. Репозиторий содержит веса в формате safetensors. Модель предназначена для исследований архитектуры и экспериментов с генерацией видео в реальном времени, потоковым выводом и сохранением идентичности между фрагментами. Это инициализационный чекпойнт, полученный расширением ARACHNE-X-ULTRA-VIDEO; он ещё не прошёл крупномасштабное продолжение предобучения и не предназначен для оценки как готовая производственная модель. Качество не сопоставлено с производственными генераторами видео. Лицензия — Apache-2.0.

Flux.1-Heavy-17B — экспериментальная модель генерации изображений, созданная автором city96 путём слияния слоёв исходной FLUX.1-dev от Black Forest Labs и последующего ограниченного дообучения. В модели около 17,17 млрд параметров; она принимает текстовые запросы и генерирует изображения. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель задумана прежде всего как proof of concept увеличения FLUX.1-dev повторением и переплетением групп слоёв. Автор сообщает, что она способна создавать связные изображения, однако следование запросу и генерация текста внутри изображений ненадёжны. Для запуска требуется значительный объём памяти: в README указаны ориентировочно 35–40 ГБ видеопамяти с выгрузкой текстового энкодера и около 80 ГБ оперативной памяти для описанного сценария ComfyUI. Совместимость с LoRA ограничена из-за несовпадения блоков. Лицензия в метаданных указана как other; конкретные условия использования следует сверять с карточкой репозитория.

Репозиторий kukidevalml/LORAs содержит LoRA-адаптеры, дообученные на различных наборах данных с помощью Diffusers LoRA Trainer. В метаданных указана задача text-to-image и базовая модель HuggingFaceH4/zephyr-7b-beta; при этом README не уточняет, какие именно адаптеры и наборы данных входят в репозиторий и как их применять для генерации изображений. Для репозитория указаны форматы safetensors и GGUF F16, а также лицензия Apache-2.0. Метаданные связывают его с чат-моделью Zephyr-7B-β, но не описывают архитектуру или размер самих адаптеров; поэтому их пригодность для конкретного сценария генерации изображений по имеющимся сведениям оценить нельзя.

PVD-160k-Mistral-7b-GGUF — квантизированная версия модели PVD-160k-Mistral-7b, разработанной Mike Wang и его исследовательской группой; квантизацию выполнил Richard Erkhov. Модель создана в рамках проекта Visually Descriptive Language Model (VDLM), посвящённого рассуждениям о векторной графике с использованием текстовых визуальных описаний, включая SVG-представления и Primal Visual Description. Модель предназначена для задач визуального вопросно-ответного взаимодействия и рассуждений по изображениям, состоящим из двумерных объектов и геометрических фигур. В README упоминаются анализ пространственных отношений, решение простых лабиринтов и другие задачи, требующие точного восприятия низкоуровневых визуальных деталей. Архитектурно это модель на базе Mistral 7B, обученная на наборе данных PVD-160K; заявленная модальность — image-to-text. Языки и размер контекстного окна в доступных данных не указаны. Основное преимущество модели — специализация на текстовом описании и рассуждении о векторной графике, а также возможность запуска в формате GGUF с различными вариантами квантизации размером примерно от 2,53 до 7,17 ГБ. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие подробных сведений о поддерживаемых языках, контекстном окне и результатах на конкретных бенчмарках в представленном README. Модель распространяется по лицензии Apache-2.0.

Модель ashtad63/sd-class-butterflies-32 — диффузионная модель безусловной генерации изображений, созданная в рамках курса Diffusion Models Class. Она предназначена для создания изображений милых бабочек без текстового запроса. Модель запускается через DDPMPipeline библиотеки Diffusers и публикуется в формате safetensors. Лицензия — MIT.

Naveen20o1/sd-class-butterflies-32 — диффузионная модель, опубликованная Naveen20o1 в рамках курса по diffusion-моделям. Она предназначена для безусловной генерации изображений милых бабочек и запускается через DDPMPipeline из библиотеки Diffusers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Размер модели, разрешение генерации и поддерживаемые текстовые условия не описаны.

Wild Krea-2 Turbo NSFW — модель генерации изображений по текстовому описанию, разработанная ModdiAdam на основе Krea-2 Turbo от Krea с использованием компонентов Comfy-Org/Krea-2. Она предназначена для создания высококачественных изображений по англоязычным NSFW- и другим зрелым промптам, включая сценарии, где требуется повышенная точность следования таким запросам. Модель интегрируется с Diffusers и ComfyUI через совместимые GGUF-загрузчики. Доступны квантованные варианты Q8_0 размером 13,6 ГБ и Q4_1 размером 8,02 ГБ; Q8_0 рекомендован для наилучшего качества, а Q4_1 — для систем с ограниченной памятью. Для работы рекомендуются VAE qwen_image_vae.safetensors и текстовый энкодер qwen3vl_4b_fp8_scaled.safetensors. Указан английский язык, модальность text-to-image и поддержка метрик FID и CLIP-Score, однако количественные результаты оценки пока не представлены; заявлена только качественная проверка соблюдения NSFW-промптов и качества изображений. Сильные стороны модели — специализация на зрелом контенте, высокое качество генерации и наличие вариантов с разными требованиями к памяти. Ограничения включают зависимость от совместимого GGUF-загрузчика и рекомендованных компонентов, а также отсутствие подробных количественных тестов. Распространение регулируется лицензией krea-2-license; полные условия доступны в указанном файле лицензии. Модель предназначена для совершеннолетней аудитории и не должна использоваться для создания незаконного, несогласованного интимного контента или сексуального контента с участием несовершеннолетних.

Модель Dibyasha2023/ddpm-celebahq-finetuned-butterflies-2epochs — диффузионная модель безусловной генерации изображений, созданная как пример дообучения для второго блока курса по диффузионным моделям. Карточка показывает использование через DDPMPipeline библиотеки Diffusers: модель генерирует изображение без текстового запроса. Название репозитория указывает на дообучение модели DDPM, связанной с CelebA-HQ, на изображениях бабочек в течение двух эпох. Веса доступны в формате Safetensors; лицензия — MIT. Карточка не сообщает размер модели, разрешение генерируемых изображений или языковую поддержку.

dogfish-thinker/ddpm-celebahq-finetuned-butterflies-2epochs — модель безусловной генерации изображений на основе DDPM, опубликованная как пример дообучения для курса по диффузионным моделям. Карточка показывает запуск через DDPMPipeline из библиотеки Diffusers: модель принимает запрос без текстового условия и создаёт изображение. Название репозитория указывает на дообучение на CelebA-HQ для генерации бабочек в течение двух эпох, однако README не описывает это назначение, поэтому эти детали нельзя считать подтверждёнными. Модель распространяется в форматах Diffusers и Safetensors по лицензии MIT. Размер модели и её разрешение карточка не сообщает.

google/ddpm-ema-church-256 — модель генерации изображений, опубликованная Google в формате Diffusers/PyTorch. Это безусловная диффузионная модель DDPM с экспоненциальным скользящим усреднением весов (EMA), обученная создавать изображения церкви размером 256×256 пикселей. Она подходит для получения образцов изображений без текстового запроса и демонстрации работы диффузионной генерации. Модель принимает случайный шум и пошагово преобразует его в изображение; текстовый ввод и управление содержанием через промпт не предусмотрены. README описывает семейство DDPM и ссылается на исследовательскую статью, а репозиторий содержит веса в формате Diffusers/PyTorch. Лицензия — Apache-2.0. Генерация ограничена изображениями церквей и разрешением 256×256; модель не предназначена для генерации по текстовому описанию. В README не приведены результаты оценки именно этого чекпойнта.

SPIDER-thorax — модель HistAI для классификации гистологических изображений лёгочной и другой торакальной ткани на уровне патчей. Она дообучена на базе визуального энкодера Hibou-L и входит в инициативу SPIDER, посвящённую размеченным гистологическим данным для разных органов. Модель принимает изображения размером 1120×1120 пикселей и относит патчи к классам тканей; в обучающем наборе SPIDER-thorax указано 78 307 центральных патчей, а также контекстные патчи, всего 599 459 патчей с 411 слайдов. В опубликованной оценке для торакальных образцов указаны accuracy 0,962, precision 0,958 и F1 0,960. Эти результаты относятся к описанной авторами оценке и не гарантируют такого же качества на других наборах данных или в клиническом применении. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование; для коммерческой лицензии авторы предлагают связаться с HistAI.

uber-realistic-porn-merge — модель Stable Diffusion для генерации изображений по текстовому описанию, распространяемая через ModelsLab и опубликованная на Hugging Face аккаунтом stablediffusionapi. Карточка демонстрирует генерацию фотореалистичного портрета и указывает настройки API, включая размер 512×512 и 30 шагов инференса. Модель предназначена для создания реалистичных изображений по промптам; в названии и тегах указана ориентация на порнографический контент. Вызов API поддерживает текстовый промпт и отрицательный промпт, а также параметры генерации и опциональные LoRA и embeddings. Файлы доступны в форматах Diffusers и safetensors. Лицензия — CreativeML OpenRAIL-M; следует учитывать её условия использования и ограничения.

MoWorld Base — контрольная точка высокошумового эксперта MoWorld, разработанного командой Moxin для системы генерации интерактивного видео с управлением камерой. По описанию полной системы, на вход подаются первый кадр, текстовый запрос и управляющие параметры камеры, а на выходе формируется видео с сохранением пространственной согласованности и отзывчивости к управлению. Обучение системы включает autoregressive flow matching и дистилляцию Self-Forcing; заявленная для полной системы генерация сокращена с 50 шагов до 4, а скорость до 50 кадров/с измерена на указанной в статье конфигурации NPU. В репозитории опубликован только высокошумовой эксперт в формате Safetensors размером 59,17 ГБ. README уточняет, что это часть обучающего процесса, а не готовый самостоятельный конвейер инференса: здесь также нет низкошумового эксперта, VAE, текстового энкодера и токенизатора. Поэтому характеристики полной системы нельзя считать результатами именно этого чекпойнта. Лицензия CC BY-NC 4.0 допускает использование с ограничениями, включая некоммерческий характер лицензии.

Карточка модели Porni56/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

NSFW MASTER FLUX — это LoRA-модель для генерации изображений по текстовому описанию, разработанная Muapi и предназначенная для использования поверх базовой модели black-forest-labs/FLUX.1-dev, также обозначенной в README как Flux.1 D. Она может применяться в сценариях text-to-image, включая создание изображений с контентом для взрослых, при подключении через библиотеку diffusers или API MUAPI. Модель использует архитектуру LoRA и рассчитана на работу с базовой моделью FLUX.1-dev. В README приведён пример генерации изображения размером 1024×1024 с одним результатом и указанием веса адаптера 1.0. Сведения о размере модели, поддерживаемых языках, точных модальностях, максимальной длине контекста и особенностях обучения не указаны, поэтому их нельзя достоверно оценить. Для использования требуется базовая модель, совместимый pipeline и, согласно README, API-ключ MUAPI при обращении к сервису MUAPI. Модель распространяется по лицензии openrail++; дополнительные сведения о разрешённых сценариях, ограничениях и сильных сторонах в представленных данных отсутствуют.

votepurchase/pornmasterPro_noobV3VAE — модель генерации изображений по текстовому описанию из семейства Stable Diffusion XL, опубликованная пользователем votepurchase на Hugging Face. По названию и карточке модели она ориентирована на создание реалистичных и откровенных изображений; применяется в сценариях, где нужно получать изображения по текстовым промптам. Модель доступна в форматах Diffusers и safetensors, а метаданные указывают лицензию CreativeML OpenRAIL-M. Карточка относит её к text-to-image и Stable Diffusion XL; поиск также подтвердил, что это отдельный вариант PornMaster Pro Noob V3 VAE. Подробности об архитектуре обучения, точном размере, контексте и поддерживаемых языках в доступных источниках надёжно не установлены.

merve/rfdetr-docvqa-media3-v2-agree1-large — дообученная модель обнаружения объектов на основе Roboflow/rf-detr-large. Она предназначена для поиска объектов и их локализации на изображениях; метрики карточки отдельно показывают результаты для диаграмм, изображений и подписей. Модель использует архитектуру RF-DETR Large и распространяется в формате safetensors. Лицензия — Apache-2.0. В README приведены низкие значения mAP на оценочном наборе: общий mAP 0,0038, mAP для диаграмм 0,005, для изображений 0,0045 и для подписей 0,0019. Датасет и подробности предполагаемого применения не описаны, поэтому эти результаты не подтверждают пригодность модели для конкретного сценария.

Модель Yashg3957/sd-class-butterflies-32 — диффузионная модель, созданная в рамках курса Diffusion Models Class, для безусловной генерации изображений милых бабочек. Она построена для запуска через DDPMPipeline из библиотеки Diffusers и сохраняется в форматах Diffusers и safetensors. Модель принимает запрос без текстового условия и создаёт изображение бабочки. Её можно использовать для генерации декоративных изображений и учебных экспериментов с диффузионными моделями. Репозиторий распространяется по лицензии MIT.

SPIDER-breast — модель глубокого обучения для классификации патчей гистологических изображений ткани молочной железы. Её разработала HistAI в рамках инициативы SPIDER; модель дообучена на визуальном энкодере histai/hibou-L и обучена на размеченной выборке SPIDER-breast. Модель принимает изображения-патчи размером 1120×1120 пикселей и относит их к классам патологических изменений молочной железы. Она предназначена для анализа цифровых гистологических препаратов на уровне отдельных участков и исследовательских рабочих процессов в патологии. В карточке указаны точность 0,902, precision 0,896 и F1 0,897 на задаче классификации молочной железы. Модель опирается на визуальный энкодер, предварительно обученный для извлечения признаков из гистологических изображений. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; для коммерческой лицензии авторы предлагают связаться с HistAI. Показатели на карточке не подтверждают пригодность модели для самостоятельной постановки клинического диагноза.

hp-l33/aim-xlarge — модель генерации изображений безусловного типа, опубликованная на Hugging Face. В метаданных указаны 1,6 млрд параметров, формат весов safetensors и лицензия MIT. README сообщает, что модель загружена с использованием интеграции PytorchModelHubMixin. Модель предназначена для генерации изображений без текстового условия; метаданные не описывают дополнительные сценарии применения, архитектуру, обучающие данные или поддерживаемые настройки генерации. Лицензия MIT разрешает использование на её условиях.

ERNIE-Image Abliterated (GGUF) — модифицированная версия текстовых энкодеров модели baidu/ERNIE-Image, подготовленная разработчиком ponpoke. Модель предназначена для генерации изображений по текстовым запросам в составе ERNIE-Image; репозиторий содержит изменённые Prompt Enhancer и Text Encoder в формате GGUF, а не полностью самостоятельную систему генерации изображений. Архитектура ERNIE-Image включает два этапа обработки текста: Prompt Enhancer на основе Ministral3, который интерпретирует и расширяет короткие запросы, и Text Encoder на основе Mistral3, преобразующий расширенный текст в представления для Diffusion Transformer (DiT). Заявлены поддерживаемые языки English и Japanese. Размер моделей, максимальная длина контекста и точные требования к оборудованию в предоставленных данных не указаны. Из текстовых энкодеров удалены векторы отказа, связанные с защитным выравниванием, методом ортогонализации концептуальных векторов без дообучения. Это позволяет обрабатывать более широкий спектр запросов, включая общий NSFW-контент, при сохранении заявленной близости к исходной модели на безопасных запросах. Ограничением является отсутствие встроенной фильтрации безопасности, поэтому модель требует ответственного и законного использования; она не предназначена для создания незаконного контента. Указана лицензия baidu-ernie-image-license с типом other.

IconShop SVG Icon Generator — экспериментальная авторегрессионная модель на основе трансформера, обученная авторами репозитория с использованием архитектуры IconShop. Она преобразует текстовое описание в SVG-иконку, предсказывая команды векторной графики по токенам. Модель обучалась на наборе FIGR-8-SVG из 1,5 млн очищенных SVG-иконок; в архитектуре 16 слоёв, 8 голов внимания, размер скрытого состояния 1024 и размер эмбеддингов 512. Текстовое условие обрабатывается BERT uncased токенизатором с ограничением до 50 токенов, длина последовательности — 512, область SVG — 200×200. Модель подходит для генерации простых распространённых значков по коротким запросам, например стрелок, звёзд, животных и элементов интерфейса. Качество заметно меняется между результатами; сложные сцены и абстрактные понятия могут приводить к ошибочному SVG, а упрощённый формат обучения поддерживает не все возможности SVG. Это альфа-версия и демонстрационный учебный артефакт, не готовый к производственному использованию. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на некоммерческих условиях с распространением производных работ на тех же условиях.

Это веса адаптации методом textual inversion для тестовой модели генерации изображений hf-internal-testing/tiny-stable-diffusion-torch. Модель опубликована в экосистеме Hugging Face Diffusers; конкретный разработчик в карточке не указан. Она предназначена для использования в задачах text-to-image и добавления выученного текстового представления в pipeline Stable Diffusion. В карточке указаны архитектурная основа tiny Stable Diffusion, библиотека diffusers и поддержка модальности текста и изображений через генерацию изображений по текстовому описанию. Размер модели, точные параметры, поддерживаемые языки и длина контекста не указаны. Также отсутствуют сведения о датасете, процедуре обучения, примерах применения, качестве, ограничениях и возможных смещениях; в README прямо отмечено, что эти разделы не заполнены. Лицензия указана как CreativeML Open RAIL-M. Условия использования следует уточнять по этой лицензии и базовой модели. Из-за тестового характера модели и неполноты документации её сильной стороной является пригодность для экспериментов с textual inversion в Diffusers, а ограничениями — неизвестные качество, совместимость и область практического применения.

Bodies — это LoRA-модель для генерации изображений, разработанная автором rickrock-art. Она предназначена для использования с text-to-image пайплайнами на базе Diffusers и базовой моделью black-forest-labs/FLUX.1-dev. Модель ориентирована на генерацию изображений тел и активируется триггерным словом NSFWMASTERFLUX. В README не указаны размер модели, поддерживаемые языки, максимальный контекст, дополнительные модальности, конкретные сильные стороны или ограничения. Также информация о лицензии отсутствует. Для использования требуется совместимая базовая модель FLUX.1-dev и программное окружение, поддерживающее LoRA и Diffusers.