I.8Изображения и компьютерное зрение

VIBE (Visual Instruction Based Editor) — модель для редактирования изображений по текстовым инструкциям. Она объединяет диффузионную основу Sana1.5-1.6B с визуальным энкодером Qwen3-VL-2B-Instruct и распространяется как слияние этих моделей. Репозиторий использует Diffusers и формат safetensors; в README указана точность BF16. Модель принимает изображение и текстовую инструкцию, чтобы изменять содержимое изображения, а также поддерживает генерацию изображений по тексту. README заявляет редактирование изображений с разрешением до 2048 пикселей и высокую скорость за счёт механизма linear attention в Sana. Для запуска требуется библиотека vibe. Основной сценарий — выполнение правок вроде добавления объектов или изменения сцены с учётом визуального содержимого исходного изображения. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

VIBE-DistilledCFG — производная версия модели VIBE-Image-Edit, разработанная автором репозитория iitolstykh. Это диффузионная модель для редактирования изображений по текстовым инструкциям; также заявлена генерация изображений по тексту. В архитектуре используются Sana 1.5 с линейным attention и энкодер инструкций Qwen3-VL. Размеры компонентов указаны как 1,6 млрд и 2 млрд параметров соответственно. Модель оптимизирована для изображений разрешением до 2048 пикселей и рассчитана на запуск в BF16 через библиотеку diffusers и VIBESanaEditingPipeline. Дистилляция classifier-free guidance позволяет выполнять генерацию без прохода CFG; README сообщает об ускорении примерно в 1,8–2 раза по сравнению с исходной VIBE-Image-Edit при сохранении высокого качества. Для использования дистиллированной версии нужно установить image_guidance_scale и guidance_scale в 0.0. Поддержка английского указана в метаданных. Лицензия в предоставленных данных не приведена.

VideoPrism-LvT-B — фундаментальный видеоэнкодер, разработанный Google DeepMind. Модель принимает последовательность кадров и преобразует видео в компактные embedding-представления, которые можно использовать в классификаторах, LLM, системах поиска и retrieval-моделях. Вариант LvT дополнительно включает текстовый энкодер, поэтому поддерживает сопоставление видео и текста по косинусному сходству. Модель предназначена для классификации видео и действий, пространственно-временной локализации, video-text retrieval и open-set classification. Архитектура основана на факторизованном видеоэнкодере ViViT и включает Vision Transformer ViT-B, а также временные attention-слои Transformer; размер модели составляет 248 млн параметров, размер файла — около 991 МБ. Видео подаются в формате (num_frames, 288, 288, 3), а видео- и текстовый энкодеры формируют глобальные embedding-векторы. Для токенизации текста используется SentencePiece-модель c4_en. Поддерживается произвольное число кадров за счёт интерполяции временных позиционных embedding. Сильной стороной VideoPrism является высокая универсальность: на 31 из 33 публичных тестов в четырёх категориях задач модель превзошла предыдущие лучшие foundation-модели без дообучения на целевых наборах данных. Ограничения связаны с возможными смещениями и шумом обучающих данных, включая автоматически полученные текстовые транскрипции; также заявлена недостаточная проработка длинных видео, геометрической информации и несемантических признаков. Модель распространяется по лицензии Apache-2.0. Перед применением в чувствительных сценариях, включая наблюдение и модерацию, необходима отдельная оценка рисков безопасности и справедливости.

ViT-B-16-SigLIP-256 — контрастивная модель сопоставления изображений и текста семейства SigLIP, обученная на наборе WebLI. Разработчик исходных весов в карточке не назван; репозиторий timm содержит конвертированные из исходных контрольных точек JAX веса в формате PyTorch. Модель доступна для работы через OpenCLIP с изображениями и текстом, а через timm — для получения эмбеддингов изображений. Модель предназначена для классификации изображений без предварительного обучения на конкретных классах: пользователь передаёт изображение и текстовые описания классов, а модель оценивает их соответствие. Это подходит для поиска объектов по описаниям и тематической сортировки изображений. В метаданных указаны библиотека open_clip, форматы PyTorch и safetensors и лицензия Apache-2.0. Размер, длина контекста и список поддерживаемых языков в доступных данных не приведены.

ViT-B-16-SigLIP-i18n-256 — модель контрастивного сопоставления изображений и текста, обученная на датасете WebLI с функцией потерь SigLIP. Чекпойнт преобразован из исходного JAX-формата Big Vision в PyTorch и совместим с OpenCLIP для работы с изображениями и текстом, а также с timm для получения эмбеддингов изображений. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: она сопоставляет изображение с набором предложенных текстовых меток. Также её можно использовать для получения эмбеддингов изображений. Метаданные Hugging Face указывают задачу zero-shot image classification, библиотеку open_clip и лицензию Apache-2.0. Обозначение i18n указывает на многоязычную версию, однако конкретный перечень поддерживаемых языков и размер входного изображения в предоставленных данных не подтверждены. Модель выдаёт оценки соответствия изображения текстовым описаниям или эмбеддинги; качество зависит от формулировок меток и покрытия обучающих данных WebLI.

Это модель CLIP семейства ViT-B/32, опубликованная в репозитории timm и обученная на наборе LAION-400M. Она совместима с open_clip и timm; вариант в OpenCLIP называется ViT-B-32-quickgelu. Модель сопоставляет изображения и текст в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Модель можно применять для поиска изображений по тексту и первичной категоризации изображений с помощью заранее заданных текстовых меток. Она принимает изображения и текстовые описания и выдаёт оценки соответствия между ними. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или список поддерживаемых языков.

ViT-L-16-SigLIP-256 — контрастивная модель для сопоставления изображений и текста, обученная командой Big Vision на датасете WebLI и опубликованная timm. Она предназначена для классификации изображений без дообучения: модель сравнивает изображение с текстовыми описаниями классов и оценивает их соответствие. Архитектура включает визуальный энкодер ViT-L/16 с разрешением изображения 256 пикселей и текстовый энкодер SigLIP; веса доступны в форматах PyTorch и Safetensors, библиотека для работы — OpenCLIP. Модель принимает изображения и текстовые описания, а выдаёт оценки сходства, которые можно использовать для выбора наиболее подходящей метки; визуальные эмбеддинги также доступны через timm. Лицензия Apache-2.0. README сообщает о конвертации исходных JAX-чекпойнтов Big Vision в PyTorch, поэтому это конверсия формата, а не новое дообучение.

Это модель CLIP ConvNeXt-Base с широким размером эмбеддингов, разработанная Ross Wightman и обученная с помощью OpenCLIP на эстетически отфильтрованной подвыборке LAION-2B. Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений по тексту и поиска текстов по изображениям. Архитектура сочетает визуальную башню timm ConvNeXt-Base и текстовую башню CLIP глубиной 12 слоёв с размерностью эмбеддинга 640; вариант с «320» в названии обучен на разрешении изображений 320×320. Модель обучалась на английских парах изображений и текстов. В карточке указана точность zero-shot классификации ImageNet top-1 71,0%. Модель рассчитана на исследовательское применение; перед использованием для конкретной таксономии классов требуется проверка на целевых данных, поскольку качество зависит от формулировок и набора классов. Развёрнутое применение, распознавание лиц и наблюдение указаны как недопустимые сценарии. Модель распространяется по лицензии MIT.

Это мультимодальная модель CLIP ConvNeXt-Large-D, обученная Россом Уайтманом с помощью OpenCLIP на англоязычной подвыборке LAION-2B. Она сопоставляет изображения и текст, чтобы классифицировать изображения по заданным текстовым категориям без отдельного дообучения на этих категориях, а также выполнять поиск изображений по текстовому запросу и текста по изображению. Визуальная часть основана на ConvNeXt-Large и принимает изображения с разрешением 320 × 320 пикселей; текстовая часть имеет 16 слоёв и размерность эмбеддингов 768. По данным README, модель дообучена с повышением разрешения с 256 до 320 пикселей, а точность zero-shot классификации ImageNet составляет 76,6%. Модель рассчитана на английские сценарии: её не обучали и не оценивали целенаправленно на других языках. В README модель позиционируется для исследований и не рекомендуется для развёрнутого применения без тщательной проверки на конкретной задаче и фиксированном наборе классов. Применение для наблюдения и распознавания лиц указано как недопустимое; возможны ошибки и смещения, связанные с данными и формулировками классов. Лицензия — MIT.

Модель CLIP ConvNeXt-Large-D разработана Россом Уайтманом с использованием OpenCLIP и обучена на англоязычной подвыборке LAION-2B из LAION-5B. Она предназначена для классификации изображений по текстовым описаниям без специального обучения на заданных классах, а также для поиска изображений по тексту и текстов по изображениям. Визуальная башня основана на timm ConvNeXt-Large и принимает изображения с разрешением 320×320; текстовая башня имеет 16 слоёв и размерность эмбеддинга 768. Вариант soup получен усреднением весов трёх дообученных моделей. В тесте ImageNet zero-shot он показал точность top-1 76,9%. Модель работает с изображениями и английским текстом; обучение и оценка не охватывали другие языки. Карточка не рекомендует развёртывание модели и применение без тщательной проверки на конкретной задаче и фиксированной таксономии классов. Распознавание лиц и наблюдение указаны как недопустимые сценарии. Модель выпущена под лицензией MIT.

Это модель OpenCLIP, опубликованная LAION e.V. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на этих метках. Архитектура — CLIP с визуальным энкодером ViT-L/14; модель обучена на наборе CommonPool-XL без фильтрации, в рамках серии DataComp XL. В опубликованных сведениях указаны 12,8 млрд шагов обучения и размер пакета 90 тысяч. Модель принимает изображения и текстовые подписи, кодирует их в совместимые векторы и позволяет оценивать сходство. Её можно применять для классификации по произвольным текстовым классам и поиска соответствия между изображением и подписью. Опубликована под лицензией MIT. Численные результаты для вариантов CommonPool XL приведены на ImageNet в документации OpenCLIP; показатели других задач из этого не следуют.

Это конверсия CLIP ViT-L/14 от OpenAI, подготовленная zeromodels в формате Keras 3. Модель использует два энкодера — для изображений и текста — которые обучены контрастивно на парах «изображение—подпись» и отображают данные в общее пространство эмбеддингов. Реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений без дополнительного обучения: при выводе передают изображение и текстовые подсказки с возможными категориями, после чего модель сопоставляет их. Также архитектура CLIP подходит для поиска изображений по тексту и получения совместных эмбеддингов. Лицензия — MIT.

DDB_Edit — модель на основе подхода Discrete Diffusion Bridges (DDB) для редактирования и генерации изображений. Карточка описывает метод как систему пространственно и временно согласованного переноса и генерации изображений; в метаданных указаны архитектура LLaDA и библиотека Diffusers. Модель предназначена для редактирования изображений по текстовому запросу, структурного преобразования изображений и генерации изображений по тексту. Метод использует смешивание токенов исходного изображения и маски для сохранения пространственной структуры, а также расписание зашумления, согласованное с пошаговым декодированием. В репозитории указаны форматы Diffusers и Safetensors. Лицензия, размер модели, длина контекста и поддерживаемые языки в предоставленных данных не описаны.

Divot-LLM — модель TencentARC для понимания видео и генерации видеороликов. Она использует видеотокенизатор Divot, обученный самоконтролируемым способом с помощью диффузионного процесса: его непрерывные пространственно-временные признаки передаются языковой модели для авторегрессионной генерации текста, а при генерации видео модель предсказывает распределение этих признаков с помощью гауссовой смеси, после чего декодер восстанавливает видеоклип. В репозитории также опубликованы токенизатор и декодер Divot, код обучения и инференса. В карточке указана архитектура Mistral, плотная причинная языковая модель с 7,1 млрд параметров и контекстом 32 768 токенов; формат весов — PyTorch и Safetensors. Для запуска требуются PyTorch и GPU NVIDIA с CUDA. README указывает необходимость отдельно загрузить Mistral-7B-Instruct-v0.1 и CLIP ViT-H/14, а также обученные компоненты Divot. Модель распространяется по лицензии Apache-2.0.

EVA-CLIP-8B-448 — разработанная BAAI модель семейства CLIP для совместного представления изображений и текста. Она использует контрастивное обучение на парах изображение–текст и содержит 8,1 млрд параметров; вариант 448 дообучен на разрешении 448 пикселей на основе EVA-CLIP-8B. Модель предназначена для извлечения сопоставимых признаков изображений и текстовых описаний, классификации изображений без обучения на целевых классах и поиска изображений по тексту или текста по изображению. В карточке приведены результаты на наборах классификации изображений и видео и для задач retrieval; авторы сообщают среднюю точность zero-shot классификации изображений 80,0% на 27 бенчмарках. Обучение проводилось на объединённом наборе Merged-2B, составленном из LAION-2B и COYO-700M. Для работы доступны веса PyTorch и Hugging Face. Лицензия — Apache-2.0. Модель обрабатывает изображения и текст, но не предназначена для генерации описаний или изображений. Авторы предупреждают, что результаты при использовании Hugging Face-весов могут отличаться от опубликованных для PyTorch-весов; качество также зависит от целевого набора данных и формулировок текстовых меток.

Карточка модели HelloTestUser/FLUX.1-Kontext-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Kontext-dev, поэтому описание составлено по ней. FLUX.1 Kontext [dev] — модель компании Black Forest Labs для редактирования изображений по текстовым инструкциям. Это трансформер rectified flow с 12 млрд параметров, доступный через библиотеку Diffusers в формате safetensors. Модель принимает изображение и инструкцию на естественном языке и выдаёт изменённое изображение. Модель поддерживает изменение существующих изображений, использование референсов персонажей, стиля и объектов без дополнительного дообучения, а также последовательное редактирование с сохранением визуальной согласованности. Она обучена с дистилляцией guidance. В карточке указана поддержка английского языка. Модель распространяется по некоммерческой лицензии FLUX.1 [dev]; README допускает личное и научное использование, но коммерческое применение ограничено условиями лицензии. Для развёртывания требуются фильтры или ручная проверка контента.

Japanese Stable CLIP ViT-L/16 — модель Stability AI, которая сопоставляет японские тексты и изображения в общем пространстве эмбеддингов. Она подходит для классификации изображений без специального обучения и поиска изображений по текстовому запросу, а также может быть компонентом систем генерации изображений и описаний. В модели используется визуальный энкодер ViT-L/16 и 12-слойный текстовый энкодер BERT с японским токенизатором на основе rinna/japanese-roberta-base. Для обучения применялась функция потерь SigLIP; среди обучающих данных — CC12M с переводами описаний на японский и MS-COCO со STAIR Captions. Модель рассчитана на японский язык и задачи сопоставления текста с изображением. Модель распространяется по STABILITY AI COMMUNITY LICENSE; по вопросам коммерческого использования Stability AI предлагает обращаться отдельно. Обучающие данные могли содержать неприемлемые материалы, несмотря на фильтрацию, поэтому результаты требуют осторожной проверки при использовании в производственных системах.

Kolors-Inpainting — модель генерации и редактирования изображений с заполнением замаскированных областей, разработанная командой Kwai. Веса и код вывода инициализированы из Kolors-Basemodel. Архитектура основана на UNet; для обработки маски к входу добавлены пять каналов: четыре для закодированного изображения с маской и один для самой маски. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для восстановления или замены содержимого выбранной области изображения по текстовому запросу. В README описано обучение с разнообразными масками, включая случайные, прямоугольные, сегментационные и расширенные морфологическими операциями. В приведённой пользовательской оценке на наборе из 200 примеров Kolors-Inpainting получила наивысший общий балл среди сравниваемых моделей; сравнение использовало китайские запросы для Kolors и английские для SDXL-Inpainting. Модель поддерживает китайский и английский языки запросов. Карточка описывает результаты редактирования по маске, однако метаданные Hugging Face классифицируют её как text-to-image. Сравнительная оценка ограничена небольшим набором примеров и разными языками запросов между моделями.

Карточка модели Jinstudio/LongCat-Image-Edit на Hugging Face совпадает с карточкой meituan-longcat/LongCat-Image-Edit, поэтому описание составлено по ней. LongCat-Image-Edit — модель Meituan для редактирования изображений по инструкциям на китайском и английском языках. Она предназначена для глобальных и локальных правок, изменения текста на изображении и редактирования с опорой на референсное изображение. Модель стремится точно следовать инструкциям и сохранять в нетронутых областях композицию, текстуры, цветовую гамму и идентичность объектов. Поддерживает многошаговое редактирование; в карточке также заявлены высокое качество изображений и повышенная эффективность вывода среди открытых моделей для редактирования. Для генерации или изменения текста на изображении целевой текст рекомендуется заключать в кавычки. Модель распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0. В README не приведены размер модели и длина контекста.

LongCat-Image-Edit-Turbo-GGUF — квантованная версия модели LongCat-Image-Edit-Turbo, разработанной командой Meituan LongCat и адаптированной для использования в ComfyUI. Это модель image-to-image для редактирования изображений по текстовым инструкциям. Модель предназначена для глобального и локального редактирования, изменения текста на изображении, а также редактирования с использованием референсных изображений. Она ориентирована на точное следование инструкциям, сохранение компоновки, текстур, цветовой гаммы и идентичности объектов в неизменяемых областях, включая многошаговое редактирование. Дистиллированная версия выполняет инференс примерно за 8 NFE (Number of Function Evaluations), что обеспечивает низкую задержку. В README указаны поддерживаемые языки English и Chinese, библиотека Transformers и формат GGUF. Сведения о размере модели, конкретной архитектуре и максимальном контексте не приведены. Модель предназначена для генерации и редактирования изображений, поэтому её ограничения включают зависимость качества от исходного изображения и точности инструкции; количественные результаты приведены только в общем виде, без конкретных метрик. Распространяется по лицензии Apache-2.0.

Карточка модели Mage-Fans/Mage-Flow-Edit на Hugging Face совпадает с карточкой servantofares/Mage-Flow-Edit, поэтому описание составлено по ней. Mage-Flow-Edit — модель генерации и редактирования изображений из семейства Mage-Flow, представленная в карточке как модель для редактирования по инструкции. Семейство разработано как компактный стек примерно на 4 млрд параметров: в его основе лежат латентный токенизатор Mage-VAE и общий мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow matching. Репозиторий использует Diffusers и формат safetensors. Модель принимает исходное изображение и текстовую инструкцию, чтобы менять содержимое и внешний вид, преобразовывать сцену, восстанавливать изображение и создавать структурно согласованные варианты. Семейство поддерживает работу с разрешениями от 512 до 2048 пикселей и разными соотношениями сторон. В README описаны базовая, согласованная с предпочтениями и ускоренная четырёхшаговая версии семейства; точный вариант этого репозитория не уточнён. README заявляет компактность и высокую скорость, а для Turbo-варианта приводит время редактирования около 1,02 секунды на изображение 1024×1024 на одном A100. Эти показатели относятся к указанной конфигурации и не гарантируют такую же скорость на другом оборудовании. Модель распространяется по лицензии MIT.

Mage-Flow-Edit-Base — базовый вариант модели Mage-Flow-Edit для редактирования изображений по текстовым инструкциям. Разработчики описывают семейство Mage-Flow как компактную генеративную систему масштаба 4 млрд параметров с архитектурой NR-MMDiT — мультимодальным диффузионным трансформером, обученным методом rectified flow, и общим для семейства латентным токенизатором Mage-VAE. Репозиторий рассчитан на запуск через Diffusers и содержит веса в формате safetensors. Модель принимает исходное изображение и текстовую инструкцию. Она предназначена для семантического изменения содержимого, преобразования внешнего вида, восстановления изображений и редактирования с сохранением структуры. Семейство заявляет поддержку нативных разрешений от 512 до 2048 пикселей и разных соотношений сторон; README также упоминает разнообразие результатов для одного исходного изображения. Карточка не сообщает число параметров именно этого репозитория и не приводит отдельные оценки качества для варианта Base. Лицензия репозитория — MIT. Для работы описан стек Diffusers; README отмечает необходимость CUDA-совместимой среды для установки flash-attn. Заявления о скорости и качестве относятся к семейству и, в частности, к Turbo-вариантам, поэтому их нельзя напрямую переносить на Base.

NeoVerse — модель 4D-моделирования мира, разработанная авторами работы «NeoVerse: Enhancing 4D World Model with in-the-wild Monocular Videos». Она предназначена для реконструкции 4D-сцен, генерации видео с новыми траекториями камеры и последующих задач, использующих такую реконструкцию. Модель основана на объединении Wan-AI/Wan2.1-T2V-14B и lightx2v/Wan2.1-T2V-14B-StepDistill-CfgDistill-Lightx2v; веса опубликованы в формате safetensors. В карточке также указан датасет SpatialVID/SpatialVID. Для использования NeoVerse карточка направляет к инструкциям в GitHub. В репозитории Hugging Face указан pipeline video-to-video. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или поддерживаемые языки.

PP-LCNet_x1_0_doc_ori — модель PaddlePaddle для определения ориентации изображений документов. Она классифицирует документ или удостоверение личности по четырём положениям: 0°, 90°, 180° и 270°. Результат можно использовать для поворота изображения перед запуском OCR, чтобы повысить точность распознавания текста. Модель предназначена для предварительной обработки сканов и фотографий документов, в том числе снимков, сделанных под разными углами поворота. Она входит в экосистему PaddleOCR и может применяться как отдельный модуль или в составе конвейера предварительной обработки документов. Для работы с моделью используется PaddleOCR; карточка указывает поддержку английского и китайского языков. Репозиторий распространяется по лицензии Apache-2.0. В предоставленных материалах не приведены точность, размер модели и ограничения её работы; классификация ориентации сама по себе не исправляет геометрические искажения изображения.

PP-LCNet_x1_0_doc_ori — модель PaddlePaddle/PaddleOCR для классификации ориентации изображений документов. Она предназначена для определения поворота документов и удостоверений личности перед последующей коррекцией изображения, чтобы повысить точность OCR в сценариях сканирования документов и съёмки ID-фотографий, когда устройство может быть повернуто. Модель основана на архитектуре PP-LCNet_x1_0, имеет размер около 7 МБ и классифицирует изображения по четырём категориям: 0°, 90°, 180° и 270°. В README указана средняя точность распознавания 99,06%. Модель обрабатывает изображения документов; заявлены языки en и zh, однако отдельные характеристики контекстного окна и дополнительные модальности не указаны. Модель может использоваться через PaddleOCR с движком ONNX Runtime, включая GPU-вариант onnxruntime-gpu, и поддерживает CLI и Python API. Она выполняет классификацию ориентации, а исправление поворота производится последующей обработкой. Расширенные ограничения и условия эксплуатации, помимо требований к использованию PaddleOCR и ONNX Runtime, не описаны. Лицензия — Apache-2.0.

PP-LCNet_x1_0_textline_ori — модель классификации ориентации строк текста из экосистемы PaddleOCR/PaddlePaddle. Она анализирует изображение строки, определяет её ориентацию и поддерживает исправление поворота постобработкой, чтобы улучшить распознавание в OCR-конвейере. Модель предназначена для обработки сканов документов и фотографий удостоверений и других документов, снятых под разными углами. В метаданных указаны PaddleOCR, архитектурное семейство PP-LCNet и поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0.

Qwen-Image — базовая модель генерации изображений из серии Qwen, разработанная командой Qwen. Она предназначена для создания изображений по текстовым описаниям и редактирования изображений с помощью инструкций. Модель поддерживает разные художественные стили, включая фотореализм, живопись, аниме и минималистичный дизайн. Сильная сторона модели — точное встраивание текста в изображение, особенно китайского, а также работа с композицией и типографикой. Среди описанных сценариев редактирования — перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляция позой человека. README также перечисляет задачи понимания изображения, такие как обнаружение объектов, сегментация и оценка глубины, но основная задача модели в метаданных — генерация изображений по тексту. Модель доступна в форматах Diffusers и Safetensors, использует библиотеку Diffusers и распространяется по лицензии Apache-2.0. В README не приведены количественные характеристики модели и контекстного окна.

Qwen-Image — базовая модель генерации изображений из серии Qwen, опубликованная Unsloth как зеркало исходного репозитория Qwen/Qwen-Image; веса не изменены. Она предназначена для создания изображений по текстовым запросам и редактирования изображений: поддерживает генерацию в разных стилях, добавление и удаление объектов, перенос стиля, улучшение деталей, изменение текста на изображении и манипуляции с позой человека. Сильная сторона модели — точное и связное отображение текста внутри изображения, особенно китайского, а также поддержка английского текста. В карточке указаны Diffusers и форматы safetensors; лицензия — Apache-2.0. Размер и длина контекста в предоставленных данных не приводятся.

Карточка модели mario-d-robot/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели thornmaze/qwen-image-edit-rapid-aio-v23 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V23, поэтому описание составлено по ней. Это ускоренная версия Qwen Image Edit, подготовленная prithivMLmods на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера в формате safetensors, совместимые с Diffusers и извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V23. Модель предназначена для редактирования изображений по текстовым инструкциям за четыре шага инференса. Модель принимает изображение и текстовую инструкцию и выдаёт отредактированное изображение. В метаданных указан английский язык; лицензия — Apache 2.0. Слово NSFW в названии исходной модели указывает на возможность работы с контентом для взрослых, но карточка не уточняет ограничения или гарантии качества.