I.8Изображения и компьютерное зрение

Uminosachi/realisticVisionV51_v51VAE-inpainting — модель для генерации и дорисовки изображений по текстовому запросу. В README она названа inpainting-моделью и описана как конверсия realisticVisionV51_v51VAE-inpainting. Метаданные указывают на Stable Diffusion Pipeline и форматы Diffusers, PyTorch и Safetensors. Модель предназначена для заполнения или изменения выбранных областей изображения по текстовой инструкции. Также она размечена для генерации изображений по тексту. Репозиторий использует лицензию CreativeML OpenRAIL-M. Подробности об архитектуре, размере, языках и ограничениях качества в предоставленных данных не приводятся.

Stable Diffusion 2 Depth Img2Img — модель Robin Rombach и Patrick Esser для изменения изображений по текстовому описанию с сохранением пространственной структуры исходного изображения. Это латентная диффузионная модель, дообученная на базе stable-diffusion-2-base в течение 200 тысяч шагов; она использует дополнительный канал с относительной картой глубины, рассчитанной MiDaS dpt_hybrid. Модель работает через Diffusers и распространяется в форматах PyTorch и safetensors. Модель принимает текстовый запрос и изображение, а также использует карту глубины для управления генерацией; результатом служит изображение. Основной язык запросов — английский. Лицензия — CreativeML Open RAIL++-M License (openrail++). Модель подходит для творческого редактирования и преобразования изображений с учётом глубины сцены. Ограничения включают слабую генерацию читаемого текста, несовершенный фотореализм, ошибки в изображении лиц и людей, а также трудности со сложными пространственными композициями. Качество запросов на языках, отличных от английского, ниже; модель также может отражать смещения обучающих данных LAION.

Карточка модели svjack/stable-diffusion-v1-5-inpainting-f16 на Hugging Face совпадает с карточкой benjamin-paine/stable-diffusion-v1-5-inpainting, поэтому описание составлено по ней. Stable Diffusion v1.5 Inpainting — латентная диффузионная модель генерации и редактирования изображений по текстовым запросам и маске. Репозиторий — повторная публикация весов модели, разработанной Робином Ромбахом и Патриком Эссером; модель основана на Stable Diffusion v1.2 и дообучена для восстановления замаскированных областей изображения. Вариант для inpainting добавляет к входу UNet пять каналов для закодированного изображения с маской и самой маски. Модель использует текстовый энкодер CLIP ViT-L/14 и рассчитана прежде всего на английские запросы. Подходит для заполнения выделенных областей, удаления или замены объектов и творческого редактирования изображений с помощью текстового описания. Модель работает с изображениями разрешения 512×512. Она может ошибаться в деталях, лицах и сложной композиции, плохо воспроизводит читаемый текст, а результаты по неанглийским запросам обычно хуже. Обучающие данные содержали взрослый контент, а модель может усиливать социальные предубеждения и запоминать дубликаты изображений. Лицензия — CreativeML OpenRAIL-M с ограничениями на использование и распространение; условия лицензии следует соблюдать при применении модели.

ViBT (Vision Bridge Transformer) — модель семейства Brownian Bridge Models, представленная авторами репозитория Yuanshi. Она предназначена для условной генерации и преобразования визуальных данных: редактирования изображений по инструкциям и перевода изображений и видео между разными представлениями. Модель напрямую описывает траекторию преобразования от входных данных к выходным, используя парадигму data-to-data translation. В карточке указаны задачи генерации и редактирования изображений, генерации видео и преобразования визуальных данных. Модель распространяется в формате safetensors по лицензии Apache-2.0. Сведения о размере, контексте и поддерживаемых языках в доступных материалах отсутствуют.

Sanster/anything-4.0-inpainting — модель генерации изображений с дорисовкой и заменой содержимого на основе Stable Diffusion, опубликованная Sanster. Она принимает исходное изображение и текстовый запрос, чтобы изменить или заполнить выбранную область; пример в карточке показывает замену кошки собакой. Репозиторий использует Diffusers и формат Safetensors, карточка указывает около 0,9 млрд параметров и лицензию CreativeML OpenRAIL-M. Модель предназначена для редактирования изображений по текстовой подсказке с сохранением контекста исходной сцены. Доступные источники не уточняют её языковую поддержку, длину контекста или особые ограничения качества; результат зависит от входного изображения и формулировки запроса.

BAGEL-NHR-Edit — модель ByteDance BAGEL, дообученная автором репозитория на первой части набора NHR-Edit с помощью LoRA. Она предназначена для редактирования изображений по текстовым инструкциям: изменения стиля, удаления и добавления объектов, замены элементов и фона, а также других правок. Базовая BAGEL-7B-MoT поддерживает понимание изображений и видео, генерацию и редактирование изображений; для этой версии в карточке приведены результаты тестов GEdit-Bench-EN и ImgEdit-Bench. Веса доступны в формате safetensors, лицензия — Apache-2.0. README отсылает к официальному репозиторию BAGEL за инструкциями по установке и использованию. Количественные результаты приведены для отдельных тестов и зависят от используемых моделей-оценщиков.

BAGEL-NHR-Edit-V2 — модель ByteDance Seed BAGEL, дообученная авторами репозитория на наборах NHR-Edit и NHR-Edit-part2 для редактирования изображений по текстовым инструкциям. Это мультимодальная модель семейства BAGEL-7B-MoT; адаптация выполнена методом LoRA для слоёв внимания и FFN генерационного эксперта. Базовая BAGEL поддерживает понимание и генерацию изображений, а также работу с видео; эта версия ориентирована на редактирование изображений, включая изменение стиля, добавление и замену объектов, настройку фона и композиции. В README приведены оценки на GEdit-Bench-EN и ImgEdit-Bench, где версия сравнивается с BAGEL-7B-MoT. Модель распространяется в формате safetensors под лицензией Apache-2.0. Для установки и запуска авторы направляют к официальному репозиторию BAGEL.

clip-japanese-base-v2 — японская модель CLIP, разработанная LY Corporation для сопоставления изображений и текста. Это обновлённая версия line-corporation/clip-japanese-base: для обучения использовано около 2 млрд пар изображение–текст, а дистилляция применена для повышения качества. Модель содержит 196 млн параметров и объединяет визуальный кодировщик на основе Eva02-B Transformer с 12-слойным текстовым кодировщиком BERT. Текстовый кодировщик инициализирован весами rinna/japanese-clip-vit-b-16. Модель подходит для извлечения признаков изображений и текста, поиска изображений по японскому описанию и поиска текстов, соответствующих изображению. В README приведены результаты классификации ImageNet-1k и наборов Recruit и WAON, а также двунаправленного поиска по STAIR Captions. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0. Оценки в README показывают, что улучшение относительно предыдущей версии зависит от задачи: например, retrieval R@1 у предыдущей версии выше.

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.

FLUX.1 Kontext [dev] — модель Black Forest Labs, опубликованная Unsloth как зеркало с теми же неизменёнными весами и без ограничения доступа к загрузке на Hugging Face. Это трансформер rectified flow на 12 млрд параметров, обученный с дистилляцией guidance и предназначенный для редактирования изображений по текстовым инструкциям. Модель принимает изображение и текстовое указание на правку. Она поддерживает работу с референсами персонажей, стилей и объектов без дополнительного дообучения и последовательное уточнение результата с небольшим визуальным дрейфом. Метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors; карточка помечает английский язык. Веса не изменены относительно исходной модели Black Forest Labs. Лицензия — FLUX.1 [dev] Non-Commercial License, поэтому коммерческое использование не разрешено; README также требует фильтрации или ручной проверки контента согласно условиям лицензии. Заявленные защитные меры снижают риск некоторых видов злоупотреблений, но не гарантируют их полного предотвращения.

Карточка модели yuvraj108c/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.

rohanath/flux-kontext-dev — это вариант весов FLUX.1 Kontext [dev], разработанный Black Forest Labs и опубликованный пользователем rohanath на Hugging Face. Модель представляет собой rectified flow transformer с 12 млрд параметров и предназначена для генерации и редактирования изображений по текстовым инструкциям, включая изменения существующего изображения с сохранением персонажей, стиля и объектов. Модель поддерживает сценарии последовательного редактирования с небольшим визуальным дрейфом и использует guidance distillation для повышения эффективности. Входная модальность включает текстовые инструкции и изображения; в метаданных репозитория указан pipeline text-to-image, а библиотечный тег указывает на использование Diffusers и FluxKontextPipeline. Поддерживаемые естественные языки и длина контекста в доступных данных не определены. Оригинальная модель распространяется по лицензии FLUX.1 [dev] Non-Commercial License, поэтому использование самих весов ограничено условиями этой лицензии; коммерческое использование модели требует отдельного разрешения. Репозиторий rohanath не содержит собственной карточки модели, поэтому сведения о конкретных изменениях относительно оригинала отсутствуют.

FLUX.1 Kontext [dev] в формате FP8 scaled для Diffusers — модель редактирования изображений, разработанная Black Forest Labs и представляемая в этом репозитории как конверсия базовой модели black-forest-labs/FLUX.1-Kontext-dev. Это трансформер rectified flow с 12 млрд параметров, который изменяет изображение по текстовой инструкции; также поддерживает генерацию изображений по тексту. Модель подходит для изменения объектов, стиля и внешнего вида персонажей с сохранением заданных визуальных ориентиров без дополнительного дообучения. Согласованность между последовательными правками помогает уточнять результат, уменьшая визуальный дрейф. Указаны Diffusers и форматы safetensors; основной язык карточки — английский. Лицензия репозитория обозначена как other; README ссылается на некоммерческую лицензию FLUX.1 [dev] и описывает использование для личных, научных и коммерческих целей, поэтому условия следует сверять с текстом лицензии для конкретного применения.

IdolSankaku SwinV2 Tagger v1 — модель DeepGHS для автоматической разметки изображений тегами. Она предсказывает рейтинги, персонажей и общие теги для фотографий; обучена на наборе реальных фотографий с разметкой, проверенной людьми. Архитектура SwinV2, модель совместима с timm и доступна в форматах ONNX и safetensors. ONNX-версия поддерживает пакетную обработку изображений и требует onnxruntime версии 1.17.0 или новее. Валидация версии 1.0 дала F1 0,6161 при пороге 0,3094. Модель подходит для автоматической категоризации и тегирования фотографий; точность зависит от изображения и предсказанных тегов. Лицензия — Apache-2.0.

Kandinsky 2.1 — модель генерации и преобразования изображений, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Этот репозиторий предоставляет модель для image-to-image на базе Diffusers; архитектура Kandinsky 2.1 сочетает unCLIP и latent diffusion, включая трансформерный image prior, диффузионный UNet и декодер MoVQGAN. CLIP используется для кодирования текста и изображений. Модель предназначена для текстово управляемого преобразования изображений, генерации изображений по тексту и интерполяции между изображениями. Для обучения image prior использовались данные LAION Improved Aesthetics с последующим дообучением на LAION HighRes; основная диффузионная модель обучалась на парах текста и изображений LAION HighRes и дополнительно на высококачественных изображениях с описаниями. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии Apache-2.0.

Latent Diffusion — модель генерации изображений на основе латентной диффузии, опубликованная аккаунтом fusing и описанная в статье «High-Resolution Image Synthesis with Latent Diffusion Models». Модель с архитектурой LDMBert содержит 877,9 млн параметров и использует латентное представление предварительно обученного автоэнкодера для синтеза изображений. Контекст текстового условия — до 77 токенов. Модель предназначена для создания изображений по текстовым описаниям. Примеры в карточке показывают генерацию уличной таблички с надписью и иллюстрации с белкой. Подход латентной диффузии снижает вычислительные затраты по сравнению с диффузией непосредственно в пиксельном пространстве; статья также описывает применение метода для дорисовки, безусловной генерации, синтеза сцен и повышения разрешения. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — MIT. Карточка не уточняет, какие языки текстовых запросов поддерживаются, поэтому примеры на английском не подтверждают поддержку других языков. Генерация выполняется последовательными шагами денойзинга и требует вычислительных ресурсов; качество и следование запросам могут зависеть от формулировки условия.

LLM2CLIP-Openai-L-14-336 — модель семейства CLIP, опубликованная Microsoft и исследователями из Университета Тунцзи. Это визуальный backbone для сопоставления изображений и текста: модель строит эмбеддинги, которые можно использовать для поиска соответствий между изображениями и текстовыми описаниями, включая длинные и сложные подписи. Подход LLM2CLIP переносит текстовые возможности больших языковых моделей в пространство эмбеддингов CLIP с помощью контрастивного дообучения, а затем использует полученные представления для обучения визуального энкодера. В README описаны улучшения поиска по коротким и длинным текстам и многоязычного поиска; приведённый вариант предназначен для изображений и retrieval. Репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0. README предупреждает, что результаты статьи получены на весах PyTorch и производительность версии Hugging Face может отличаться.

Mage-Flow-Edit-Base — базовый вариант модели редактирования изображений из семейства Mage-Flow, разработанного авторами проекта Mage-Flow. Модель использует общий с генератором Mage-Flow стек: латентный токенизатор Mage-VAE и 4-миллиардный мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow. Репозиторий поставляется в формате Diffusers с весами Safetensors. Модель предназначена для редактирования изображения по текстовой инструкции с сохранением исходного изображения как условия. В README описаны семантическое и локальное редактирование содержимого, изменение внешнего вида и сцены, творческие преобразования, восстановление изображений и задачи, требующие сохранения структуры. Семейство рассчитано на работу с изображениями разных разрешений и соотношений сторон; заявлен диапазон от 512 до 2048 пикселей. Карточка не приводит отдельные показатели скорости или качества именно для варианта Base. Лицензия модели — MIT. Для запуска используется библиотека Diffusers; README отмечает требования к CUDA-зависимостям для установки окружения. Указанные в карточке задачи — image-to-image; поддерживаемые языки текстовых инструкций в метаданных не перечислены.

Карточка модели rootlocalghost/Mage-Flow-Edit-Base на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow-Edit-Base, поэтому описание составлено по ней. Mage-Flow-Edit-Base — базовый вариант модели редактирования изображений из семейства Mage-Flow, разработанного авторами проекта Mage-Flow. Модель использует общий с генератором Mage-Flow стек: латентный токенизатор Mage-VAE и 4-миллиардный мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow. Репозиторий поставляется в формате Diffusers с весами Safetensors. Модель предназначена для редактирования изображения по текстовой инструкции с сохранением исходного изображения как условия. В README описаны семантическое и локальное редактирование содержимого, изменение внешнего вида и сцены, творческие преобразования, восстановление изображений и задачи, требующие сохранения структуры. Семейство рассчитано на работу с изображениями разных разрешений и соотношений сторон; заявлен диапазон от 512 до 2048 пикселей. Карточка не приводит отдельные показатели скорости или качества именно для варианта Base. Лицензия модели — MIT. Для запуска используется библиотека Diffusers; README отмечает требования к CUDA-зависимостям для установки окружения. Указанные в карточке задачи — image-to-image; поддерживаемые языки текстовых инструкций в метаданных не перечислены.

Карточка модели servantofares/Ming-flash-omni-2.0 на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-2.0, поэтому описание составлено по ней. Ming-flash-omni 2.0 — мультимодальная модель от inclusionAI на архитектуре Ling-2.0 с Mixture-of-Experts: 100 млрд параметров всего, 6 млрд активных. Она принимает изображения, текст, видео и аудио, а выдаёт текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных сцен и знаний об объектах, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также создание и редактирование изображений. Среди заявленных возможностей — распознавание растений, животных, культурных объектов и достопримечательностей, управление характеристиками генерируемого аудио и клонирование голоса с нулевым примером. Для изображений заявлены генерация, сегментация и редактирование, в том числе удаление объектов и композиция сцен. Карточка описывает версии 2.0 как официальную открытую модель; лицензия репозитория — MIT. README не приводит подробностей о поддерживаемых языках, длине контекста, аппаратных требованиях или результатах независимой оценки; архитектура и заявленные способности не гарантируют качество на каждом сценарии. Метаданные указывают форматные варианты PyTorch, ONNX, Flax и TensorFlow.

Карточка модели andrewheins55/Ming-flash-omni-2.1 на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-2.0, поэтому описание составлено по ней. Ming-flash-omni 2.0 — мультимодальная модель от inclusionAI на архитектуре Ling-2.0 с Mixture-of-Experts: 100 млрд параметров всего, 6 млрд активных. Она принимает изображения, текст, видео и аудио, а выдаёт текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных сцен и знаний об объектах, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также создание и редактирование изображений. Среди заявленных возможностей — распознавание растений, животных, культурных объектов и достопримечательностей, управление характеристиками генерируемого аудио и клонирование голоса с нулевым примером. Для изображений заявлены генерация, сегментация и редактирование, в том числе удаление объектов и композиция сцен. Карточка описывает версии 2.0 как официальную открытую модель; лицензия репозитория — MIT. README не приводит подробностей о поддерживаемых языках, длине контекста, аппаратных требованиях или результатах независимой оценки; архитектура и заявленные способности не гарантируют качество на каждом сценарии. Метаданные указывают форматные варианты PyTorch, ONNX, Flax и TensorFlow.

Nexus-Gen — мультимодальная модель от ModelScope, объединяющая языковую модель Qwen2.5-VL и декодер изображений на основе диффузии. В ней используется двухэтапное обучение для согласования представлений: языковая модель предсказывает эмбеддинги изображения по мультимодальному вводу, а декодер восстанавливает из них изображение. Размер модели — 7,1 млрд параметров, заявленная длина контекста — 128 000 токенов. Модель предназначена для понимания изображений, генерации изображений по текстовым запросам и редактирования изображений. После дообучения на BLIP3o-60k авторы сообщают о результате 0,79 на GenEval и улучшенной работе с текстовыми запросами для генерации. Модель опубликована в формате safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. По README, основное обучение и следование инструкциям рассчитаны на английский язык. Авторы отмечают ограниченную устойчивость к коротким запросам из-за ограниченного объёма данных для генерации изображений; поддержка инструкций на других языках не заявлена.

Карточка модели Zillis/Qwen-Image на Hugging Face совпадает с карточкой Qwen/Qwen-Image, поэтому описание составлено по ней. 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.

molbal/Qwen-Image-2.1-GGUF — GGUF-версия модели Qwen Image 2.1, разработанной командой Qwen и адаптированной molbal для использования в ComfyUI. Базовая модель представляет собой diffusion transformer для генерации изображений по текстовому описанию и редактирования изображений с поддержкой референсных изображений через ComfyUI. Модель принимает текстовый prompt и, опционально, исходное изображение для редактирования или визуального обусловливания. Результатом является изображение в формате RGBA, включая поддержку прозрачности. Для текстового кодирования используется Qwen3-VL 8B. Доступны варианты GGML-квантизации Q4_0 и Q8, а также вариант Q8_CR с нативным INT8 ConvRot; Q4_CR обозначен как находящийся в разработке. Модель предназначена для запуска через узлы GGUF Loader из пакета comfyui-gguf-reboot и требует размещения совместимых компонентов Qwen Image 2.1, текстового энкодера Qwen3-VL 8B и VAE в каталогах ComfyUI. К сильным сторонам относятся поддержка генерации и редактирования изображений, референсных изображений, прозрачности и нескольких уровней квантизации. В README не указаны поддерживаемые языки, размер контекста, точные требования к памяти и производительность, поэтому эти характеристики нельзя определить по имеющимся данным. Лицензия указана как qwen-research; подробные условия приведены в лицензии Qwen Image 2.1.

Это 4-битная NF4-квантизованная версия Qwen-Image-Edit-2511, опубликованная seochan99 и предназначенная для редактирования изображений по текстовым инструкциям. Модель работает через библиотеку Diffusers и использует формат BitsAndBytes NF4 с вычислениями в bfloat16; квантизованы text encoder и transformer. По данным карточки, потребление видеопамяти составляет около 17 ГБ против примерно 40 ГБ у исходной версии BF16. Модель поддерживает редактирование одного или нескольких изображений, объединение изображений в общую сцену, перенос стиля и сохранение согласованности персонажей. Карточка сообщает о тестировании на NVIDIA RTX 4090. Лицензия репозитория — Apache-2.0.

Это версия Qwen/Qwen-Image-Edit-2511, подготовленная для работы с Hugging Face Diffusers и квантованная до NF4, 4 бит. Разработчик репозитория — milan33; исходная модель создана командой Qwen. Модель принимает изображение и текстовую инструкцию и предназначена для редактирования изображения по запросу, включая сценарии image-to-image и inpainting. Модель совместима с конвейером QwenImageEditPlusPipeline. Веса трансформерного компонента хранятся в формате NF4 с двойной квантизацией, а вычисления выполняются в BF16. Репозиторий распространяется по лицензии Apache 2.0, унаследованной от базовой модели. Архитектура, размер модели, контекст и поддерживаемые языки в предоставленных источниках не описаны.

calcuis/qwen-image-edit-plus-gguf — это GGUF-квантизированная версия модели Qwen/Qwen-Image-Edit-2509 для редактирования изображений по текстовым инструкциям. Модель предназначена для image-to-image сценариев: изменения объектов и деталей изображения, добавления элементов, замены или настройки фона, объединения содержимого нескольких изображений и работы с композициями из нескольких входных изображений. В зависимости от режима можно использовать до трёх изображений одновременно. Модель поддерживает текстовые и визуальные входные данные, однако сведения о точном размере основной модели, максимальном текстовом контексте и полном наборе языков в README не указаны. Доступны несколько GGUF-вариантов с разными схемами квантизации, включая IQ3_S, IQ4_NL и MXFP4_MOE, а также экспериментальные lite-варианты и интеграция с safetensors через Nunchaku. Lite LoRA может автоматически применяться для генерации за 4–8 шагов вместо стандартных 40, что сокращает время загрузки и инференса, но экспериментальные режимы могут быть менее стабильными. Модель можно запускать через gguf-connector, gguf-node в ComfyUI или обновлённую версию Diffusers; для работы требуются совместимые текстовые энкодеры, VAE и соответствующее аппаратное обеспечение. README не приводит результаты бенчмарков и не описывает ограничения качества, поэтому стабильность и производительность зависят от выбранного варианта, режима запуска и устройства. Распространение указано по лицензии Apache-2.0.

timm/resnet101_clip.yfcc15m — модель CLIP, опубликованная в экосистеме timm и доступная через open_clip. Это двухкомпонентная модель с визуальным энкодером ResNet-101 и текстовым энкодером, обученная на наборе YFCC-15M. В OpenCLIP она обозначена как RN101-quickgelu. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными текстовыми метками или описаниями без отдельного обучения на этих классах. Её можно применять для поиска изображений по тексту и категоризации изображений с пользовательским набором меток. Модель принимает изображения и текстовые описания, а выдаёт оценки соответствия между ними. Репозиторий содержит веса в форматах PyTorch и safetensors; для работы используются open_clip или timm. Лицензия — MIT.

Карточка модели MonsterMMORPG/SeedVR2_SECourses на Hugging Face совпадает с карточкой RedbeardNZ/SeedVR2_comfyUI, поэтому описание составлено по ней. RedbeardNZ выпустил сборку SeedVR2 для использования в ComfyUI. Она предназначена для повышения разрешения и восстановления качества видео и изображений с помощью моделей SeedVR2; для видео README приводит примеры увеличения разрешения до 1080p и выше. В репозитории указаны варианты SeedVR2 на 3B и 7B параметров, а метаданные связывают модель с ByteDance-Seed/SeedVR2-3B и ByteDance-Seed/SeedVR2-7B. Формат файлов — safetensors, библиотека — diffusers, лицензия — Apache-2.0. Сборка ориентирована на узел ComfyUI и допускает обработку видео разной длительности при подборе настроек. README сообщает о высокой потребности в видеопамяти: для версии 3B автор приводит ориентир не менее 18 ГБ; скорость зависит от GPU. Отдельно отмечены возможные проблемы качества у варианта 7B FP8, для которого рекомендуется FP16.

Stable Diffusion v1.5 Inpainting — переупакованная версия модели Stable Diffusion для генерации и редактирования изображений по текстовым запросам с использованием маски. Разработана Робином Ромбахом и Патриком Эссером; репозиторий содержит веса в формате Diffusers, PyTorch и safetensors и предназначен для работы с библиотекой Diffusers. Модель основана на латентной диффузионной архитектуре с текстовым энкодером CLIP ViT-L/14. Она принимает текстовый запрос и изображение с маской, чтобы перерисовать выбранную область, а также поддерживает генерацию изображения по тексту. Версия для инпейнтинга обучалась на разрешении 512×512; основной язык запросов — английский. Модель подходит для художественных и дизайнерских задач, творческих инструментов и исследований генеративных моделей. К ограничениям относятся несовершенный фотореализм, трудности с читаемым текстом, сложными композициями и корректным изображением лиц; качество запросов на других языках ниже. Данные обучения содержали материалы для взрослых, а модель может воспроизводить предвзятости и запоминать изображения. Лицензия CreativeML OpenRAIL-M разрешает распространение и производные работы при соблюдении её условий и ограничений на использование.