I.8Изображения и компьютерное зрение

Step1X-Edit-v1p2 — модель редактирования изображений по текстовым инструкциям, выпущенная командой StepFun и также называемая ReasonEdit-S в статье. Она сочетает мультимодальную языковую модель с циклом «обдумывание — редактирование — проверка»: сначала интерпретирует запрос с опорой на знания о мире, затем оценивает результат, исправляет нежелательные изменения и определяет, когда остановиться. Модель предназначена для инструкционного редактирования изображений, включая запросы, требующие понимания абстрактных формулировок. Авторы сообщают об улучшении результатов на KRIS-Bench и GEdit-Bench. Для запуска README приводит проверенную версию Transformers 4.55.0; репозиторий использует Diffusers и формат safetensors. Поддерживаются английский и китайский языки. Лицензия — Apache-2.0.

Step1X-Edit-v1p2-preview — предварительная версия модели редактирования изображений от StepFun. Она принимает изображение и инструкцию пользователя, разбирает запрос с помощью мультимодальной языковой модели и формирует токены редактирования, которые преобразуются в изображение сетью на основе DiT. Версия v1p2 добавляет рассуждение при редактировании и reflective correction для более точного выполнения сложных инструкций. Модель предназначена для редактирования изображений по текстовым инструкциям, включая сценарии с несколькими этапами или требованиями. В README приведены результаты сравнений на KRIS-Bench и GEdit-Bench; авторы сообщают об улучшении качества редактирования и следования инструкциям относительно предыдущих версий. Репозиторий использует Diffusers и формат Safetensors, лицензия — Apache-2.0. README называет версию предварительной, а технический отчёт для неё обещан позднее.

TextFlux — модель на архитектуре Diffusion Transformer (DiT), разработанная для создания реалистичных надписей внутри изображений и сцен. Она дообучена на основе black-forest-labs/FLUX.1-Fill-dev и использует прямое пространственное объединение изображения сцены с визуальными образцами глифов, поэтому для синтеза текста не требуется OCR-энкодер. Модель предназначена для генерации многоязычных надписей, согласованных с контекстом и стилем сцены, в том числе для языков с ограниченными данными. В README заявлены полновесная версия и веса LoRA, а также демо с режимами для готовых входов и пользовательских сцен с масками. Для работы нужны код модели и зависимости на базе PyTorch и Diffusers версии 0.32.1 или новее. Репозиторий распространяется по лицензии CC BY-NC 2.0, которая ограничивает коммерческое использование.

TIPSv2-B/14 — контрастивная модель «изображение–текст» семейства TIPSv2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Модель создаёт пространственно насыщенные признаки изображений и согласованные с ними текстовые эмбеддинги. Вариант B/14 содержит 86 млн параметров визуального кодировщика и 110 млн параметров текстового кодировщика; общий размер — около 196 млн параметров. Архитектура включает 12-слойный визуальный энкодер ViT и 12-слойный текстовый Transformer, размерность эмбеддингов — 768. Изображения можно подавать в произвольном разрешении после преобразования значений пикселей в диапазон [0, 1]; текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель подходит для поиска и классификации изображений по текстовым меткам, а пространственные признаки также могут использоваться в сценариях сегментации. Поддержка русского языка в README и метаданных не подтверждена. Модель доступна под лицензией Apache-2.0. Для результатов классификации важно заранее подобрать подходящие текстовые описания классов; README не приводит количественных оценок качества или конкретных ограничений применимости.

Карточка модели hooria-laiba/TI_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.

Карточка модели john-syin/ViT-B-16-SigLIP-i18n-256 на Hugging Face совпадает с карточкой timm/ViT-B-16-SigLIP-i18n-256, поэтому описание составлено по ней. 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 вариант CLIP с визуальным энкодером ViT-H/14, обученный на наборе данных MetaCLIP-2.5B. Модель разработана для использования с библиотеками open_clip и timm; в OpenCLIP она называется ViT-H-14-quickgelu, а в timm — vit_huge_patch14_clip_224.metaclip_2pt5b. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по произвольным текстовым меткам без отдельного обучения на этих классах. Её можно применять для поиска изображений по тексту и быстрой категоризации визуального содержимого. Репозиторий содержит веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческого характера.

ViT-SO400M-14-SigLIP-384 — контрастивная модель сопоставления изображений и текста семейства SigLIP, обученная на наборе WebLI. Исходные веса созданы в JAX в проекте Big Vision и преобразованы в PyTorch; разработчик конвертированной версии в репозитории — timm. Модель доступна в форматах PyTorch и safetensors и предназначена для работы через OpenCLIP с изображениями и текстом либо через timm для получения эмбеддингов изображений. Основной сценарий — классификация изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов словами, а модель оценивает соответствие изображения каждому варианту. Контрастивное обучение связывает визуальные и текстовые представления, что также позволяет использовать модель для получения эмбеддингов изображений. В карточке указана лицензия Apache-2.0. Размер модели, длина контекста и поддерживаемые языки в предоставленных источниках не указаны.

AltCLIP-m9 — мультиязычная модель сопоставления изображений и текста, разработанная командой FlagAI. Она заменяет языковой энкодер CLIP на энкодер с расширенной поддержкой языков и предназначена для оценки соответствия текста изображению, zero-shot-классификации изображений и использования в качестве текстового энкодера для AltDiffusion-m9. Обучение включало дистилляцию на параллельных текстовых корпусах и последующее мультиязычное контрастивное обучение на парах изображение–текст. Модель поддерживает китайский, английский, испанский, французский, русский, японский, корейский, арабский и итальянский языки. Метаданные относят её к семейству AltCLIP и указывают формат PyTorch. Лицензия — CreativeML OpenRAIL-M. Хотя в метаданных указан тег text-to-image, README описывает сопоставление изображений и текста и применение в качестве компонента AltDiffusion; самостоятельная генерация изображений для этой модели не подтверждена.

Chinese-CLIP ViT-H/14 — модель сопоставления изображений и текста, разработанная OFA-Sys. Она использует ViT-H/14 как визуальный энкодер и RoBERTa-wwm-large как текстовый энкодер; модель обучена на крупном наборе примерно из 200 млн китайских пар «изображение—текст». Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, вычисления эмбеддингов изображений и текста, оценки их сходства и поиска изображений по текстовому запросу. Модель подходит для китайскоязычного поиска по изображениям и классификации с произвольными текстовыми метками. В карточке также приведены результаты для задач поиска по тексту на MUGE, Flickr30K-CN и COCO-CN. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Chinese-CLIP ViT-L/14 — крупная версия модели OFA-Sys, построенная по принципу CLIP для сопоставления изображений и китайского текста. Она использует визуальный энкодер ViT-L/14 и текстовый энкодер RoBERTa-wwm-base; обучение проводилось на наборе примерно из 200 миллионов китайских пар «изображение — текст». Модель распространяется в формате PyTorch. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на новых классах, а также для вычисления эмбеддингов изображений и текста и оценки их сходства. Эти возможности подходят для поиска изображений по китайскому запросу и поиска текста по изображению. В карточке приведены результаты на наборах MUGE, Flickr30K-CN и COCO-CN, а также для zero-shot-классификации. Модель ориентирована на китайский язык и визуально-текстовые задачи. Лицензия в предоставленных данных не указана.

Это мультимодальная модель CLIP ViT-B/32, обученная Mehdi Cherti с помощью OpenCLIP на датасете DataComp-1B. Она сопоставляет изображения и текст и предназначена для классификации изображений по произвольным текстовым меткам без дообучения, поиска изображений по тексту и поиска текстов по изображению. Модель использует визуальный энкодер ViT-B/32 и входное разрешение 256×256 пикселей. В тестах на наборе из 38 датасетов модель показала точность 72,7% zero-shot top-1 на ImageNet-1k, а на COCO captions — recall@5 64,4% для поиска изображений и 80,7% для поиска текстов. Доступны веса PyTorch и safetensors; лицензия — MIT. Карточка рекомендует исследовательское применение и предостерегает от развёртывания без тщательной проверки на конкретной задаче и фиксированном наборе классов: качество зависит от формулировок и таксономии меток. Распознавание лиц и наблюдение указаны как недопустимые сценарии; модель может наследовать смещения и риски из неотфильтрованных данных обучения.

Clover Image Tiny Inpaint HQ — модель редактирования изображений по маске от neonforestmist. Она предназначена для локального инпейнтинга: получает исходное изображение, маску и текстовый запрос, затем перерисовывает выбранную область, стараясь сохранить остальную часть изображения. Белая область маски задаёт область перерисовки, чёрная — область сохранения. Модель использует денойзер для инпейнтинга Stable Diffusion 1.5 вместе с текстовым энкодером, токенизатором, VAE и планировщиком Clover Image Tiny. Для оценки на 24 отложенных правках InpaintCOCO она показала более высокое соответствие запроса маски и меньшую ошибку целевого изображения, чем предыдущая версия Clover Inpaint; в этой же оценке эталонный Stable Diffusion 1.5 inpainting превзошёл её по обеим метрикам. Модель работает с изображениями и текстом, а для запуска доступна через Diffusers; ресурсы Core ML опубликованы отдельно. Модель подходит для локального редактирования отдельных областей изображений по текстовому запросу. Мелкий текст, кисти рук, лица, точные логотипы и маски меньше разрешения латентного представления могут обрабатываться неудовлетворительно; результат также зависит от исходного изображения, маски и параметров генерации. Лицензия — CreativeML OpenRAIL-M; действуют лицензионные обязательства базовых компонентов Clover Image Tiny и Stable Diffusion 1.5 Inpainting.

DeepGen 1.0 — компактная мультимодальная модель для генерации и редактирования изображений, представленная в формате Diffusers. По README, модель объединяет визуально-языковой компонент на 3 млрд параметров и диффузионный трансформер DiT на 2 млрд параметров, всего около 5 млрд параметров. Она предназначена для генерации изображений по тексту, обычного и основанного на рассуждениях редактирования и генерации, а также рендеринга текста внутри изображений. В README заявлена конкурентоспособность с более крупными унифицированными мультимодальными моделями на ряде бенчмарков. Карточка описывает версию весов в формате Diffusers и safetensors с отдельным скриптом pipeline. Метаданные указывают дообучение Qwen/Qwen2.5-VL-3B-Instruct на наборе Alex11556666/Reason_Tuning. Модель выпущена под лицензией Apache 2.0. Длина контекста и языки в источниках не приведены.

Apple DFN5B-CLIP-ViT-H-14 — контрастивная модель CLIP, обученная на наборе DFN-5B и опубликованная Apple. Она сопоставляет изображения и текст в общем пространстве представлений, поэтому подходит для классификации изображений без дополнительного обучения по текстовым описаниям классов и для поиска изображений по тексту. Модель обучали на 5 млрд изображений, отфильтрованных из 43 млрд пар изображение–текст; в обучении было обработано 39 млрд примеров. В карточке приведены результаты на ImageNet-1k, Caltech-101 и CIFAR-10. Это плотная модель архитектуры CLIP с визуальным энкодером ViT-H/14. Веса переведены из исходных контрольных точек JAX в PyTorch и напрямую применимы через OpenCLIP для обработки изображений и текста. Лицензия — Apple AMLR.

parlance/dreamlike-diffusion-1.0-inpainting — модель для редактирования изображений с помощью диффузионной генерации. Согласно карточке, она создана смешиванием dreamlike-art/dreamlike-diffusion-1.0 и runwayML/stable-diffusion-v1-5-inpainting и предназначена для заполнения или изменения областей изображения по текстовому описанию. Метаданные указывают задачу image-to-image и поддержку StableDiffusionInpaintPipeline; модель поставляется в форматах Diffusers и PyTorch. Карточка не приводит подробностей о качестве, рекомендуемых настройках или лицензии смешанной модели; в метаданных указана лицензия other. Исходная карточка dreamlike-art/dreamlike-diffusion-1.0 предложена для ознакомления, но её содержание здесь не предоставлено.

FASHN Human Parser — модель семантической сегментации изображений людей, разработанная FASHN AI и дообученная на базе SegFormer-B4 с энкодером MiT-B4 и MLP-декодером. Она размечает изображение 18 классами: фоном, частями тела, одеждой и аксессуарами. Базовая модель — nvidia/mit-b4. Модель предназначена для анализа модных изображений, виртуальной примерки и понимания областей тела и одежды. На вход подаётся изображение, изменяемое до размера 384 × 576 пикселей; на выходе получается маска семантической сегментации с 18 классами. Обучение проводилось на собственном размеченном наборе данных FASHN AI. Модель ориентирована на английский язык в метаданных, но её задача не требует текстового ввода или вывода. Лучше всего модель работает с одним хорошо различимым человеком на модных или коммерческих фотографиях. Мелкие фигуры могут терять детали при изменении размера. Лицензия указана как other; конкретные условия использования следует проверять в репозитории модели.

FireRed-Image-Edit-1.1_ComfyUI_Quants — набор квантованных весов FireRedTeam для редактирования изображений по текстовым инструкциям, подготовленный для работы с ComfyUI и библиотекой Diffusers. В репозитории представлены варианты FP8 E4M3FN, scaled FP8 E4M3FN и NVFP4 в формате Safetensors; базовая модель — FireRedTeam/FireRed-Image-Edit-1.1. Модель предназначена для правок изображений с сохранением узнаваемости людей и персонажей, объединения элементов из нескольких изображений, ретуши и макияжа портретов, восстановления старых фотографий и работы с изображениями, содержащими стилизованный текст. README также описывает агентный сценарий обработки нескольких изображений и поддержку пользовательского обучения LoRA базовой модели. Карточка сообщает о поддержке ComfyUI и оптимизированных квантованных вариантов, но не приводит точное число параметров или длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Качество и скорость работы зависят от выбранного варианта квантования и конфигурации оборудования; заявленные результаты производительности в README относятся к описанной там системе и сценарию.

Карточка модели NikolaSigmoid/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.

Kalaido-qwenedit-lora — адаптер LoRA для модели редактирования изображений Qwen-Image-Edit-2511, разработанный FractalAIResearch и обученный с применением reinforcement learning. Адаптер предназначен для image-to-image редактирования по текстовым инструкциям: добавления, удаления и замены объектов, изменения атрибутов и движения, переноса стиля, смены фона, извлечения объектов и выполнения комбинированных правок. Ключевые заявленные преимущества по сравнению с базовой моделью — лучшее сохранение неизменяемых областей изображения и более точное следование инструкциям. Модель реализуется как подключаемый LoRA-адаптер, поставляется в формате Safetensors и используется через библиотеку Diffusers с pipeline QwenImageEditPlusPipeline. В README не указаны число параметров, точная архитектура базовой модели, размер контекста или подробные сведения о поддерживаемых языках; в метаданных указан английский язык. Для работы необходима базовая модель Qwen-Image-Edit-2511 и совместимая версия Diffusers, а также вычислительная среда с CUDA в приведённом примере. Адаптер подходит для локального редактирования изображений, где важны сохранение фона и точное выполнение текстовых указаний. Ограничения включают зависимость от базовой модели и программного стека Diffusers; заявленные улучшения относятся к общему редактированию, а приведённые результаты основаны на бенчмарке ImgEdit. Лицензия — Apache-2.0.

LLM2CLIP-Openai-B-16 — модель семейства CLIP, опубликованная Microsoft и исследователями из Tongji University. Это визуальный бэкбон для сопоставления изображений и текста: модель преобразует изображения и текстовые описания в эмбеддинги, которые можно использовать для поиска и классификации без отдельного обучения на каждом наборе классов. Подход LLM2CLIP переносит языковые возможности большой языковой модели в текстовые представления CLIP с помощью контрастивного обучения и использует её как учителя для визуального энкодера. В README описаны улучшения поиска по коротким и длинным текстам, а также многоязычного поиска. Модель подходит для поиска изображений по текстовому запросу и zero-shot-классификации изображений по заданным текстовым меткам. В качестве обучающих данных использовались CC3M, CC12M, YFCC15M и подмножество Recap-DataComp-1B. Репозиторий содержит веса safetensors и лицензирован по Apache-2.0. Авторы предупреждают, что результаты статьи получены на PyTorch-весах и производительность версии Hugging Face может отличаться.

Карточка модели natalie5/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.

Ming-flash-omni 2.0 — мультимодальная модель семейства Ling-2.0 от InclusionAI с архитектурой Mixture-of-Experts: 100 млрд параметров суммарно и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио; в метаданных также заявлен интерфейс для вызова инструментов. Модель предназначена для диалога и задач, где нужно переключаться между модальностями: анализа изображений и видео, распознавания речи, синтеза речи и музыки, генерации и редактирования изображений. В README отдельно отмечены распознавание растений, животных и культурных объектов, клонирование голоса с нулевым примером и управление характеристиками звучания, а также удаление объектов и композиция сцен. В README заявлены потоковый видеодиалог, распознавание речи, включая диалектную речь, и генерация изображений с управлением. Метаданные указывают английский язык. Модель опубликована по лицензии MIT. Заявления о лидерстве в бенчмарках и качестве приведены авторами модели; независимые результаты в предоставленных данных отсутствуют.

laion/mscoco_finetuned_CoCa-ViT-L-14-laion2B-s13B-b90k — модель LAION, основанная на архитектуре CoCa с визуальным энкодером ViT-L/14 и дообученная на MS COCO. Она предназначена для создания текстовых описаний изображений, а также может использоваться для классификации изображений без дообучения по текстовым меткам. Конфигурация задаёт размер изображения 224 пикселя и длину текстового контекста 76 токенов; модель доступна в формате safetensors и используется через OpenCLIP. Вход — изображение, выход — текст или представления для сопоставления изображений и текста. Карточка не уточняет языковой охват и ограничения качества. Лицензия — MIT.

nomic-embed-vision-v1 — модель эмбеддингов изображений от Nomic AI. Она преобразует изображения в векторы в общем пространстве с nomic-embed-text-v1, что позволяет сопоставлять изображения и текст по смыслу. Модель предназначена для поиска изображений по текстовому запросу и других сценариев мультимодального поиска и извлечения признаков. В README приведены результаты на ImageNet zero-shot и Datacomp; указана совместимость с библиотекой Transformers. Репозиторий содержит веса в форматах Safetensors и ONNX. Для текстовых запросов в мультимодальном поиске README рекомендует добавлять префикс «search_query: ». Модель принимает изображения и выдаёт векторы признаков. Репозиторий лицензирован по Apache-2.0.

nunchaku-qwen-image-edit — квантизированная версия модели Qwen-Image-Edit, разработанная командой Nunchaku на базе Qwen-Image. Это модель image-to-image для редактирования изображений по текстовым инструкциям; исходная модель также ориентирована на сложный рендеринг текста. В карточке указана поддержка английского языка, однако полный перечень языков, размер модели, архитектура и длина контекста не приведены. Модель оптимизирована для эффективного вывода при минимальной потере качества. Доступны варианты INT4 для видеокарт до серии NVIDIA 50 и NVFP4 для видеокарт Blackwell серии 50. Вариант с рангом r32 обеспечивает более быстрый вывод, а r128 ориентирован на лучшее качество за счёт снижения скорости. Также представлены дистиллированные версии, рассчитанные на генерацию за 4 или 8 шагов, с использованием соответствующих LoRA-адаптеров Qwen-Image-Edit-Lightning. Ограничения модели связаны с отсутствием в карточке подробных требований к оборудованию, характеристик качества, ограничений по разрешению и инструкций по применению. Модель распространяется по лицензии Apache-2.0.

PaliGemma 2 28B Mix 224 — разработанная Google мультимодальная модель на основе Gemma 2 и визуального энкодера SigLIP. Она принимает изображение и текст, а в ответ генерирует текст; вариант Mix поддерживает набор задач компьютерного зрения и языка, а разрешение изображений составляет 224 пикселя. Модель предназначена прежде всего для дообучения под задачи, связанные с изображениями: создания подписей, визуальных ответов на вопросы, распознавания текста, обнаружения и сегментации объектов. Также её можно адаптировать для анализа коротких видео, дистанционного зондирования, описания интерфейсов и других специализированных сценариев. Модель поддерживает несколько языков. Для надёжной работы нужны чёткие инструкции; это не многоходовый чат-бот, а качество без дообучения для общих задач может уступать специализированным моделям. Возможны фактические ошибки, проблемы с тонкими языковыми нюансами и предвзятые ответы. Лицензия Gemma; использование регулируется условиями и политикой допустимого использования Gemma.

Qwen-Image-ControlNet-Union — объединённый ControlNet от InstantX для управления генерацией и редактированием изображений на базе Qwen-Image. Модель принимает изображение с картой управления и текстовое описание, поддерживая четыре типа условий: контуры Canny, мягкие границы, глубину и позу. Она интегрируется с Diffusers и ComfyUI. ControlNet обучен с нуля в течение 50 тысяч шагов на 10 миллионах качественных изображений общего содержания и изображений людей. В архитектуре используются пять двойных блоков из предварительно обученного трансформера; обучение проводилось при разрешении 1328×1328 в BF16. Для управления силой условия предусмотрен параметр controlnet_conditioning_scale. Модель подходит для создания изображений по тексту с сохранением заданных контуров, глубины или позы, а также для редактирования изображений с таким контролем. В README отмечено, что без явного указания текста в промпте некоторые детали, например мелкий текст, могут сохраняться хуже. Лицензия — Apache-2.0.

Это конвертированная в формат Diffusers и оптимизированная версия модели Qwen-Image-Edit-2509 от Qwen. Она предназначена для редактирования изображений по текстовым инструкциям и исходному изображению. В трансформере используется квантизация Nunchaku Lite SVDQ INT4 с группой 64 и рангом 32; текстовый энкодер загружается в 4-битном формате BitsAndBytes NF4. В чекпойнт слита Lightning LoRA для генерации за четыре шага, а конфигурация планировщика рассчитана на режимы Lightning в 4 или 8 шагов. В README приведён замер генерации за четыре шага для изображения 1248×832: средняя задержка составила 12,60 секунды, пиковое выделение памяти CUDA — 21,21 ГиБ. Эти показатели относятся к описанным условиям замера и могут отличаться на другом оборудовании. Модель поставляется как Diffusers-конверсия; сведения о лицензии, поддерживаемых языках и ограничениях использования в предоставленных данных отсутствуют.

Это конвертированная версия Qwen Image Edit 2509, подготовленная проектом lite-infer для загрузки через Diffusers Nunchaku Lite. Она предназначена для редактирования изображений по текстовому запросу и входному изображению. Трансформер использует квантизацию Nunchaku Lite SVDQ INT4 с группой 64 и рангом 32; текстовый энкодер сохранён в BitsAndBytes 4-bit NF4 с вычислениями в bfloat16. В README указано пиковое выделение 21,20 ГиБ видеопамяти в приведённом тесте генерации с входным изображением 1248×832 и 40 шагами. Лицензия в доступных данных не указана.