I.8Изображения и компьютерное зрение

Карточка модели shanghen/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 wolf1280/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.

Qwen-Image-Edit-2511-GGUF — это квантованные версии модели Qwen-Image-Edit-2511, разработанной командой Qwen. Модель предназначена для редактирования изображений по входному изображению и текстовым инструкциям, включая творческие преобразования портретов, сохранение внешности персонажей, объединение нескольких людей в одну сцену, изменение освещения и ракурса, а также задачи промышленного дизайна. Ключевые улучшения относительно Qwen-Image-Edit-2509 включают уменьшение дрейфа изображения, более высокую согласованность персонажей, в том числе на групповых фотографиях, встроенную поддержку эффектов популярных LoRA, улучшенную генерацию промышленных объектов и усиленное геометрическое рассуждение. Последнее позволяет, например, создавать вспомогательные конструктивные линии для проектирования и аннотирования. Модель работает с изображениями и текстовыми инструкциями; в карточке указаны языки en и zh, библиотека diffusers и pipeline image-to-image. Архитектура, число параметров и размер контекста не указаны. Эта версия распространяется в формате GGUF, что связано с квантованием и может быть удобно для локального запуска при ограниченных ресурсах, однако конкретные варианты квантования и требования к оборудованию в карточке не приведены. Ограничения по качеству, безопасности и поддерживаемым разрешениям также не описаны. Модель распространяется по лицензии Apache 2.0.

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.

SDXL InstructPix2Pix — модель редактирования изображений по текстовым инструкциям, созданная на основе Stable Diffusion XL с помощью дообучения по методике InstructPix2Pix. Она предназначена для преобразования загруженного изображения по запросу: например, изменения погоды, художественного стиля или возраста человека. Обучение выполнено на разрешении 768×768 в течение 15 000 шагов на наборе timbrooks/instructpix2pix-clip-filtered. Модель распространяется в формате Diffusers и Safetensors и использует базовую модель stabilityai/stable-diffusion-xl-base-1.0. Для работы требуются изображение и текстовая инструкция; результатом служит отредактированное изображение. Лицензия — OpenRAIL++.

SegFormer-B3-Fashion — модель семантической сегментации изображений, разработанная на основе nvidia/mit-b3 и дообученная автором репозитория на наборе sayeed99/fashion_segmentation. Она предназначена для выделения одежды и модных аксессуаров на изображении с присвоением пикселям классов из 47 категорий, включая типы одежды, обувь, сумки и детали вроде рукавов, воротника и молнии. Модель использует архитектуру SegFormer и распространяется в форматах PyTorch и safetensors. Модель подходит для анализа предметов одежды на фотографиях, разметки изображений для каталогов и исследования сегментации в fashion-сценариях. Обучение проводилось на исходных размерах изображений без изменения размера. Карточка указывает лицензию «other», но не приводит её конкретных условий. Оценки качества, поддерживаемые языки или ограничения по размеру входного изображения в карточке не описаны.

1038lab/segformer_clothes — модель семантической сегментации изображений на архитектуре SegFormer, опубликованная 1038lab. Она предназначена для выделения областей одежды на изображениях, например для разбора одежды на отдельные сегменты в приложениях обработки изображений и моды. Модель содержит 47,2 млн параметров; веса опубликованы в формате Safetensors и типе F32. Карточка Hugging Face не содержит описания модели. Доступные сведения подтверждают задачу сегментации одежды, но не уточняют набор классов, данные обучения или поддерживаемое разрешение изображений. Лицензия в доступных данных не указана.

SenseNova-U1.5-8B-MoT-8step-8bit — вариант модели SenseNova от SenseTime, подготовленный сообществом mlx-community для Apple Silicon и MLX. В основе лежит SenseNova-U1.5-8B-MoT: мультимодальная архитектура NEO-unify Mixture-of-Transformers, объединяющая генерацию изображений по тексту, редактирование изображений и ответы на вопросы об изображениях. Модель использует генерацию в пространстве пикселей на основе rectified flow без VAE; заявлено 8 млрд параметров в названии модели. Артефакт включает дистиллированный 8-шаговый LoRA, объединённый с потоком генерации, и 8-битную квантизацию с группами по 64 значения. Для запуска требуется runtime sensenova-u1-swift на MLX-Swift. README приводит результаты на M5 Max: генерация изображения 1024×1024 за 3,8 секунды и 2048×2048 за 19,5 секунды. Модель предназначена для генерации и инструкционного редактирования изображений, а также визуальных вопросов и ответов; режим рассуждения доступен только базовым вариантам. Лицензия — Apache-2.0. Характеристики скорости относятся к указанной конфигурации M5 Max, а для запуска необходим совместимый MLX runtime; README не приводит оценок качества на независимых наборах данных.

zeromodels выпускает преобразованную в Keras 3 версию Google SigLIP 2 Base Patch16 384 для классификации изображений по текстовым описаниям без дополнительного обучения. Модель сопоставляет изображения и текстовые метки или запросы; при выводе ей передают изображения и текстовые подсказки. Реализация работает с TensorFlow, PyTorch и JAX. SigLIP 2 — мультиязычный vision-language энкодер с архитектурой ViT и размером Base; вариант использует патчи 16 × 16 и разрешение изображения 384 пикселя. В основе обучения — sigmoid loss, предобучение на подписях, самодистилляция и masked prediction. Gemma-токенизатор с мультиязычным словарём поддерживает множество языков. Лицензия — Apache 2.0.

zeromodels/siglip2_so400m_p16_256 — конверсия Google SigLIP 2 в формат Keras 3, подготовленная для zeromodels. Это мультимодальная модель для классификации изображений по текстовым запросам: при инференсе ей передают изображения и текстовые подсказки с вариантами классов, а она оценивает их соответствие. Реализация работает с TensorFlow, PyTorch и JAX. Модель основана на google/siglip2-so400m-patch16-256 и использует визуально-языковой подход SigLIP 2. В README отмечены предобучение с подписями, самодистилляция и masked prediction, направленные на улучшение семантического понимания и визуальных признаков. Токенизатор использует мультиязычный словарь Gemma на 256 тысяч токенов; точный перечень поддерживаемых языков не приводится. Модель подходит для классификации без обучения на конкретных метках и сопоставления изображений с текстовыми описаниями. Репозиторий распространяется по лицензии Apache 2.0. Для загрузки рекомендуется соответствующий варианту процессор, чтобы согласовать размер изображений и токенизатор.

Карточка модели booksforcharlie/stable-diffusion-inpainting на Hugging Face совпадает с карточкой botp/stable-diffusion-v1-5-inpainting, поэтому описание составлено по ней. Stable Diffusion v1.5 Inpainting — латентная диффузионная модель генерации и редактирования изображений, разработанная Робином Ромбахом и Патриком Эссером и опубликованная в формате Diffusers. Она создаёт изображения по текстовому запросу и позволяет перерисовывать выбранные области исходного изображения по маске. Для inpainting к входу UNet добавлены каналы закодированного изображения с маской и самой маски; текст кодируется предварительно обученным CLIP ViT-L/14. Модель основана на весах Stable Diffusion v1.2 и дообучена для inpainting на разрешении 512×512. Модель подходит для творческого редактирования изображений, замены или заполнения областей по описанию, а также экспериментов с генеративными моделями. Основной язык запросов — английский. Качество фотореализма и изображений людей не гарантировано; модель плохо отображает читаемый текст и сложные пространственные отношения, а результаты на неанглийских запросах обычно хуже. Обучающие данные содержат взрослый контент, модель может воспроизводить смещения и запоминать изображения. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование.

Stable Diffusion v1.5 Inpainting — латентная диффузионная модель генерации и редактирования изображений, разработанная Робином Ромбахом и Патриком Эссером и опубликованная в формате Diffusers. Она создаёт изображения по текстовому запросу и позволяет перерисовывать выбранные области исходного изображения по маске. Для inpainting к входу UNet добавлены каналы закодированного изображения с маской и самой маски; текст кодируется предварительно обученным CLIP ViT-L/14. Модель основана на весах Stable Diffusion v1.2 и дообучена для inpainting на разрешении 512×512. Модель подходит для творческого редактирования изображений, замены или заполнения областей по описанию, а также экспериментов с генеративными моделями. Основной язык запросов — английский. Качество фотореализма и изображений людей не гарантировано; модель плохо отображает читаемый текст и сложные пространственные отношения, а результаты на неанглийских запросах обычно хуже. Обучающие данные содержат взрослый контент, модель может воспроизводить смещения и запоминать изображения. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование.

Карточка модели Aitrepreneur/text-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.

Это визуальный энкодер из семейства CLIP, обученный на датасете MetaCLIP-400M и опубликованный в формате, совместимом с open_clip и timm. В open_clip модель называется ViT-L-14-quickgelu, а в timm — vit_large_patch14_clip_224.metaclip_400m. Архитектура объединяет визуальную часть на основе Vision Transformer с текстовым энкодером CLIP и предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: модель сопоставляет изображение с предложенными вариантами текста. Подходит для прототипирования классификаторов с произвольными текстовыми метками, поиска изображений по описанию и оценки соответствия изображения подписи. Репозиторий содержит веса PyTorch в формате safetensors и поддерживает работу через open_clip и timm. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

Uminosachi/deliberate_v3-inpainting — модель для дорисовки и изменения областей изображения по текстовому запросу. README указывает, что это конверсия deliberate_v3-inpainting; репозиторий использует Diffusers и формат safetensors, а задача в метаданных обозначена как text-to-image. Модель рассчитана на сценарии inpainting, где нужно заполнить или заменить часть изображения, сохраняя остальную композицию. Модель распространяется по лицензии CreativeML Open RAIL-M. Сведения о размере, контексте и поддерживаемых языках в предоставленных источниках отсутствуют; для описания доступного сценария указаны только текстовый ввод и генерация изображения.

FARE CLIP ViT-L/14 — модель для классификации изображений по текстовым описаниям с нулевым обучением. Она создана методом безучительного состязательного дообучения модели OpenAI CLIP на ImageNet с ограничением возмущения по норме бесконечности радиусом 2/255. Модель использует архитектуру CLIP ViT-L/14 и доступна в формате PyTorch через библиотеку open_clip; лицензия — MIT. Модель сопоставляет изображение с текстовыми метками или описаниями и позволяет выбирать наиболее подходящий вариант без обучения отдельного классификатора на целевых классах. README не сообщает о языковом составе текстового энкодера и о длине контекста, поэтому эти характеристики не указываются.

Карточка модели fuliucansheng/FLUX.1-Kontext-dev-diffusers 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.

bullerwins/FLUX.1-Kontext-dev-GGUF — это GGUF-версия модели FLUX.1 Kontext [dev], разработанной Black Forest Labs и подготовленной с использованием city96/ComfyUI-GGUF. Модель предназначена для редактирования изображений по текстовым инструкциям и относится к классу image-to-image. Она позволяет изменять существующие изображения, сохраняя персонажей, стиль и объекты без дополнительного дообучения, а также выполнять последовательные правки с минимальным визуальным дрейфом. Модель построена как rectified flow transformer с 12 миллиардами параметров. В README указана поддержка английского языка; модель работает с изображениями и текстовыми инструкциями. Использование guidance distillation повышает эффективность инференса. Вариант доступен для интеграции с ComfyUI и Diffusers, а также может применяться в исследовательских и творческих рабочих процессах. К сильным сторонам относятся сохранение визуальной согласованности при итеративном редактировании, управление изменениями естественным языком и возможность использовать открытые веса для исследований и разработки. Ограничения включают отсутствие в предоставленных данных сведений о размере контекста, требованиях к памяти и производительности, а также то, что модель ориентирована прежде всего на редактирование изображений, а не описана как универсальная text-to-image-система. Лицензия FLUX.1 [dev] Non-Commercial License предусматривает некоммерческое использование; перед применением необходимо учитывать также Acceptable Use Policy.

unsloth/FLUX.1-Kontext-dev-GGUF — GGUF-версии модели FLUX.1 Kontext [dev], разработанной Black Forest Labs и преобразованной с использованием инструментов ComfyUI-GGUF и llama.cpp. Это модель на 12 миллиардов параметров с архитектурой rectified flow transformer, предназначенная прежде всего для редактирования изображений по текстовым инструкциям. Модель поддерживает изменение существующих изображений, а также сохранение и использование в качестве референсов персонажей, объектов и стиля без дополнительного дообучения. Она рассчитана на последовательное уточнение результата с минимальным визуальным дрейфом и использует guidance distillation для повышения эффективности. Поддерживается работа через ComfyUI-GGUF и Diffusers; файлы модели предназначены для размещения в каталоге ComfyUI/models/unet. В карточке указано, что заявлен английский язык; сведения о размере контекста и других языках отсутствуют. К сильным сторонам относятся редактирование изображений по инструкциям, согласованность между несколькими правками и открытые веса для исследований и творческих рабочих процессов. Ограничения, требования к аппаратному обеспечению и подробные характеристики GGUF-квантизаций в README не уточняются. Модель распространяется по лицензии FLUX.1 dev Non-Commercial License; при этом результаты разрешено использовать в личных, научных и коммерческих целях в соответствии с условиями этой лицензии.

FLUX.2 [dev] — модель Black Forest Labs с 32 млрд параметров на основе трансформера rectified flow. Она генерирует и редактирует изображения по текстовым инструкциям, в том числе с одной или несколькими референсными картинками, позволяя переносить в результат персонажей, объекты и стили без дообучения. Модель поддерживает сценарии text-to-image и image-to-image; в метаданных указаны библиотека Diffusers и форматы Diffusers и Safetensors. Модель обучена с guidance distillation для более эффективной генерации. Разработчик описывает её как открытую по весам модель для исследований и творческих рабочих процессов; README также сообщает о мерах безопасности, входных и выходных фильтрах и примере пиксельного водяного знака. Указанная в карточке лицензия — other; README уточняет, что для открытых весов действует FLUX.2 [dev] Non-Commercial License, а коммерческое использование регулируется отдельными условиями лицензии. Перед развёртыванием необходимо учитывать ограничения лицензии и требования к фильтрации или ручной проверке контента.

FLUX.2 [klein] 9B-KV — модель Black Forest Labs для генерации и редактирования изображений. Это оптимизированный вариант FLUX.2 [klein] 9B с кэшированием KV-пар изображений-референсов: они вычисляются на первом шаге денойзинга и повторно используются на следующих. По заявлению разработчика, такой подход ускоряет редактирование с несколькими референсами до 2,5 раза. Модель объединяет генерацию изображений по тексту и редактирование с несколькими изображениями-референсами. Это 9-миллиардная flow-модель с текстовым энкодером Qwen3 на 8 млрд параметров; чекпойнт дистиллирован до четырёх шагов инференса. Она предназначена, в частности, для интерактивного редактирования и создания вариантов на основе тех же референсов. Для работы требуется около 29 ГБ видеопамяти по данным карточки. Модель не предназначена для предоставления фактических сведений; соответствие промпту не гарантировано, а текст внутри изображений может искажаться. Результаты зависят от формулировки запроса, а модель может воспроизводить смещения обучающих данных. Лицензия допускает некоммерческое использование; необходимо соблюдать её условия и правила использования Black Forest Labs.

Это японская модель CLIP, разработанная компанией rinna Co., Ltd. Она предназначена для получения сопоставимых признаковых представлений изображений и японских текстов, чтобы использовать их для поиска и классификации изображений по текстовому описанию. Модель обучалась на наборе CC12M с подписями, переведёнными на японский язык. В архитектуре используется визуальный энкодер ViT-B/16 и 12-слойный BERT-энкодер текста; визуальный энкодер инициализирован из AugReg vit-base-patch16-224. Модель распространяется в форматах PyTorch и safetensors и доступна по лицензии Apache-2.0. В метаданных Hugging Face указаны задача feature-extraction и поддержка японского языка.

Japanese CLIP — контрастивная модель для сопоставления изображений и японского текста в общем пространстве эмбеддингов, разработанная Recruit Co., Ltd. Она использует визуальный энкодер CLIP-ViT-B-32 и текстовый энкодер Japanese RoBERTa-base и обучена на 128 млн пар изображений и текстов из японской части LAION2B-multi. Модель предназначена для поиска изображений по японскому запросу и текста по изображению, классификации изображений без дополнительного обучения по заданным текстовым меткам, а также извлечения признаков изображений и текста. Карточка описывает оценки на наборах для классификации и двунаправленного поиска изображение–текст; для ImageNet V2 и Food101 метки классов были переведены на японский. Модель ориентирована на японский язык и задачи сопоставления текста с изображениями. Лицензия — CC-BY-4.0; разработчик не гарантирует точность и полезность результатов и не несёт ответственности за ущерб, связанный с использованием модели.

Krea 2 AnyPaint — функциональный адаптер от yijunwang2 для базовой модели Krea/Krea-2-Turbo. Модель предназначена для редактирования изображений по произвольной маске, включая inpainting, outpainting и комбинированные сценарии расширения холста и изменения содержимого. Адаптер поддерживает маски произвольной формы, несколько раздельных областей редактирования, узкие и изогнутые участки, маски, пересекающие границу исходного изображения, а также сохранение немаскированных областей с помощью согласованных латентных ограничений. Он рассчитан на работу с фотографиями, иллюстрациями, 3D-рендерами, интерьерами, объектами и изображениями людей. В метаданных указаны image-to-image pipeline, библиотека Diffusers и LoRA; сведения о размере модели, поддерживаемых языках, максимальном контексте и отдельных модальностях не приведены. Обычные импортеры LoRA и автоматически сгенерированный пример Diffusers несовместимы с этим функциональным адаптером: для использования требуются поставляемые автором файлы example.py, pipeline.py и anypaint.py либо соответствующая интеграция для ComfyUI. Модель распространяется по лицензии Krea 2 Community License; подробные условия доступны по указанной в README ссылке.

RockTalk/Lance-3B-MLX — порт модели Lance от ByteDance Research в библиотеку MLX, подготовленный для работы на компьютерах Apple Silicon. Это унифицированная мультимодальная модель примерно на 3 млрд параметров: архитектура сочетает Qwen2.5-VL-3B, параллельные ветви MoE-gen для генерации и VAE Wan 2.2. Маршрутизация Mixture-of-Tokens обрабатывает текстовые и генерационные токены разными ветвями в одном проходе. Модель предназначена для генерации изображений по тексту, редактирования изображений по инструкции и ответов на вопросы об изображениях. README также описывает генерацию видео, но подтверждённая в нём рабочая возможность — генерация одного изображения; метаданные указывают задачу text-to-image. Порт использует формат safetensors и библиотеку MLX, не требует CUDA. Репозиторий содержит веса объёмом около 27 ГБ; приведённые показатели скорости измерены на M4 Studio с 128 ГБ памяти и зависят от разрешения и числа шагов. Модель собрана слиянием bytedance-research/Lance и Qwen/Qwen2.5-VL-3B-Instruct, затем преобразована для MLX. Лицензия — Apache-2.0. Практическое применение ориентировано на Apple Silicon; подтверждений поддержки других платформ в карточке нет.

LongCat-Image-Edit-GGUF — квантованная версия модели LongCat-Image-Edit, опубликованная VantageWithAI на основе оригинальной модели Meituan LongCat. Модель предназначена для редактирования изображений по текстовым инструкциям и работает в формате image-to-image с интеграцией через Transformers и ComfyUI. Модель поддерживает двуязычное редактирование на китайском и английском языках. Она рассчитана на глобальное и локальное редактирование, изменение текста на изображении и редактирование с опорой на референсные изображения. Среди заявленных сильных сторон — точное следование инструкциям, сохранение компоновки, текстур, цветовой гаммы и идентичности объектов в неизменяемых областях, включая многошаговые сценарии редактирования, а также высокая эффективность вывода по сравнению с другими открытыми моделями редактирования изображений. README не содержит сведений об архитектуре, количестве параметров, размере контекста, поддерживаемых разрешениях или системных требованиях, поэтому эти характеристики нельзя определить по представленным данным. Модель распространяется по лицензии Apache-2.0; заявленные результаты уровня SOTA приведены авторами и не сопровождаются в карточке подробностями о тестах.

MetaCLIP 2 (worldwide) — модель Meta, соответствующая чекпойнту ViT-bigG-14-378-worldwide из оригинальной реализации MetaCLIP 2. Она предназначена для классификации изображений по текстовым описаниям без дообучения на конкретных метках: пользователь задаёт варианты классов, а модель оценивает соответствие изображения каждому из них. Модель имеет архитектуру MetaClip2Model и доступна в формате safetensors; для работы в карточке указана библиотека Transformers. Модель рассчитана на многоязычное применение и может использоваться для поиска изображений по категориям и быстрой разметки изображений заданным набором текстовых меток. Репозиторий опубликован по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

Карточка модели thornmaze/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.

Disty0/Qwen-Image-Edit-2511-SDNQ-uint4-svd-r32 — это 4-битная квантованная версия модели Qwen/Qwen-Image-Edit-2511, подготовленная Disty0 с использованием SDNQ. Модель предназначена для редактирования изображений по текстовым инструкциям, включая сценарии с несколькими входными изображениями и композиционирование объектов или персонажей в заданной сцене. Она работает через QwenImageEditPlusPipeline в библиотеке Diffusers и использует текстовые промпты совместно с изображениями. Ключевая характеристика версии — квантование UINT4 с SVD rank 32, направленное на снижение требований к памяти и вычислительным ресурсам. В README не указаны точный размер модели, исходная архитектура, поддерживаемые языки и максимальная длина контекста. Приведён пример запуска с bfloat16, CPU offload и опциональным INT8 MatMul для GPU AMD, Intel ARC и Nvidia при доступности Triton; фактическая совместимость и качество зависят от оборудования и параметров инференса. Из ограничений следует учитывать возможное влияние агрессивного 4-битного квантования на качество по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

Sanster/Realistic_Vision_V1.4-inpainting — модель генерации и редактирования изображений, опубликованная Sanster на Hugging Face на основе Realistic Vision V1.4 от SG161222. Она предназначена для дорисовки или замены области изображения по маске и текстовому запросу. Модель доступна в формате Diffusers и Safetensors и использует StableDiffusionInpaintPipeline; размер — около 0,9 млрд параметров, точность файлов — F16. Модель принимает изображение и текстовый запрос и выдаёт отредактированное изображение. Репозиторий распространяется по лицензии OpenRAIL. Карточка репозитория не приводит оценок качества или подробных сведений об ограничениях; результат зависит от исходного изображения, маски и запроса.