I.8Изображения и компьютерное зрение

Модель timm/vit_base_patch16_plus_clip_240.laion400m_e32 разработана для экосистем open_clip и timm. Это вариант CLIP с архитектурой ViT-B-16-plus-240, обученный на наборе изображений и текстов LAION-400M. Она сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по заданным пользователем категориям без отдельного обучения классификатора. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — MIT. Модель принимает изображения и текстовые метки классов, а для классификации выдаёт оценки соответствия изображения каждой метке. Данных о контекстном окне или поддерживаемых естественных языках в предоставленной карточке нет.

Это модель зрения и языка timm/vit_large_patch14_clip_224.metaclip_2pt5b, основанная на архитектуре CLIP ViT-L/14 с активацией QuickGELU и обученная на датасете MetaCLIP-2.5B. Она доступна для использования через библиотеки open_clip и timm и предназначена для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах. Модель сопоставляет изображения и текстовые метки в общем пространстве представлений, что позволяет выбирать наиболее подходящее описание из предложенного набора. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Aesthetic ControlNet — модель для генерации изображений по текстовому запросу с управлением по входному изображению. Её разработали Erwann Millon и Victor Perez на основе ControlNet: признаки изображения извлекаются детектором границ Canny и используются для управления диффузионной моделью. Базовая модель — дообученная Stable Diffusion 2.1, обученная на разрешении 640×640; контрольная сеть основана на thibaud/controlnet-sd21. Модель подходит для создания эстетически ориентированных изображений, сохраняющих контуры и композиционные подсказки исходного изображения, например для преобразования эскизов или фотографий в изображения по текстовому описанию. Репозиторий содержит веса в форматах Diffusers и PyTorch, лицензия — openrail++. Результат зависит от качества текстового запроса и пригодности входного изображения для извлечения контуров Canny. Авторы предостерегают от генерации изображений, которые могут оскорблять, тревожить людей или закреплять стереотипы.

CLIP-convnext_base_w-laion2B-s13B-b82K — модель семейства CLIP, обученная Россом Уайтманом с помощью OpenCLIP на английской выборке LAION-2B. Она объединяет визуальный энкодер ConvNeXt-Base с широким пространством эмбеддингов и текстовый энкодер CLIP глубиной 12 слоёв с размерностью эмбеддинга 640. Базовое разрешение изображений при обучении — 256×256 пикселей; обучение охватило около 13 млрд примеров. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно использовать в исследованиях, для поиска изображений в ограниченных коллекциях и как основу для дальнейшей настройки задач компьютерного зрения. В README для варианта указана точность ImageNet zero-shot top-1 70,8%. Модель обучалась на англоязычных данных и не предназначена для сценариев на других языках без отдельной проверки. Разработчики не рекомендуют развёртывание и применение в чувствительных сценариях; распознавание лиц и наблюдение указаны как недопустимые области использования. Обучающие данные LAION не проходили полной фильтрации и могут содержать нежелательный контент. Лицензия модели — MIT.

CLIP ConvNeXt-XXLarge — мультимодальная модель сопоставления изображений и текста, обученная Ross Wightman с помощью OpenCLIP на англоязычном наборе LAION-2B. Она предназначена для классификации изображений по текстовым описаниям без дообучения, поиска изображений по запросу и поиска текста, соответствующего изображению; её также можно дообучать для задач классификации и использовать для управления генерацией изображений. Архитектура включает визуальный энкодер timm ConvNeXt-XXLarge и текстовый энкодер глубиной 24 слоя с размерностью 1024 и 16 головами. Совместная модель содержит около 1,2 млрд параметров; изображения при обучении обрабатывались в разрешении 256 × 256. В карточке для одной из версий серии указана точность 79,1% в zero-shot-классификации ImageNet. Модель рассчитана на англоязычные сценарии: обучение и оценка на других языках не проводились. Авторы не рекомендуют развёртывание модели; для исследовательских применений требуется тщательная проверка на фиксированной предметной таксономии. Распознавание лиц и наблюдение исключены из допустимых сценариев. Модель распространяется по лицензии MIT.

Italian CLIP — модель для сопоставления изображений и текстов на итальянском языке, разработанная командой проекта Contrastive Language-Image Pre-training for the Italian Language. Это двухэнкодерная архитектура VisionTextDualEncoder: текстовый энкодер основан на итальянской BERT от dbmdz, а визуальный — на Vision Transformer от OpenAI. Модель обучали на 1,4 млн примеров из WIT, MSCOCO-IT, Conceptual Captions и La Foto del Giorno; доступны веса PyTorch и Flax. Модель предназначена для получения признаковых представлений изображений и текстов, поиска изображений по итальянским подписям и классификации изображений без дополнительного обучения. В описанной оценке она превзошла multilingual CLIP на поиске по MSCOCO-IT и zero-shot классификации ImageNet с переведёнными метками. Результаты могут зависеть от перевода меток, а использование MSCOCO-IT при обучении могло дать преимущество в оценке поиска. Лицензия репозитория — GPL-3.0.

Это мультимодальная CLIP-модель LAION с визуальным энкодером ViT-B/32, обученная с помощью OpenCLIP на 1,4 миллиарда примеров набора DataComp-1B. Она сопоставляет изображения и текст, чтобы классифицировать изображения по текстовым описаниям без дополнительного обучения, а также поддерживает поиск изображений по тексту и поиск текстов по изображениям. Модель подходит для исследовательских экспериментов с классификацией и retrieval; её можно дообучать для задач классификации, использовать для линейного пробника и как условие для генерации изображений. В оценке на наборе из 38 датасетов модель показала точность top-1 72,7% на ImageNet-1k при классификации без обучения. Результаты могут зависеть от выбранной таксономии классов и предметной области, поэтому для конкретной задачи требуется отдельная проверка. README не рекомендует развёртывание модели, в том числе коммерческое, без тщательного тестирования; распознавание лиц и наблюдение прямо отнесены к недопустимым сценариям. Модель опубликована под лицензией MIT.

sonoisa/clip-vit-b-32-japanese-v1 — японская версия CLIP для получения признаковых представлений текста и изображений. Автор адаптировал текстовый энкодер англоязычной CLIP-модели к японскому языку с помощью метода, описанного как разновидность дистилляции. В метаданных указаны архитектура BERT, 137,8 млн параметров, длина контекста 512 токенов и форматы PyTorch и safetensors. Модель предназначена для вычисления эмбеддингов текста и изображений, оценки их сходства, поиска изображений по текстовому запросу и мультимодальной классификации. Она ориентирована на японский язык; карточка демонстрирует сценарии мультимодального поиска и расчёта сходства. Репозиторий распространяется по лицензии CC BY-SA 4.0.

AbstractPhil разработал компактный визуальный энкодер CLIP, полученный дистилляцией модели ViT. Он формирует эмбеддинги изображений размерности 512, совместимые с текстовым энкодером CLIP-B/16 LAION-2B, и предназначен для извлечения признаков и сопоставления изображений с текстом. Архитектура включает 12 слоёв, скрытый размер 240, 4 головы внимания, CLS-токен и линейную проекционную голову; размер входа — 160×160 пикселей, патч — 16×16. В README указано 8,66 млн параметров, метаданные каталога сообщают 11,1 млн. Модель обучена дистилляцией на CC12M по консенсусу пяти CLIP-учителей; её выходы преобразуются фиксированным вращением в пространство целевого текстового энкодера. Это позволяет использовать её для получения признаков и zero-shot сопоставления, при существенно меньшем размере визуального энкодера, чем у CLIP-B/16. В опубликованных оценках качество zero-shot на CIFAR-10/100 составляет около 45–48% от учителя; результаты поиска по COCO ограничены оценкой на отложенной половине набора. Это исследовательский чекпойнт с ограниченной проверкой: в README отмечены два seed на целевую функцию, один размер модели и один набор условий обучения; требуемый авторами порог жизнеспособности не достигнут. Лицензия — Apache-2.0. Загрузка через Transformers требует `trust_remote_code=True`.

xinsir/controlnet-scribble-sdxl-1.0 — модель ControlNet для Stable Diffusion XL, разработанная xinsir и дообученная на базе stabilityai/stable-diffusion-xl-base-1.0. Она предназначена для генерации изображений высокого разрешения по текстовому описанию с управлением композицией через наброски и другие линейные управляющие изображения. Модель поддерживает линии различных типов и толщины, включая scribble, lineart, Canny, HED и PIDI. Она подходит для создания иллюстраций, концепт-арта, фотореалистичных сцен, логотипов и других изображений, а также для локальной корректировки композиции: более точный эскиз и подробное описание помогают контролировать отдельные области результата. По заявлению автора, модель обучалась на более чем 10 миллионах отфильтрованных и аннотированных изображений и ориентирована на высокую визуальную привлекательность и сильное следование управляющим линиям. В README не указаны точный размер параметров, максимальная длина контекста, поддерживаемые языки и отдельные сведения о системных требованиях. Для использования модель интегрируется с библиотеками Diffusers и базовой SDXL-моделью; приведённый пример рассчитан на PyTorch и работу в формате float16. Модель распространяется по лицензии Apache-2.0.

Карточка модели BAAI/Emu3.5 на Hugging Face совпадает с карточкой BAAI/Emu3.5-Image, поэтому описание составлено по ней. Emu3.5-Image — модель генерации изображений от команды Emu3.5 компании BAAI. Она предназначена для создания изображений по текстовым описаниям и по одному или нескольким референсным изображениям, в том числе для редактирования и преобразования изображений. Модель основана на плотной авторегрессионной архитектуре Emu3 и обучена предсказывать последовательности визуальных и текстовых токенов. Веса содержат 30,4 млрд параметров, модель работает с контекстом до 32 768 токенов и принимает визуально-текстовые последовательности. В отличие от общей модели Emu3.5, эта версия специально оптимизирована для одиночной генерации изображений по тексту и референсам. Для генерации доступны разные пропорции сторон и потоковая выдача. В README отмечено, что генерация без ускорения DiDA может занимать несколько минут на изображение. Модель распространяется под лицензией Apache 2.0.

Карточка модели tanjohnngu/FLUX.1-Canny-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Canny-dev, поэтому описание составлено по ней. FLUX.1 Canny [dev] — модель генерации изображений от Black Forest Labs. Это трансформер rectified flow на 12 млрд параметров, обученный с помощью дистилляции guidance. Он создаёт изображение по текстовому описанию, одновременно следуя структуре входного изображения, заданной картой контуров Canny. Модель подходит для преобразования эскизов и контурных изображений в иллюстрации, а также для редактирования визуального результата по текстовой инструкции с сохранением композиции исходника. Для запуска предусмотрен интерфейс FluxControlPipeline в библиотеке Diffusers. Модель хорошо сочетает следование текстовому запросу с сохранением структуры исходного изображения. Она может не точно выполнять запросы, а результат зависит от стиля формулировки промпта; модель не предназначена для получения фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License допускает личное и научное использование, а также коммерческое использование с ограничениями, установленными лицензией.

silveroxides/FLUX.2-dev-fp8_scaled — версия FLUX.2 [dev] от silveroxides, основанная на модели Black Forest Labs. Это FP8 scaled-вариант 32-миллиардной rectified flow transformer, предназначенный для генерации изображений по тексту, редактирования изображений и работы с одним или несколькими референсами. Карточка репозитория отмечает ускорение при использовании указанного workflow и специального загрузчика, в том числе на видеокартах с меньшим объёмом видеопамяти. Модель принимает текстовые инструкции и изображения, выдаёт изображения; заявленный язык карточки — английский. Для запуска автор рекомендует workflow и загрузчик для ComfyUI. Модельная карточка указывает лицензию FLUX Dev Non-Commercial License; коммерческое использование весов ограничено её условиями.

unsloth/FLUX.2-dev-GGUF — GGUF-квантизированная версия модели FLUX.2 [dev], разработанной Black Forest Labs и подготовленной Unsloth с использованием методологии Unsloth Dynamic 2.0. Это 32-миллиардная модель на основе rectified flow transformer, предназначенная для генерации, редактирования и комбинирования изображений по текстовым инструкциям. Модель поддерживает сценарии text-to-image, редактирование по одному или нескольким референсам, а также сохранение персонажей, объектов и стиля без дополнительного дообучения. Она ориентирована на создание изображений высокого качества, художественные и исследовательские рабочие процессы и может использоваться через reference implementation, ComfyUI и Diffusers. В README указана поддержка английского языка; конкретный размер контекста и полный перечень поддерживаемых модальностей не приведены. GGUF-квантизация и повышение точности отдельных важных слоёв направлены на более эффективный запуск при сохранении качества. Ограничения включают необходимость совместимого программного окружения и существенные вычислительные требования, связанные с размером модели; точные требования зависят от выбранной квантизации и конфигурации. Модель распространяется по лицензии FLUX [dev] Non-Commercial License, также применяются Acceptable Use Policy и условия Black Forest Labs; перед использованием необходимо ознакомиться с полным текстом лицензии.

Flux2-Klein-9B-True-V2 — модель генерации изображений по текстовому описанию и их редактирования, опубликованная пользователем Leon1000 и основанная на FLUX.2-klein-9B от Black Forest Labs. Это полноценно дообученная версия Flux2-Klein-9B-True-V1, предназначенная для задач text-to-image и image editing в экосистеме Diffusers с использованием PyTorch. Модель поддерживает английский и китайский языки. Заявлены улучшения реалистичности и проработки текстур, следования промпту, восстановления содержания, адаптации параметров и совместимости с LoRA. Также отмечены более упорядоченная композиция, эстетические улучшения и уменьшение смещения формы и цветовых искажений при редактировании. Для ускорения можно применять Turbo или Distill LoRA, однако это может снизить качество изображения; рекомендуются небольшие значения веса LoRA. Для коррекции цвета и формы после редактирования предлагается использовать ComfyUI-LCS. Размер контекста, точная архитектура, число параметров и дополнительные модальности в README не указаны. Модель распространяется по некоммерческой лицензии FLUX Non-Commercial License от Black Forest Labs, поэтому её использование должно соответствовать условиям этой лицензии.

HiDream-O1-Image-Dev-2604-BF16 — конверсия в формате BF16 модели HiDream-ai/HiDream-O1-Image-Dev-2604, подготовленная для работы с ComfyUI. Исходная модель — дистиллированная версия семейства HiDream-O1-Image с архитектурой Pixel-level Unified Transformer: она совместно обрабатывает пиксели, текст и управляющие условия. Вариант Dev выполняет генерацию за 28 шагов; заявленное разрешение изображений — до 2048 × 2048. Модель предназначена для генерации изображений по тексту, персонализации изображений по объекту, управления расположением объектов через разметку областей и задания позы по скелету OpenPose. Семейство также поддерживает редактирование изображений по инструкции, но для таких задач разработчик рекомендует полную версию. Обновление 2604 добавляет ускоренный вывод для персонализации и обновлённый планировщик редактирования. В режиме Dev CFG отключён, поэтому негативные промпты не влияют на результат. Для BF16 требуется примерно 17–20 ГБ видеопамяти; README предупреждает о проблемах совместимости с PyTorch 2.9.x и рекомендует версию 2.8.x или ниже. Модель использует входные изображения и текстовые запросы и генерирует изображения. README заявляет поддержку многоязычного текста, но конкретные языки не перечисляет. Репозиторий распространяется по лицензии MIT.

HunyuanImage-3.0-Instruct — мультимодальная модель генерации и редактирования изображений от Tencent. Она принимает текстовую инструкцию и одно или несколько исходных изображений, интерпретирует их и создаёт изменённое изображение; модель также может развивать краткие запросы, добавляя подходящие детали. Архитектура — авторегрессионная MoE семейства HunyuanImage 3. README описывает базовую версию HunyuanImage-3.0 как модель с 80 млрд параметров и 13 млрд активных на токен, но метаданные этого репозитория указывают 3,1 млрд параметров, поэтому размер именно Instruct-чекпойнта по доступным сведениям неясен. Указанный контекст — 22 800 токенов. Модель предназначена для творческого редактирования изображений по текстовым инструкциям и генерации визуальных результатов с учётом содержимого исходного изображения. README заявляет высокую точность следования запросу, фотореалистичность и детализированность, однако не приводит количественных результатов для конкретных сценариев. README не указывает поддерживаемые языки. Для запуска описаны Python 3.12+ и CUDA 12.8. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверить с лицензией репозитория.

JarvisArt-Preview — мультимодальная модель-агент для интеллектуальной ретуши фотографий, разработанная исследователями из Сямэньского университета и других университетов и организаций. Она принимает изображения и инструкции на естественном языке, а также может использовать ограничивающие рамки для задания областей редактирования. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. JarvisArt предназначена для многоэтапного редактирования изображений: от общей коррекции сцены до локальной ретуши отдельных областей. В оригинальной системе агент координирует более 200 инструментов Adobe Lightroom; обучение включало дообучение с цепочками рассуждений и оптимизацию GRPO-R на наборе MMArt. В карточке этого репозитория не указаны условия лицензии, поэтому их нельзя определить по доступным данным.

ziheng1234/kontext — это публикация весов FLUX.1 Kontext [dev], модели Black Forest Labs для редактирования изображений по текстовым инструкциям. Модель основана на трансформере rectified flow с 12 млрд параметров и использует Diffusers; карточка сообщает о файлах в формате safetensors. Модель принимает изображение и текстовую инструкцию и создаёт изменённую версию изображения. Она предназначена для замены или изменения объектов, а также для сохранения персонажа, стиля и визуальных деталей при последовательных правках без дополнительного дообучения; guidance distillation повышает эффективность генерации. В метаданных указаны задачи image-to-image и text-to-image, но README описывает прежде всего редактирование изображений по инструкции. README указывает на лицензию FLUX.1 [dev] Non-Commercial License: коммерческое использование не разрешено. Для применения также требуются фильтры или ручная проверка согласно условиям лицензии.

Это конверсия MetaCLIP 2 Worldwide M16 в формат Keras 3, опубликованная zeromodels на основе facebook/metaclip-2-worldwide-m16. Модель с архитектурой CLIP использует два энкодера: один для изображений, другой для текста. Она предназначена для классификации изображений по текстовым описаниям в zero-shot режиме, без отдельного обучения на заданных классах. Вариант Worldwide обучен на многоязычном распределении данных и использует словарь XLM-RoBERTa размером 901 тыс. токенов, поэтому принимает текстовые метки на разных языках, включая английский, французский, испанский и немецкий. Конверсия работает через Keras 3 с бэкендами TensorFlow, Torch и JAX; для загрузки предлагается совместимый Processor, который подбирает размер изображения и токенизатор. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование.

ejahdil разработал сегментатор границ документов на основе MobileNetV3-Large с энкодером, предварительно обученным на ImageNet, и декодером U-Net. Модель принимает фотографию страницы, масштабирует её с сохранением пропорций до входа 384×384 и выдаёт маску с оценкой для каждого пикселя; по маске можно восстановить четырёхугольник границ документа. Модель предназначена для обнаружения страницы на фотографии, в том числе на фоне, близком по тону к бумаге. Она обучена на SmartDoc 2015 Challenge 1 с синтетическим повторным размещением страниц на различных фонах. В README указаны медианный Quad IoU 0,991 и 98,5% кадров с IoU не ниже 0,95 на отложенных документах. Это специализированная модель компьютерного зрения без текстового ввода и вывода. Оценка дана на ограниченном наборе SmartDoc; качество на иных типах документов и условиях съёмки отдельно не описано. Лицензия — CC BY 4.0.

OpenAI-Clip — модель Qualcomm, основанная на реализации OpenAI CLIP и оптимизированная для устройств Qualcomm. Она предназначена для задач классификации изображений и других сценариев zero-shot learning, где сопоставляются визуальные и текстовые представления без обязательного дообучения под каждый класс. Модель может использоваться на мобильных, встраиваемых и периферийных устройствах с Qualcomm NPU. Архитектура включает визуальный ViT-трансформер и causal language model для извлечения признаков изображений и текста. Используется конфигурация ViT-B/16 с входным разрешением изображения 224×224, контекстом текста до 77 токенов, примерно 150 млн параметров и размером float-модели около 571 МБ. Поддерживаются визуально-текстовые входы; конкретный набор языков в README не указан. Сильными сторонами являются zero-shot возможности, готовые экспортированные варианты для ONNX, QNN_DLC и TFLITE, а также оптимизация под Qualcomm NPU и возможность экспорта с пользовательскими весами, формами входов и целевыми конфигурациями. Ограничения включают значительный размер модели, зависимость производительности от устройства и отсутствие в README подробностей о качестве на конкретных наборах данных, поддерживаемых языках и точных сценариях генерации текста. Указана лицензия MIT.

PaliGemma 2 3B PT 896 — предварительно обученная мультимодальная модель Google на основе SigLIP и языковой модели Gemma 2. Она принимает изображения с разрешением 896×896 и текст, а генерирует текст; для дообучения доступны веса bfloat16. Модель рассчитана прежде всего на настройку под отдельные задачи компьютерного зрения и языка: описание изображений и коротких видео, визуальные вопросы и ответы, чтение текста на изображениях, обнаружение и сегментацию объектов. Также её можно адаптировать для вопросов по спутниковым снимкам и научным изображениям, помощи незрячим пользователям и описания функций элементов интерфейса. Модель поддерживает несколько языков и обрабатывает текстовые последовательности длиной до 512 токенов на входе и выходе. Это базовая модель для дообучения, а не универсальный многотуровый чат-бот: качество без настройки на конкретную задачу может быть ниже, чем у специализированных моделей. Она может ошибаться в фактах и рассуждениях, испытывать трудности с неоднозначными запросами и отражать предубеждения обучающих данных. Использование регулируется условиями Gemma; разработчикам следует учитывать политику запрещённого использования Gemma.

PixAI Tagger v1.0 — модель PixAI Labs для автоматической многометочной разметки аниме-изображений. Она предсказывает теги персонажей, одежды, поз, объектов, композиции, стиля, авторских прав и рейтинга из словаря на 30 877 меток. Модель использует дообученную основу SAM3 с архитектурой ViTDetCls и содержит 486,3 млн параметров. Модель принимает изображения, приводит их к разрешению 1008 × 1008 с сохранением пропорций и дополнением полей, а затем выдаёт оценки тегов по категориям. Пороговые значения можно настраивать отдельно для каждой категории. Она предназначена для каталогизации аниме-иллюстраций, подготовки наборов данных и создания подписей. В сравнительном тесте на общих метках модель показала высокие результаты для общих и стилевых тегов; для тегов персонажей она заняла второе место по micro F1 среди сравнивавшихся моделей. Модель лучше всего подходит для аниме-иллюстраций; качество на других типах изображений не измерялось. Словарь ограничен метками, известными на май 2026 года, поэтому новые персонажи, франшизы и стили могут отсутствовать, а предсказания могут быть пропущенными или ошибочными. Теггер не следует использовать как единственное средство модерации, для юридических решений или проверки возраста. Лицензия — Apache-2.0.

BennyDaBall/Qwen-Image-2.1-NVFP4 — независимая NVFP4-квантизованная сборка Qwen Image 2.1, исходную модель и архитектуру которой разработала команда Qwen. Это не новая базовая модель и не официальный релиз Qwen: автор выполнил конвертацию официальных BF16-весов Comfy-Org и подготовил пакет для ComfyUI. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображений по референсу, создания изображений с прозрачным RGBA-фоном и генерации постеров с текстом. В состав входят квантизованные image transformer и языковой энкодер Qwen3-VL 8B, а vision tower, эмбеддинги, выходная голова, критические тензоры image-модели и VAE сохранены в BF16. Полный пакет занимает 12,42 ГБ и рассчитан на использование в ComfyUI с поддержкой Qwen Image 2.1 и native NVFP4; заявленная проверка проводилась на RTX 5090. Поддерживаются рабочие разрешения, включая примеры 1024×1024 и 2048×2048, однако точный размер контекста в README не указан. Ключевое преимущество сборки — существенное уменьшение размера относительно BF16-пакета и ускорение инференса на совместимом оборудовании; для RTX 5090 указано 6,746 секунды медианного времени для запуска 1024×1024 за 40 шагов. К ограничениям относятся необходимость актуальной версии ComfyUI и совместимых NVFP4-ядер, применение runtime-патча для ускоренного текстового кондиционирования, а также возможные отличия результатов от BF16 из-за квантизации. Преобразование не включало калибровку или дообучение, а качество и скорость не гарантируются для всех конфигураций. Лицензия указана как qwen-research-license; модель предназначена для исследовательского и оценочного использования в соответствии с условиями приложенной лицензии.

Qwen Image Edit Inscene LoRA — открытая LoRA-модель, разработанная FlyMy.AI для Qwen/Qwen-Image-Edit. Она предназначена для редактирования изображений внутри исходной сцены с сохранением её контекста, пространственных взаимосвязей и логики композиции. Модель подходит для изменения положения объектов, действий персонажей, ракурса камеры и последовательных действий в одной сцене. Это адаптация методом Low-Rank Adaptation, распространяемая в формате SafeTensors и совместимая с библиотекой Hugging Face Diffusers. Она усиливает пространственное понимание, позиционирование объектов, согласованность сцены и управляемое редактирование по текстовому описанию. Модель работает с изображениями и текстовыми промптами; README не указывает размер модели, максимальную длину контекста или полный набор поддерживаемых языков, кроме обозначенного английского. Модель особенно полезна для in-scene editing, где требуется внести целевые изменения без потери общей структуры исходного изображения. Ограничения связаны с зависимостью от базовой модели Qwen/Qwen-Image-Edit и отсутствием в README количественных оценок качества, подробных требований к оборудованию и описания известных проблем. Проект распространяется по лицензии Apache 2.0.

Карточка модели mario-d-robot/Qwen-Image-Edit-Rapid-AIO-V19 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19, поэтому описание составлено по ней. prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19 — преобразованные для Diffusers веса модели редактирования изображений на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера, извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V19 и предназначенные для ускоренного инференса Qwen Image Edit за четыре шага.

Карточка модели Woffee/Qwen-Image-Edit-Rapid-AIO-V19 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19, поэтому описание составлено по ней. prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19 — преобразованные для Diffusers веса модели редактирования изображений на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера, извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V19 и предназначенные для ускоренного инференса Qwen Image Edit за четыре шага.

Карточка модели wolf1280/Qwen-Image-Edit-Rapid-AIO-V19 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19, поэтому описание составлено по ней. prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19 — преобразованные для Diffusers веса модели редактирования изображений на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера, извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V19 и предназначенные для ускоренного инференса Qwen Image Edit за четыре шага.

TensorArt Stable Diffusion 3.5 Medium ControlNet Depth — дообученная модель на базе stabilityai/stable-diffusion-3.5-medium для генерации изображений с управлением по карте глубины. Она предназначена для сценариев, где нужно задавать текстовое описание и использовать глубину сцены, чтобы влиять на композицию и расположение объектов. Модель относится к семейству Stable Diffusion 3.5 Medium, использует формат safetensors и предназначена для задачи text-to-image. В метаданных указан английский язык карточки; базовая модель описана как MMDiT-X. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.