I.8Изображения и компьютерное зрение

mlx-community/siglip2-so400m-patch16-384 — модель компьютерного зрения, разработанная сообществом mlx-community и конвертированная в формат MLX из google/siglip2-so400m-patch16-384 с использованием mlx-lm. Модель предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по произвольным текстовым меткам без предварительного обучения на конкретных классах. Модель использует архитектуру SigLIP 2 с размером So400M, размером патча 16 и входным разрешением 384 пикселя. Она формирует оценки соответствия для пар «изображение—текст», которые можно преобразовать в вероятности с помощью сигмоиды. Модель работает в формате MLX и подключается через библиотеку mlx-embeddings; библиотека Transformers указана в метаданных. Модель подходит для zero-shot-классификации, поиска изображений по текстовым описаниям и оценки семантического соответствия между изображениями и подписями. Лицензия Apache-2.0 разрешает использование, модификацию и распространение при соблюдении её условий.

zeromodels представляет конверсию SigLIP Base Patch16 384 в формате Keras 3 для классификации изображений без дополнительного обучения. Модель использует двухбашенную архитектуру, кодирующую изображения и текст, и sigmoid loss при обучении вместо contrastive softmax, характерного для CLIP. Размер изображения — 384 пикселя; реализация работает с TensorFlow, PyTorch и JAX. При инференсе модель принимает изображения и текстовые подсказки, а затем сопоставляет их для классификации по произвольным текстовым меткам. Это подходит для категоризации изображений, когда набор классов задаётся в запросе. Модель основана на google/siglip-base-patch16-384; лицензия — Apache 2.0.

Taiyi-CLIP-RoBERTa-326M-ViT-H-Chinese — китайская модель для сопоставления изображений и текста, разработанная командой Fengshenbang. Она обучалась на 123 млн пар изображений и текстов по схеме CLIP: текстовый энкодер основан на chinese-roberta-wwm-large, а визуальный — на ViT-H-14 из open_clip. В ходе предобучения визуальный энкодер был заморожен, а текстовый дообучался на наборах Noah-Wukong и Zero. Модель предназначена для извлечения совместимых представлений изображений и китайских текстов, классификации изображений без дополнительного обучения и поиска изображений по текстовому запросу. README приводит результаты zero-shot классификации на ImageNet1k-CN и поиска по тексту на Flickr30k-CNA, COCO-CN и wukong50k. Метаданные указывают архитектуру BertModel, 424,3 млн параметров и контекст 512 токенов; README отдельно указывает 326 млн параметров для модели в своей таблице. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

TBAC-UniImage-3B — модель генерации изображений по тексту и редактирования изображений, разработанная Basic Algorithm Center подразделения Platform and Content Group компании Tencent. Она объединяет модуль понимания Qwen2.5-VL-3B-Instruct и модуль генерации SANA-1600M; представления с разных слоёв Qwen используются как условия генерации. Модель предназначена для создания изображений по текстовым описаниям и редактирования изображений с учётом текста и визуального контекста. В карточке приведены результаты на GenEval и DPG-Bench, а также описан подход к редактированию: изображение кодируется визуальным модулем Qwen, после чего объединённое мультимодальное представление передаётся генератору. Примеры охватывают фотореалистичные сцены, иллюстративные стили и фантастические сюжеты. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

UniPic2-SD3.5M-Kontext-2B — модель Skywork для генерации изображений по текстовому описанию и редактирования изображений. Она создана на основе SD3.5-Medium с постобучением и предназначена для генеративных задач и сценариев редактирования. В README отмечены конкурентные результаты на тестах GenEval, DPG-Bench и GEditBench-EN, а также возможность работать на одной потребительской видеокарте с 16 ГБ памяти. Репозиторий использует форматы Diffusers и Safetensors и библиотеку Transformers. Лицензия — MIT.

Versatile Diffusion — мультимодальная диффузионная модель, разработанная Xingqian Xu, Atlas Wang, Eric Zhang, Kai Wang и Humphrey Shi. Её единая многопоточная архитектура объединяет VAE, диффузионную модель и кодировщик контекста для работы с изображениями и текстом. Модель предназначена для генерации изображений по текстовому описанию. В карточке также заявлены генерация вариаций изображения и текста, преобразование изображения в текст и расширенные сценарии редактирования и генерации с совместным управлением текстом и изображением. Репозиторий содержит веса Diffusers/PyTorch; карточка указывает английский язык и набор данных Laion2B-en. Модель распространяется по лицензии MIT. Карточка описывает возможности и примеры использования, но не приводит конкретных ограничений качества или требований к вычислительным ресурсам.

ViCLIP-L-14-BVD-V-50M-s50M-b32K — видеоязыковая модель семейства ViCLIP от LAION, основанная на архитектуре ViT-L/14. Она обучена на 50 млн пар видео и текста из набора BVD-V-50M и доступна через Transformers. Модель предназначена для классификации видео без дообучения, поиска соответствий между видео и текстом и изучения визуальных представлений видео. Её можно применять для линейного зондирования и дообучения под задачи классификации, строить системы поиска видео по текстовым запросам и использовать как компонент мультимодальных моделей. В README приведены результаты на Kinetics-400, UCF-101, HMDB51, MSR-VTT и MSVD. Лицензия — MIT. Разработчики позиционируют модель для исследований возможностей zero-shot-классификации видео, поиска видео по тексту и обобщения видеоязыковых моделей. Она рассчитана только на английский язык; авторы исключают применение для наблюдения и распознавания лиц, а также неконтролируемое развёртывание без проверки на целевых данных.

timm/vit_base_patch16_clip_224.metaclip_2pt5b — модель семейства CLIP, доступная для использования через open_clip и timm. Она основана на архитектуре ViT-B/16 с вариантом активации QuickGELU и обучена на наборе MetaCLIP-2.5B. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными текстовыми категориями без отдельного обучения на них. Репозиторий содержит веса PyTorch и SafeTensors и использует библиотеку open_clip. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и ограничивает коммерческое применение.

Это модель семейства CLIP с архитектурой ViT-H/14, опубликованная в репозитории timm и доступная для использования через open_clip и timm. Вариант worldwide обучен с весами MetaCLIP 2; модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по текстовым меткам без отдельного обучения на целевых классах. Модель принимает изображения и текстовые названия или описания классов, после чего оценивает их соответствие. Она предназначена для мультиязычных и международных сценариев, однако конкретные языки и длина контекста в доступной карточке не перечислены. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка не приводит оценок качества и подробностей обучения, поэтому результаты на конкретных наборах классов следует проверять отдельно.

timm/ViT-SO400M-16-SigLIP2-256 — модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI. Контрастивное обучение связывает изображения с текстом, благодаря чему модель подходит для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах. Модель преобразована из исходных контрольных точек JAX проекта Big Vision для использования с OpenCLIP. В названии указаны архитектура ViT-SO400M-16 и размер изображения 256 пикселей. Она принимает изображения и текстовые метки или описания и поддерживает zero-shot классификацию. Лицензия — Apache 2.0.

OFA-Sys разработала крупную версию Chinese CLIP — модели, которая сопоставляет изображения и текст. Визуальный энкодер построен на ViT-L/14 с входным разрешением 336 пикселей, текстовый — на RoBERTa-wwm-base. Модель обучалась на наборе примерно из 200 миллионов китайских пар «изображение—текст». Репозиторий содержит веса PyTorch. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для получения эмбеддингов изображений и текста и оценки их сходства. Это позволяет использовать её для поиска изображений по запросу и поиска текста по изображению. Карточка приводит результаты на наборах MUGE, Flickr30K-CN и COCO-CN. Основной язык модели — китайский. Лицензия в предоставленных данных не указана.

ComfyUI-Starter-Packs — это курируемый набор моделей и вспомогательных компонентов для пользователей ComfyUI, разработанный автором репозитория MaxedOut. Набор предназначен для генерации изображений по тексту, редактирования и дорисовки изображений, управления композицией через ControlNet, работы с глубиной, контуром Canny и позами, повышения разрешения, восстановления лиц и использования image-to-image сценариев. В состав входят компоненты для семейств Flux1, SDXL и Wan2.2, включая модели Flux для генерации, inpainting, Kontext, ControlNet, Canny и Depth, а также варианты Krea и Schnell. Для Wan2.2 представлены компоненты text-to-video с моделями 14B, текстовым энкодером UMT5-XXL и Lightning LoRA. Также включены SDXL-чекпойнты, ControlNet-модели, VAE, CLIP-компоненты, LoRA, PuLID, Redux, GGUF-квантизации, Nunchaku-версии, модели ADetailer, SAM, GFPGAN, CodeFormer и средства апскейлинга. Точный размер моделей, длина контекста и полный перечень поддерживаемых языков не указаны; в метаданных заявлен английский язык. Сильная сторона набора — широкое покрытие распространённых задач ComfyUI и наличие вариантов в разных форматах и уровнях квантизации, что может упростить подбор конфигурации под доступное оборудование. Ограничение заключается в том, что это не единая модель, а коллекция разнородных моделей и компонентов, поэтому качество, требования к памяти, совместимость и условия использования различаются для отдельных файлов. Для репозитория указана лицензия «other», однако конкретные лицензии входящих моделей не уточнены; перед использованием необходимо проверить условия каждого компонента.

latentcat/control_v1p_sd15_brightness — модель ControlNet для Stable Diffusion, разработанная пользователем @ciaochaos и предназначенная для работы в web UI AUTOMATIC1111. Она добавляет управление яркостью к процессу генерации и преобразования изображений: позволяет колоризировать чёрно-белые изображения и изменять цветовую тональность сгенерированных изображений. Модель относится к сценарию image-to-image и работает с визуальными данными. В карточке указано, что при обучении использовался набор данных ioclab/grayscale_image_aesthetic_3M; заявленный язык — английский. Архитектура, количество параметров, поддерживаемый контекст и точные требования к базовой версии Stable Diffusion не указаны. Сильной стороной модели является специализированное управление яркостью и возможность использовать его для колоризации и перекрашивания изображений. Ограничения, риски, смещения, рекомендуемые параметры и перечень сценариев вне области применения в карточке не описаны, поэтому качество и применимость для конкретных задач требуют самостоятельной проверки. Доступна демонстрация в Hugging Face Space brightness-controlnet. Модель распространяется по лицензии CreativeML OpenRAIL-M.

FLUX.1-Fill-dev-OneReward — объединённый чекпойнт для ComfyUI, созданный на основе FLUX.1-Fill-dev и OneReward. OneReward — метод RLHF для визуальных задач, в котором Qwen2.5-VL используется как генеративная модель оценки; результат предназначен для редактирования изображений, включая заполнение и расширение их областей по текстовому описанию. Модель работает с изображениями и текстовыми инструкциями в сценариях inpainting и outpainting. В README заявлено, что она превосходит закрытую FLUX Fill [Pro] в этих задачах; независимые условия сравнения не приведены. Для использования через Diffusers требуется специальный FluxFillCFGPipeline из официального исходного кода. Репозиторий содержит веса safetensors и распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

QuantStack/FLUX.1-Kontext-dev-GGUF — это квантизированная модель в формате GGUF, напрямую преобразованная из FLUX.1-Kontext-dev, разработанной Black Forest Labs. По имеющимся данным, модель предназначена для сценариев image-to-image, то есть для преобразования и редактирования изображений на основе исходного изображения, однако подробные сведения о поддерживаемых языках, архитектуре, размере, модальностях и длине контекста не указаны. Модель можно использовать в ComfyUI через пользовательский узел ComfyUI-GGUF; файлы размещаются в каталоге ComfyUI/models/unet. Квантизация может снизить требования к ресурсам, но конкретный уровень квантизации и его влияние на качество в карточке не указаны. Применяются исходные условия и ограничения лицензии FLUX.1-Kontext-dev: flux-1-dev-non-commercial-license; лицензия некоммерческая, полный текст доступен в файле LICENSE.md.

FLUX.2-klein-9B-bnb-4bit — модель генерации и редактирования изображений семейства FLUX.2, опубликованная пользователем circulus, связанным с Circulus Inc. Она предназначена для преобразования исходного изображения по текстовому описанию, а также поддерживает генерацию изображений по промпту через конвейер Diffusers. Модель использует Flux2KleinPipeline, Flux2Transformer2DModel, текстовый энкодер Qwen3ForCausalLM, токенизатор Qwen2TokenizerFast и VAE AutoencoderKLFlux. Модельный конвейер опубликован в формате Diffusers Safetensors; конфигурация указывает на 4-битную quantization через bitsandbytes, тогда как метаданные репозитория также содержат тег 8-bit. В карточке приведён пример работы с CUDA и bfloat16. Основные сценарии — текстовое редактирование изображений, замена объектов и стилистическая трансформация исходных изображений. Для использования требуется совместимое окружение Diffusers и значительные вычислительные ресурсы. Языки, длина контекста и лицензия по доступным данным не установлены.

eramth/flux-kontext-4bit — вариант FLUX.1-Kontext-dev с NF4-квантизированным трансформером и энкодером T5. Репозиторий предназначен для работы через Diffusers и содержит веса в формате Safetensors. Модель предназначена для создания и редактирования изображений по текстовым запросам, включая изменение существующего изображения. Базовая FLUX.1 Kontext [dev] от Black Forest Labs ориентирована на редактирование изображений по текстовым инструкциям с сохранением согласованности при последовательных изменениях. Для установки README указывает bitsandbytes. В README лицензия не описана, а метаданные указывают лицензию «other», поэтому конкретные условия использования по имеющимся сведениям определить нельзя. В карточке указан тег 8-bit, тогда как README называет NF4-квантизированными трансформер и энкодер T5; точная конфигурация квантизации из этих сведений неоднозначна.

DeepFloyd IF-II-L-v1.0 — каскадная пиксельная диффузионная модель для генерации изображений по текстовому описанию, разработанная DeepFloyd и Stability AI. Это вторая стадия каскада IF: модель с 1,2 млрд параметров использует эмбеддинги замороженного текстового энкодера на основе T5 и UNet с cross-attention, чтобы повышать разрешение изображения с 64×64 до 256×256 пикселей. Репозиторий распространяет модель в форматах Diffusers, PyTorch и Safetensors. Модель подходит для создания иллюстраций и фотореалистичных изображений по текстовым запросам, а также для повышения разрешения результатов первой стадии IF. Она лучше работает с английскими запросами; заявлена ограниченная поддержка других романских языков. В README приведена оценка FID-30K 6,66 на COCO, но модель не гарантирует идеальный фотореализм и не предназначена для достоверного изображения реальных людей или событий. Обучающие данные могут отражать культурные и социальные предубеждения. Для использования требуется принять условия DeepFloyd IF License Agreement; запуск через Diffusers с выгрузкой частей модели на CPU описан как возможный на GPU с 14 ГБ видеопамяти.

Kandinsky 5.0 I2I Lite SFT — модель редактирования изображений из семейства Kandinsky 5.0, разработанного KandinskyLab. Это дообученная версия предварительно обученной Kandinsky-5.0-I2I-Lite, предназначенная для преобразования и редактирования изображений. Модель содержит 6 млрд параметров и использует латентную диффузию с Flow Matching и генеративный бэкбон Diffusion Transformer (DiT), связанный с текстовыми представлениями через cross-attention. Для кодирования текста применяются Qwen2.5-VL и CLIP, для кодирования и декодирования изображений — Flux VAE. Модель распространяется в формате Diffusers; для работы авторы указывают использовать форк Diffusers, пока поддержка не будет объединена с основной библиотекой. Лицензия — MIT. Карточка называет её вариантом с высоким качеством генерации, но не приводит в доступном тексте количественных оценок или подробных результатов.

LLM2CLIP-EVA02-L-14-336 — модель семейства CLIP, разработанная исследователями Tongji University и Microsoft. Это визуальный backbone на архитектуре EVA-CLIPModel, предназначенный для сопоставления изображений с текстовыми описаниями и поиска по изображениям или тексту. Модель улучшает текстовую различимость представлений CLIP с помощью обучения LLM в пространстве подписей и контрастивного обучения; подход поддерживает длинные и сложные описания и расширяет возможности кросс-языкового поиска. Модель обучалась на данных CC3M, CC12M, YFCC15M и подмножестве Recap-DataComp-1B. В карточке Hugging Face основная задача обозначена как zero-shot классификация изображений; веса представлены в формате PyTorch. Лицензия — Apache-2.0. В опубликованной работе улучшения оценки приведены для PyTorch-весов, и авторы предупреждают, что результаты на версии Hugging Face могут отличаться.

Карточка модели Alpha-VLLM/Lumina-mGPT-2.0-Omni на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-2.0, поэтому описание составлено по ней. Lumina-mGPT 2.0 — авторегрессионная декодерная модель для генерации и редактирования изображений, разработанная Alpha-VLLM и обученная с нуля. Она объединяет генерацию изображений по текстовому описанию, создание пар изображений, генерацию с заданным субъектом и управляемую генерацию, многошаговое редактирование изображений и плотное предсказание. Модель предназначена для сценариев, где нужно создавать изображения по текстовым инструкциям и постепенно менять их в диалоге. Также заявлены задачи генерации с дополнительными условиями и плотного предсказания. В README указано, что доступны реализация и код сэмплирования; веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает размер модели, поддерживаемые языки, длину контекста или подробные ограничения качества; указанные возможности редактирования и генерации описаны без количественных оценок.

MoEViE-L16-384 — визуальный энкодер Meta из семейства MoE-ViE, предназначенный для понимания изображений и видео. Модель использует контрастивное обучение на визуально-языковых данных и архитектуру Mixture-of-Experts: каждый MoE-блок содержит общего эксперта и пул маршрутизируемых экспертов, а для каждого токена активируется лишь часть параметров. Этот вариант имеет архитектуру L/16: ширина 1024, 24 слоя, разрешение изображений 384 пикселя, 1,7 млрд параметров всего и около 0,3 млрд активных параметров. Он подходит для классификации изображений без примеров целевых классов, а также для сопоставления изображений с текстом и поиска по визуально-текстовым представлениям. В карточке приведены нулевые результаты на ImageNet-1k, ObjectNet и задачах поиска по COCO, Kinetics-400 и MSR-VTT. Для запуска требуются CUDA GPU и Triton; ядра MoE компилируются во время выполнения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

NextStep-1-Large-Edit — модель StepFun для редактирования и генерации изображений. В карточке описана архитектура NextStep-1: авторегрессионная модель на 14 млрд параметров с отдельной головой flow matching на 157 млн параметров. Она обучена на дискретных текстовых и непрерывных визуальных токенах с предсказанием следующего токена. Метаданные указывают архитектуру LlamaForCausalLM, библиотеку Transformers и контекст 131 072 токена. Модель предназначена для задач генерации изображений и редактирования изображений; карточка также отмечает высокую точность синтеза. Репозиторий содержит веса в формате safetensors и VAE-чекпойнт. Лицензия — Apache-2.0. Доступные сведения не описывают конкретные ограничения качества или поддерживаемые языки.

nunchaku-ai/nunchaku-flux.1-kontext-dev — квантизированная версия модели FLUX.1-Kontext-dev, разработанная командой Nunchaku. Это диффузионная image-to-image модель для редактирования изображений по текстовым инструкциям, предназначенная для использования через Diffusers и ComfyUI. Модель использует 4-битную квантизацию SVDQuant, оптимизированную для эффективного вывода при минимальной потере качества. Доступны вариант INT4 для видеокарт до поколения Blackwell и вариант NVFP4 для видеокарт Blackwell (серия 50). В метаданных указана поддержка английского языка; сведения о размере модели, максимальном контексте и точной архитектуре не приведены. Основные преимущества — снижение вычислительных и, вероятно, ресурсных затрат при сохранении производительности исходной FLUX.1-Kontext-dev, а также поддержка сценариев редактирования изображений на основе текста. Ограничения связаны с производительностью и совместимостью, зависящими от используемого варианта квантизации и GPU. Модель распространяется по лицензии flux-1-dev-non-commercial-license Black Forest Labs, допускающей некоммерческое использование согласно условиям исходной модели.

PP-LCNet_x1_0_textline_ori — модель классификации ориентации текстовых строк, разработанная командой PaddlePaddle для экосистемы PaddleOCR. Она предназначена для определения направления текста на изображении и его последующей коррекции перед OCR-обработкой, что особенно полезно при сканировании документов и фотографировании удостоверений, сертификатов и других материалов, когда устройство может быть повернуто. Модель основана на архитектуре PP-LCNet и классифицирует два варианта ориентации: 0 и 180 градусов. Средний показатель точности составляет 98,85%, размер модели — около 0,96 МБ. В карточке указаны языки en и zh, однако основная функция модели не распознавание текста, а классификация его ориентации. Предусмотрено использование через PaddleOCR с движком ONNX Runtime; модель принимает изображения текстовых строк и поддерживает пакетную обработку. Сильными сторонами являются компактный размер, высокая точность и пригодность для предварительной коррекции изображений в OCR-конвейерах. Ограничение модели — поддержка только двух направлений, поэтому она не предназначена для классификации произвольных углов поворота или полноценного распознавания текста. Модель распространяется по лицензии Apache-2.0.

dx8152/Qwen-Edit-2509-Light-Migration — модель LoRA для редактирования изображений, созданная сообществом на базе Qwen/Qwen-Image-Edit-2509. Она предназначена для переноса освещения и цветового тона с одного изображения на другое, включая сценарии, где исходное изображение уже имеет собственное освещение. Модель позволяет переосвещать изображение по текстовому указанию и референсу с желаемым светом и тенями. Модель работает в режиме image-to-image и интегрируется с библиотекой diffusers. Для использования требуется базовая модель Qwen/Qwen-Image-Edit-2509; в README также упоминается совместимость с вариантами Lightning, причём автор считает версию Edit более эффективной. Архитектурный размер, поддерживаемые языки, максимальный контекст, обучающий датасет и точные требования к ресурсам не указаны. В качестве сильной стороны заявлена возможность вторичного освещения изображений с уже существующим светом, однако количественные оценки качества и подробные ограничения не приведены. Модель распространяется по лицензии Apache-2.0. Обучение проводилось без написания кода на инфраструктуре ModelScope.

Qwen-Edit-2509-Multi-Angle-Lighting — это LoRA-адаптер для image-to-image обработки изображений, созданный сообществом dx8152 на базе Qwen/Qwen-Image-Edit-2509. Модель предназначена для перенастройки освещения изображения с использованием карты яркости: можно задавать направление источника света спереди, сзади, сбоку, сверху, снизу и под промежуточными углами. Для работы используются исходное изображение и изображение с картой яркости, а рекомендуемый сценарий задаётся текстовым запросом на русском или английском языке. Ключевые сведения об архитектуре и размере адаптера, поддерживаемых языках и максимальном контексте в README не указаны. Авторы отмечают улучшение общего качества и возможность управлять яркостью света с помощью чёрно-белых настроек карты яркости. Ограничение модели состоит в том, что освещение под некоторыми углами пока может контролироваться нестабильно; это заявлено как область для будущего обновления. Модель распространяется по лицензии Apache-2.0.

Qwen-Image 2.1 GGUF — квантизированная версия диффузионной модели Qwen-Image 2.1, разработанной командой Qwen (Alibaba). Конвертацию весов в формат GGUF и их квантизацию выполнил AlperKTS; модель предназначена для запуска в ComfyUI с расширением ComfyUI-GGUF. Модель поддерживает генерацию изображений по текстовому описанию, редактирование и преобразование изображений, а также сценарии image-to-image. В карточке заявлена поддержка английского и китайского языков. Основные возможности включают качественную визуализацию, рендеринг текста на изображениях и сохранение композиции. Архитектурные параметры, количество параметров и размер контекстного окна не указаны. Доступны варианты Q8_0 размером около 7,2 ГБ с рекомендуемым объёмом видеопамяти от 12 ГБ, Q6_K размером около 5,5 ГБ для 8–12 ГБ видеопамяти и Q5_K_M размером около 4,6 ГБ для 8 ГБ видеопамяти. Квантизация снижает требования к памяти по сравнению с исходной BF16-моделью размером около 14,2 ГБ, однако может сопровождаться компромиссом между экономией ресурсов и точностью. Для работы также требуются отдельные VAE и текстовый энкодер Qwen3-VL. Модель распространяется по лицензии Qwen Research License.

Qwen-Image-2.1-MLX-4bit — 4-битная квантованная версия модели Qwen-Image-2.1, подготовленная MindCraft Studio для работы на компьютерах Mac с Apple Silicon через MLX. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений по инструкциям на естественном языке; при редактировании поддерживает от одного до десяти референсных изображений. Модель понимает запросы на английском и китайском языках и умеет создавать изображения с прозрачностью RGBA. Квантованные веса занимают около 11,6 ГБ; README указывает поддержку чипов Apple Silicon M1–M5. Лицензия — Qwen Research License Agreement, как у исходной модели.

OPPOer/Qwen-Image-Edit-2509-Pruning — экспериментальная обрезанная версия Qwen-Image-Edit, опубликованная OPPOer. В README указано, что из модели удалили 20 слоёв, сохранив веса 40 слоёв; размер составляет 13,6 млрд параметров. Репозиторий распространяет модель в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Модель предназначена для редактирования изображений по текстовым инструкциям. Базовая Qwen-Image-Edit поддерживает точечные правки, перенос стиля и изменение китайского и английского текста на изображении; карточка этой производной модели отмечает задачу image-to-image и языки en и zh. README сообщает, что pruning продолжает итеративно развиваться. Лицензия — Apache-2.0.