I.8Изображения и компьютерное зрение

Daex032/Qwen-Image-Edit-2511-GGUF — это GGUF-квантизированная версия модели Qwen-Image-Edit-2511, разработанной командой Qwen. Сборка предназначена для задач редактирования изображений по текстовым инструкциям и относится к сценарию image-to-image; заявлены поддержка английского и китайского языков. Модель ориентирована на сохранение идентичности персонажей и объектов при редактировании, включая работу с несколькими людьми, объединение изображений и создание сцен с заданным расположением объектов. Среди улучшений указаны снижение дрейфа изображения, повышение согласованности персонажей, поддержка LoRA, улучшенная генерация промышленного дизайна и усиленное геометрическое рассуждение. Архитектура и количество параметров в README не указаны. Формат GGUF и методология Unsloth Dynamic 2.0 направлены на более эффективное локальное использование; для запуска упоминается интеграция с ComfyUI-GGUF. Модель распространяется по лицензии Apache-2.0. Ограничения включают отсутствие в README сведений о размере модели, требованиях к видеопамяти, максимальном разрешении и длине контекста, а также количественных оценок качества.

Qwen Image Edit Inpainting — LoRA-адаптер для модели Qwen-Image-Edit, разработанный автором Ostris. Модель предназначена для управляемого редактирования изображений методом inpainting: пользователь закрашивает область, которую нужно изменить, чистым зелёным цветом RGB (0, 255, 0), а затем задаёт текстовую инструкцию с описанием содержимого для этой области. Адаптер ориентирован на сценарии локальной замены или добавления объектов и деталей в изображении, включая создание персонажей, аксессуаров и художественных элементов по текстовому описанию. В README приведены примеры с головными уборами, солнцезащитными очками, бородой, рогами и световым мечом. Архитектура, размер, поддерживаемые языки, максимальная длина контекста и точные требования к ресурсам не указаны. Модель относится к задачам генерации и редактирования изображений и использует текстовые инструкции вместе с визуальным входом. Ключевая особенность — специализированный «зелёный экран» для выделения области редактирования; важно использовать именно чистый зелёный цвет RGB (0, 255, 0). Ограничения качества, совместимости и производительности отдельно не описаны. Лицензия — Apache-2.0.

SEA-CLIP-Tiny — компактная мультиязычная модель совместного представления текста и изображений, созданная авторами репозитория и дистиллированная из MetaCLIP2-ViT-B-16-worldwide. Она предназначена для поиска изображений по текстовому запросу и классификации изображений без дообучения на заданных классах. Модель содержит 46,11 млн параметров: визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384 с размерностью эмбеддингов 512. Использует токенизатор CLIP BPE с контекстом 77 токенов и библиотеку open_clip. Модель поддерживает английский и семь языков Юго-Восточной Азии: индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. В README сообщается о лучших средних показателях retrieval R@1/R@5/R@10 среди компактных моделей, сравнивавшихся в статье, и о меньшей задержке на CPU по сравнению с MobileCLIP2. Лицензия — MIT. Модель выдаёт совместимые векторы текста и изображений, а результаты классификации зависят от формулировки текстовых меток и качества соответствия обучающим данным.

zeromodels выпускает конверсию SigLIP 2 Base Patch16 224 в формате Keras 3 для библиотеки zeromodels. Модель сопоставляет изображения с текстовыми подсказками и выполняет классификацию изображений без дополнительного дообучения. Вариант основан на google/siglip2-base-patch16-224 и использует визуально-языковую архитектуру SigLIP 2; реализация Keras работает с TensorFlow, PyTorch и JAX. Модель принимает изображения и текстовые запросы, а на выходе оценивает соответствие между ними. Мультиязычный токенизатор на основе словаря Gemma поддерживает запросы на многих языках. Подходит для классификации изображений по пользовательским категориям и поиска соответствий между изображениями и описаниями. Лицензия — Apache 2.0.

zeromodels представляет конверсию SigLIP Large Patch16-256 в формате Keras 3 для классификации изображений по текстовым описаниям без дообучения на конкретных классах. Это двухбашенный мультимодальный энкодер изображений и текста, основанный на google/siglip-large-patch16-256 и обученный с попарной sigmoid loss. Модель принимает изображение и текстовые промпты и оценивает соответствие между ними; реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений по пользовательским категориям, поиска изображений по текстовому описанию и сопоставления текста с изображениями. Вариант использует патчи размером 16 и входное разрешение 256 пикселей. Лицензия — Apache 2.0. README указывает на карточку исходной модели для дополнительных сведений; размер параметров, языковая поддержка и ограничения качества для этой конверсии не описаны.

Stable Diffusion v1.5 Inpainting — модель генерации и редактирования изображений на основе латентной диффузии, разработанная Робином Ромбахом и Патриком Эссером. Этот репозиторий является зеркалом устаревшего репозитория RunwayML и не связан с RunwayML. Модель использует фиксированный предварительно обученный текстовый энкодер CLIP ViT-L/14 и доступна через Diffusers; также в README упомянута интеграция с AUTOMATIC1111. Модель предназначена для заполнения или изменения области изображения по маске и текстовому запросу, а также для генерации изображений по тексту. Подходит для художественных и дизайнерских задач, творческих инструментов и исследований генеративных моделей. В карточке заявлен английский язык; обучение проводилось на подмножествах LAION-2B (en). Лицензия — CreativeML OpenRAIL-M. Модель может недостаточно точно передавать фотореализм, текст, сложные пространственные композиции, лица и людей; результаты хуже с запросами не на английском. Автоэнкодер вносит потери, а обучающие данные содержат взрослый материал и могут приводить к запоминанию изображений и усилению культурных смещений. Карточка предупреждает, что для применения без дополнительных мер безопасности модель не подходит.

Stable Diffusion v1.5 Inpainting GGUF — модель генерации и редактирования изображений, созданная на основе Stable Diffusion Inpainting от Runway ML; разработчиками исходной модели указаны Robin Rombach и Patrick Esser. Данный репозиторий является зеркалом устаревшего проекта и не аффилирован с RunwayML. GGUF-квантизация подготовлена на базе stable-diffusion.cpp с патчами llama-box и экспериментально поддерживается только gpustack/llama-box версии 0.0.98 и выше. Модель предназначена для генерации фотореалистичных изображений по текстовому описанию и для inpainting — заполнения или замены областей изображения по маске. Это latent diffusion model с текстовым энкодером CLIP ViT-L/14; исходное обучение проводилось при разрешении 512×512 на датасете laion-aesthetics v2 5+. Для inpainting UNet использует пять дополнительных входных каналов: четыре для закодированного изображения под маской и один для самой маски. Указан английский язык. Доступны варианты квантизации FP16, Q8_0, Q4_1 и Q4_0; CLIP ViT-L/14 и VAE во всех вариантах имеют квантизацию FP16. Сильная сторона модели — сочетание текстовой генерации и управляемого редактирования изображений с сохранением немаскированных областей. Ограничения включают экспериментальный статус GGUF-версии, зависимость от llama-box и отсутствие данных о поддерживаемых разрешениях, производительности и качестве для других языков. Модель распространяется по лицензии CreativeML OpenRAIL M.

Taiyi-CLIP-Roberta-102M-Chinese — китайская модель для сопоставления изображений и текста, разработанная командой Fengshenbang. Она использует архитектуру CLIP с визуальным энкодером ViT-B/32 и текстовым энкодером RoBERTa-base на основе chinese-roberta-wwm; при предобучении визуальный энкодер был заморожен, а текстовый дообучался. Модель обучали на 123 млн пар изображение–текст из наборов Noah-Wukong и Zero; текстовый энкодер содержит около 129,5 млн параметров по метаданным, контекст ограничен 512 токенами. Модель предназначена для получения общих визуально-языковых представлений на китайском языке. Её можно применять для классификации изображений без дополнительного обучения и поиска изображений по текстовому запросу; в README приведены результаты на ImageNet1k-CN, Flickr30k-CNA, COCO-CN и wukong50k. Заявленные возможности и обучающие данные ориентированы на китайский язык, поэтому качество для других языков не установлено. Распространяется по лицензии Apache-2.0.

Это модель CLIP с архитектурой ViT-bigG-14-quickgelu, подготовленная для использования через библиотеки open_clip и timm. В карточке указано, что она связана с набором данных MetaCLIP-2.5B. Модель сопоставляет изображения и текстовые описания, поэтому подходит для классификации изображений по текстовым меткам без отдельного обучения на этих метках. Модель принимает изображения и текстовые описания и выдаёт оценки их соответствия. Файлы доступны в форматах PyTorch и Safetensors; для применения требуется совместимая реализация open_clip или timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

timm/vit_huge_patch14_clip_378.metaclip2_worldwide — модель семейства CLIP с визуальным энкодером ViT-H/14 и размером входного изображения 378 пикселей. Она доступна для использования через open_clip и timm и предназначена для классификации изображений по текстовым описаниям без дообучения: модель сопоставляет изображение с кандидатными метками, заданными текстом. Вариант весов называется ViT-H-14-worldwide-378 с pretrained_tag metaclip2_worldwide и связан с MetaCLIP2. Модель принимает изображения и текстовые метки, а выдаёт оценки сходства для выбора подходящей метки. Репозиторий содержит веса PyTorch в формате safetensors; лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Сведения о языках и контексте в карточке отсутствуют, поэтому языковую поддержку не уточняю.

Это модель CLIP с архитектурой ViT-L/14, обученная на данных LAION-400M. Репозиторий timm предоставляет веса, совместимые с open_clip и timm, в форматах PyTorch и safetensors; библиотека модели — open_clip. Модель сопоставляет изображения и текстовые описания, поэтому её можно применять для классификации изображений по текстовым меткам без отдельного обучения классификатора. Она подходит для поиска подходящей подписи или категории среди заданных вариантов. В метаданных Hugging Face основная задача указана как zero-shot image classification. Модель распространяется по лицензии MIT. Результаты зависят от формулировок текстовых меток и распределения данных; карточка не описывает специальные ограничения или оценку качества.

ViT-SO400M-14-SigLIP — контрастивная модель сопоставления изображений и текста на основе SigLIP, обученная на наборе WebLI. Исходные веса из контрольных точек JAX проекта Big Vision преобразованы в PyTorch; репозиторий поддерживается timm и распространяется в форматах PyTorch и safetensors под лицензией Apache-2.0. Модель предназначена для классификации изображений по текстовым описаниям без отдельного дообучения: она сравнивает изображение с набором предложенных пользователем категорий и позволяет выбрать наиболее подходящую. Через OpenCLIP доступны работа с изображениями и текстом, а через timm — получение эмбеддингов изображений. Карточка не приводит сведений о размере модели, длине контекста или поддерживаемых языках; точность зависит от формулировок текстовых меток и домена изображений.

Это модуль ControlNet для Wan 2.2, предназначенный для управления генерацией или преобразованием видео по карте контуров Canny. Репозиторий описывает подход как аналогичный ControlNet для Wan 2.1 и рекомендует использовать модуль в ComfyUI через WanVideoWrapper. Модель принимает видеоданные с контурным управлением и предназначена для задач video-to-video. Файлы весов размещены в формате Safetensors; лицензия — Apache-2.0. Для работы через Diffusers требуется актуальная версия библиотеки.

WordDetector — модель обнаружения отдельных рукописных слов на изображениях документов, разработанная как часть проекта Xournal++ HTR. Она предназначена для этапа выделения слов в конвейере распознавания рукописного текста и выдаёт ограничивающие рамки, не выполняя транскрипцию. Модель использует модифицированный энкодер ResNet-18 и декодер в стиле U-Net. На вход подаётся изображение в оттенках серого, приводимое к размеру 448×448; выходные карты сегментации и геометрии обрабатываются для получения рамок слов. Для инференса предусмотрен формат ONNX и ONNX Runtime, поэтому модель рассчитана на запуск на обычных устройствах без GPU. Обучение проводилось на IAM Handwriting Database. Модель распознаёт расположение слов, но не их содержание. Фиксированное масштабирование до 448×448 может искажать неквадратные изображения, а качество на почерках, отличающихся от стиля IAM, может варьироваться. Лицензия — MIT.

BridgeTower large-itm-mlm-itc — модель для обучения совместных представлений изображений и текста, разработанная Xiao Xu, Chenfei Wu, Shachar Rosenman, Vasudev Lal, Wanxiang Che и Nan Duan. Она использует архитектуру BridgeTower с визуальным и текстовым энкодерами, соединёнными несколькими мостовыми слоями для согласования и объединения представлений разных уровней. В модели около 100,7 млн параметров. Модель предварительно обучена на английском языке с задачами masked language modeling и image-text matching на наборах Conceptual Captions, Conceptual 12M, SBU Captions, MSCOCO Captions и Visual Genome. Она предназначена для получения и сопоставления представлений изображений и текстов, поиска изображений по описанию и других задач vision-language; в статье также приводятся результаты для визуальных вопросов и ответов. Репозиторий содержит веса PyTorch. Лицензия — MIT.

CyberRealistic-v3.3-Inpainting — модель генерации изображений, размещённая пользователем dhanushreddy29 на Hugging Face. Она основана на Stable Diffusion и предназначена для работы через Diffusers StableDiffusionPipeline; метаданные классифицируют её как text-to-image и указывают лицензию CreativeML OpenRAIL-M. Модель ориентирована на фотореалистичную генерацию и редактирование изображений методом inpainting, а также на outpainting: пользователь задаёт текстовое описание и может заменять или дорисовывать выбранные области изображения. Внешние описания также указывают на поддержку textual inversion и LoRA. Модель выпущена 19 сентября 2023 года. Доступные материалы не содержат надёжных сведений о числе параметров, длине контекста, точной базовой версии Stable Diffusion или официально заявленном наборе языков; текстовые подсказки зависят от возможностей базовой модели и используемого интерфейса. Для использования применяются Diffusers и совместимое вычислительное окружение. Лицензия — creativeml-openrail-m.

Jwalit разработал Document Moiré Detection Model V2 — модель компьютерного зрения для выявления муаровых артефактов на изображениях документов. Это дообученный DeiT-small на базе Vision Transformer с классификационной головой; в карточке указано 28,3 млн параметров. Модель относит изображение к одному из двух классов: clean или moire. Для предсказания изображение масштабируется до 224×224 пикселей. Модель предназначена для проверки качества сканов, фотографий документов и снимков экрана, а также для поиска муара, возникшего при съёмке экрана, сканировании или захвате изображения. В README приведены результаты на тестировании, включавшем слабый и локализованный муар; автор сообщает точность 99,12%, F1 0,9913 и полноту 99,75%. Обучение проводилось на 8 000 примерах с синтетически созданными муаровыми паттернами. Модель распространяется по лицензии Apache-2.0. Её качество на реальных вариантах муара может отличаться от результатов на синтетических данных; на фотографиях обычных сцен точность не гарантируется. Масштабирование до 224×224 может скрыть очень слабый муар в изображениях высокого разрешения, а повышенная полнота сопровождается ложными срабатываниями на чистых изображениях.

DreamLite — диффузионная модель ByteDance на архитектуре UNet для генерации изображений по текстовому описанию и редактирования изображений. Она использует трёхветвевую схему dual-CFG и рассчитана на работу с изображениями размером 1024×1024. Для работы конвейер использует Qwen3VLForConditionalGeneration и Qwen3VLProcessor. В README указана зависимость от версии transformers==4.57.3: версии transformers 5.0 и выше могут вызывать заметные блочные артефакты на изображениях. Модель предназначена для генерации и редактирования изображений. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает использование некоммерческими целями. Полная карточка модели ещё не опубликована.

BAAI/Emu3-Chat — мультимодальная модель команды Emu3 из BAAI, построенная на плотном трансформере Emu3ForCausalLM с 7,7 млрд параметров. Она обучена с нуля предсказывать следующий токен в последовательностях, где изображения, текст и видео представлены дискретными токенами. Модель предназначена для генерации текста в ответ на запросы и для мультимодальных сценариев, описанных для семейства Emu3: понимания изображений, создания изображений по тексту, продолжения видео и предсказания его дальнейшего содержания. Архитектура семейства объединяет генерацию и восприятие в одном трансформере; заявлена гибкая поддержка разрешений и стилей изображений. В метаданных указано контекстное окно 131 072 токена. Карточка не уточняет отдельные показатели качества именно версии Chat и перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

Это веса модели EVA02 Base Patch16 CLIP с входным разрешением 224 пикселя, опубликованные timm в формате OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными категориями без отдельного обучения на этих категориях. Модель использует архитектуру CLIP с визуальным энкодером EVA02 и доступна в форматах PyTorch и safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки, поэтому эти характеристики не приводятся.

Flex.2-preview — открытая диффузионная модель генерации изображений по тексту, созданная сообществом и представленная как продолжение Flex.1-alpha. Модель содержит 8 млрд параметров, использует 16-канальное латентное пространство и принимает входной текст длиной до 512 токенов. В метаданных указана библиотека Diffusers и формат safetensors. Модель предназначена для генерации изображений по текстовым запросам, редактирования областей изображения с помощью встроенного inpainting и управления генерацией по позе, контурам или карте глубины. В README заявлен guidance embedder, ускоряющий генерацию вдвое, но сравнительные условия не описаны. Модель доступна для экспериментов и тонкой настройки, поддерживает использование через Diffusers и ComfyUI. Это ранняя preview-версия, выпущенная для сбора отзывов и проверки новых возможностей; качество и слабые стороны автор предлагает оценивать экспериментально. Лицензия Apache 2.0 разрешает свободное использование, включая коммерческие сценарии.

Florence-2-large-PromptGen v2.0 — модель MiaoshouAI на базе Florence-2, предназначенная для создания подписей и промптов по изображениям. Она предлагает несколько форматов вывода: теги в стиле Danbooru, короткую подпись, подробное описание, структурированное описание с расположением объектов и анализ композиции. Смешанный режим объединяет подробную подпись и теги для подготовки текста под Flux, включая варианты для T5XXL и CLIP_L. Модель рассчитана на работу с изображениями в сценариях генерации и тегирования: автор заявляет низкое потребление памяти — чуть более 1 ГБ видеопамяти — и высокую скорость. Для использования через графический интерфейс автор рекомендует узел ComfyUI-Miaoshouai-Tagger. Репозиторий содержит веса в safetensors; лицензия — MIT. В карточке не приведены измерения качества или результаты сравнений, поэтому заявленные скорость и качество следует считать характеристиками по описанию автора.

Fluently V4-inpainting — модель генерации и редактирования изображений на основе Stable Diffusion 1.5, опубликованная автором Fluently. Это специальная версия для inpainting, особенно для небольших областей и сложных объектов; карточка также заявляет поддержку outpainting, реалистичных и художественных изображений, аниме и комиксов. Модель рассчитана на использование с Diffusers и форматом safetensors; автор рекомендует запускать её через AUTOMATIC1111 с 20–30 шагами и CFG 5–7. В README автор описывает Fluently как результат объединения нескольких чекпойнтов и LoRA, однако метаданные Hugging Face указывают базовой моделью runwayml/stable-diffusion-inpainting и классифицируют связь как дообучение. Лицензия обозначена как other, поэтому условия использования следует уточнять на странице модели. Заявления автора о качестве анатомии и детализации не сопровождаются количественными оценками.

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.

FLUX.2 [dev] — модель генерации и редактирования изображений на основе rectified flow transformer с 32 млрд параметров, разработанная Black Forest Labs и перепубликованная Unsloth как зеркало с неизменёнными весами. Она создаёт изображения по текстовым инструкциям, редактирует изображение по тексту и объединяет несколько референсных изображений; для переноса персонажа, объекта или стиля дополнительное дообучение не требуется. Модель предназначена для художественных и исследовательских рабочих процессов, включая создание изображений и редактирование с одним или несколькими референсами. Она использует guidance distillation для повышения эффективности. Репозиторий распространяет веса в форматах Diffusers и safetensors. Лицензия указана как other; README сообщает, что действуют исходные условия FLUX.2 [dev] Non-Commercial License, поэтому коммерческое использование открытых весов не разрешено этой лицензией. README описывает меры снижения рисков и требует применять фильтры для NSFW- и нарушающего права интеллектуальной собственности контента либо ручную проверку. Как и у других генеративных моделей, результаты могут быть ошибочными или нежелательными; перед использованием следует проверять изображения и соблюдать условия лицензии.

FLUX.2-Klein-4B-4bit — 4-битная версия модели семейства FLUX.2 [klein], разработанной Black Forest Labs и представленной в репозитории mlx-community. Это компактный rectified flow transformer с 4 млрд параметров для генерации изображений по текстовому описанию и редактирования изображений, в том числе с несколькими референсами. Архитектура объединяет генерацию и редактирование в одной модели. Модель рассчитана на быстрый инференс, локальную разработку, развертывание на периферийных устройствах и производственное применение; авторы указывают возможность запуска на потребительском оборудовании. Для работы с текстом заявлен английский язык. Репозиторий распространяется по лицензии Apache 2.0. Преимущества — компактный размер и поддержка генерации и редактирования; фактическая скорость и качество зависят от оборудования и сценария использования.

FLUX.2 [klein] 9B INT8 — это квантизированный чекпойнт трансформера базовой модели black-forest-labs/FLUX.2-klein-9B, разработанный vistralis на основе модели Black Forest Labs. Модель предназначена для генерации изображений по текстовому описанию, а также для сценариев редактирования изображений и композиции. Она интегрируется с библиотекой Diffusers и содержит только веса трансформера; текстовый энкодер, VAE, токенизатор и scheduler загружаются из базовой модели. Модель имеет около 9 млрд параметров и использует INT8-квантизацию весов и активаций в формате W8A8, выполненную с помощью NVIDIA TensorRT Model Optimizer. Заявлено примерно двукратное сжатие по сравнению с BF16. Основные слои хранятся в INT8 с масштабами float32, а embedder-слои и выходная проекция сохранены в BF16. Квантизация рассчитана на снижение требований к памяти и может быть альтернативой FP8 для оборудования без нативной поддержки FP8. В README не указаны поддерживаемые языки и максимальная длина контекста. По внутренней оценке на 48 промптах INT8 показала CLIP Score 0,6422 против 0,6426 у BF16-базовой модели; LPIPS составил 0,0615, PSNR — 22,34 дБ, FID — 32,27. Эти результаты указывают на близкое соответствие тексту и высокую схожесть с BF16-выводом, однако выборка небольшая и служит лишь ориентиром. Лицензия — flux-non-commercial-license; коммерческое использование, вероятно, ограничено условиями этой лицензии.

Gliese-Qwen3.5-27B-Abliterated-Caption — мультимодальная модель prithivMLmods на 27 млрд параметров, созданная дообучением Qwen3.5-27B и предназначенная прежде всего для подробного описания изображений. Она принимает изображения и текстовые инструкции, а в ответ генерирует развернутые текстовые подписи с описанием объектов, людей, сцен и окружения; также поддерживает диалоговый режим и визуальное понимание. Модель рассчитана на автоматическую разметку изображений, создание наборов подписей для обучения и исследования в области vision-language. В карточке указаны анализ направлений отказа и их ослабление, поэтому модель может отвечать на запросы, от которых базовая модель отказалась бы, включая генерацию откровенных или спорных описаний. Репозиторий использует архитектуру Qwen3.5 для условной генерации и формат safetensors; базовая модель содержит 27 млрд параметров. Для использования указана лицензия Apache-2.0.

Карточка модели kayraharika/HiDream-O1-Image на Hugging Face совпадает с карточкой HiDream-ai/HiDream-O1-Image, поэтому описание составлено по ней. HiDream-O1-Image — модель генерации и редактирования изображений от HiDream, построенная на Pixel-level Unified Transformer (UiT). Она обрабатывает текст и пиксели в общем пространстве токенов, без внешнего VAE и отдельного текстового энкодера. В карточке семейства указана версия на 8 млрд параметров; модель создаёт изображения напрямую с разрешением до 2048 × 2048. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображения по инструкции, персонализации с сохранением заданного персонажа или объекта, управления композицией и создания раскадровок. Встроенный агент рассуждений помогает уточнять требования к композиции и надписям; заявлена поддержка длинного текста и многоязычных надписей на изображениях. Метаданные классифицируют модель как image-text-to-image. В README описаны полная и дистиллированная Dev-версии; результаты и характеристики могут различаться между ними. Для запуска требуется GPU с поддержкой CUDA; авторы отмечают проблему с PyTorch 2.9.x и рекомендуют полную версию для редактирования. Репозиторий модели распространяется по лицензии MIT.

Карточка модели HiDream-ai/HiDream-O1-Image-Dev на Hugging Face совпадает с карточкой HiDream-ai/HiDream-O1-Image, поэтому описание составлено по ней. HiDream-O1-Image — модель генерации и редактирования изображений от HiDream, построенная на Pixel-level Unified Transformer (UiT). Она обрабатывает текст и пиксели в общем пространстве токенов, без внешнего VAE и отдельного текстового энкодера. В карточке семейства указана версия на 8 млрд параметров; модель создаёт изображения напрямую с разрешением до 2048 × 2048. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображения по инструкции, персонализации с сохранением заданного персонажа или объекта, управления композицией и создания раскадровок. Встроенный агент рассуждений помогает уточнять требования к композиции и надписям; заявлена поддержка длинного текста и многоязычных надписей на изображениях. Метаданные классифицируют модель как image-text-to-image. В README описаны полная и дистиллированная Dev-версии; результаты и характеристики могут различаться между ними. Для запуска требуется GPU с поддержкой CUDA; авторы отмечают проблему с PyTorch 2.9.x и рекомендуют полную версию для редактирования. Репозиторий модели распространяется по лицензии MIT.