I.8Изображения и компьютерное зрение

AltDiffusion-m9 — многоязычная модель генерации изображений семейства Stable Diffusion, разработанная с использованием AltCLIP-m9 и опубликованная в проекте FlagAI. Она предназначена для преобразования текстовых запросов и изображений в изображения; метаданные Hugging Face указывают задачу image-to-image и формат Diffusers/PyTorch. В README описана поддержка английского, китайского, испанского, французского, русского, японского, корейского, арабского и итальянского языков. Модель обучалась на данных WuDao и LAION. Модель рассчитана на многоязычное выравнивание запросов и сохранение возможностей Stable Diffusion. Лицензия — CreativeML OpenRAIL-M. README не приводит контекстное окно или число параметров; в описании указанные размеры файлов весов не трактуются как размер модели.

Bernini-R — GGUF — это набор GGUF-квантизованных версий модели Bernini-R, разработанной ByteDance и опубликованной пользователем neuregex. В основе лежит Wan2.2-T2V-A14B с source-id RoPE и multi-condition APG guidance. Модель предназначена для генерации видео по тексту и редактирования изображений и видео в ComfyUI; поддерживаются сценарии text-to-video, text-to-image, image-to-image и video-to-video при использовании специализированных узлов ComfyUI-BerniniR и ComfyUI-GGUF. Архитектура использует двухэкспертную схему Wan 2.2: эксперт high-noise задаёт композицию, а эксперт low-noise уточняет детали. Для каждого эксперта доступны варианты Q4_K_M, Q5_K_M и Q8_0 размером примерно от 9,66 до 15,4 ГБ. Рекомендуется Q5_K_M как компромисс между качеством и требованиями к памяти, Q8_0 ориентирован на максимальное качество, а Q4_K_M — на минимальный объём VRAM. Оба эксперта могут совместно работать в 24 ГБ VRAM; GGUF-версии не содержат FP8-тензоров. Для работы требуются ComfyUI, узлы ComfyUI-BerniniR и ComfyUI-GGUF, Wan VAE и текстовый энкодер UMT5. Для редактирования изображения и видео необходимо загрузить обоих экспертов и использовать BerniniR · Apply Patches и BerniniR · Guider. В README не указаны языки, размер контекста и точные ограничения по разрешению или длительности видео. Распространение разрешено по лицензии Apache-2.0, как и у базовой модели.

bl-crop-tighten-rfdetrseg-clip10 — модель сегментации отдельных объектов для уточнения рамок книжных иллюстраций в коллекции изображений Британской библиотеки. Она разработана командой small-models-for-glam и дообучена на базе Roboflow/rf-detr-seg-medium. Модель принимает обрезанные фрагменты страниц, уже содержащие иллюстрацию, и возвращает рамки и маски, чтобы отделить изображение от окружающего текста, подписи и фона страницы. Модель рассчитана на одиночные иллюстрации и похожие книжные фрагменты: маски помогают точно выделять круглые виньетки, медальоны и орнаменты неправильной формы. Обучающие метки были получены дистилляцией слабых аннотаций Falcon-Perception-0.6B; человеческие метки при обучении не использовались. В слепой проверке на 40 изображениях 97,4% предсказаний сочли приемлемыми; на тесте с плотными страницами Britannica этот показатель снизился до 55%. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0.

Карточка модели HERONITAMD/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Карточка модели pansonga/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Controlnet-Canny-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 по текстовому описанию с управлением композицией и структурой через карту границ Canny, что подходит для иллюстраций, дизайна, концепт-артов, рекламной и предметной визуализации, а также других задач рисования. Модель работает в связке с пайплайном StableDiffusionXLControlNetPipeline и ориентирована на генерацию изображений высокого разрешения, оптимально около 1024×1024 или других поддерживаемых разрешений. В README указано обучение более чем на 10 миллионах отфильтрованных и снабжённых описаниями изображений с применением аугментации данных, нескольких функций потерь и обучения на разных разрешениях. Поддерживаются текстовая модальность и визуальное условие в виде Canny-карты; конкретный набор языков не указан. Для аниме-примеров рекомендуется использовать базовую модель CounterfeitXL. Сильные стороны модели — управление геометрией и композицией изображения по контурам, генерация детализированных сцен и совместимость с экосистемой Diffusers и SDXL. Ограничения включают зависимость от подходящей базовой модели, качества входной карты границ и текстового запроса; заявленные характеристики превосходства над другими моделями приведены авторами README и не подтверждены независимыми тестами. Модель распространяется по лицензии Apache-2.0.

EasyRef — мультимодальная модель, разработанная авторами проекта EasyRef, для переноса согласованных визуальных признаков из нескольких референсных изображений в генерацию изображений. Она предназначена для сценариев, где нужно сохранить идентичность персонажа или другие общие элементы группы изображений при создании новых изображений; заявлен zero-shot режим. В демонстрации используется связка с SDXL. Модель имеет архитектуру Qwen2-VL и около 1,5 млрд параметров. Она принимает текст и изображения, а результат генерации — изображение. Для лучшей согласованности рекомендуется передавать более двух референсов, особенно квадратные фотографии лица, где лицо занимает большую часть кадра; совместная подача изображений и непустого текстового запроса также улучшает результаты. Понижение параметра scale увеличивает разнообразие, но снижает согласованность. Модель распространяется по лицензии Apache-2.0.

BAAI разработала Emu3-Gen — мультимодальную авторегрессионную модель семейства Emu3 на 7,7 млрд параметров. Она использует плотную архитектуру Emu3ForCausalLM и обучается предсказанием следующего токена: изображения, текст и видео представлены в виде последовательностей дискретных токенов. Репозиторий содержит веса в формате safetensors; для работы используется Transformers. Контекст модели — 9 216 токенов. Модель предназначена для генерации изображений по текстовому описанию, понимания визуальных данных с ответами на естественном языке, а также генерации и продолжения видео. В README заявлена поддержка гибких разрешений и стилей изображений. Мультимодальная архитектура позволяет выполнять генерацию и восприятие в одной модели. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства Emu3, однако подробные инструкции по запуску именно этого чекпойнта и количественные оценки качества не приведены.

unsloth/ERNIE-Image-Turbo-GGUF — GGUF-квантизированная версия модели ERNIE-Image-Turbo, разработанной командой ERNIE-Image компании Baidu и подготовленной Unsloth. Это модель генерации изображений по текстовому описанию, основанная на семействе одно-поточных Diffusion Transformer (DiT) и оптимизированная для быстрого вывода всего за 8 шагов диффузии. Модель предназначена для создания изображений по сложным инструкциям, включая реалистичные фотографии, дизайн-ориентированные изображения и стилизованные сцены. Она особенно хорошо подходит для постеров, инфографики, комиксов, раскадровок, много-панельных композиций и других задач, где важны корректное размещение объектов, структура изображения и читаемый текст. Заявлены сильные возможности следования многоэлементным инструкциям, рендеринга плотного и длинного текста, а также генерации изображений с заданной композицией. Ключевая особенность этой версии — квантизация в формате GGUF с использованием методологии Unsloth Dynamic 2.0: важные слои переведены в более высокую точность для сохранения качества. По данным README, компактный размер позволяет запускать модель на потребительских GPU с 24 ГБ видеопамяти. Точные параметры модели, поддерживаемые языки и размер контекстного окна не указаны. Поскольку это квантизированная версия, характеристики качества и совместимость могут зависеть от используемого рантайма; в README упоминаются инструменты ComfyUI-GGUF. Модель распространяется по лицензии Apache-2.0.

Это веса EVA02-Large Patch14 CLIP с разрешением изображения 224 пикселя, опубликованные командой timm для использования с OpenCLIP. Модель предназначена для классификации изображений без специального обучения на целевых классах: она сопоставляет изображение с текстовыми описаниями классов и оценивает их соответствие. В репозитории указаны форматы PyTorch и safetensors, библиотека OpenCLIP и лицензия MIT. Карточка называет веса merged2b, однако базовые модели и подробности слияния не раскрыты, поэтому точное происхождение определить нельзя. Модель работает с изображениями и текстовыми метками; сведения о языках текста и контекстном окне не приведены.

Florence-2-base-PromptGen v2.0 — дообученная модель MiaoshouAI на базе PromptGen 1.5 для создания подписей и промптов по изображениям. Она принимает изображение и текстовую инструкцию, а затем выдаёт короткие или подробные описания, теги в стиле Danbooru, структурированные подписи с позициями объектов, анализ композиции либо смешанный вариант описания и тегов. Модель предназначена для подготовки текстовых подсказок к изображениям Flux, включая формирование текста для T5XXL и CLIP_L за один проход через узел Miaoshou Tagger в ComfyUI. В README заявлены быстрая работа и потребление немного более 1 ГБ видеопамяти. Модель основана на архитектуре Florence-2; репозиторий распространяет веса в формате safetensors. Лицензия — MIT. README не приводит оценки качества на тестах; качество зависит от изображения и выбранной инструкции, а описания и теги могут быть неполными или неточными.

QuantStack/FLUX.2-Klein-9B-KV-GGUF — это квантованный GGUF-файл, представляющий прямую конверсию модели FLUX.2-klein-9b-kv, разработанной Black Forest Labs. Модель предназначена для генерации и редактирования изображений, а в карточке указана совместимость с image-to-image сценариями. Для запуска предлагается использовать ComfyUI с пользовательским узлом ComfyUI-GGUF; файлы модели размещаются в каталоге ComfyUI/models/unet. Известно, что модель основана на варианте FLUX.2 klein с размером 9B параметров и поддерживает квантованный формат GGUF. В README не указаны точная архитектура, используемый метод квантования, максимальный контекст, перечень поддерживаемых модальностей помимо задач с изображениями или дополнительные языки; из метаданных явно указан только английский язык. Для модели заявлены KV Cache и исправление, не ограничивающее возможности редактирования, а также готовый workflow для ComfyUI. Модель может быть удобна для локального использования и интеграции в ComfyUI, однако квантование может влиять на качество и требования к ресурсам по сравнению с исходной версией. Условия использования определяются лицензией FLUX Non-Commercial License; все исходные лицензионные ограничения и ограничения на использование сохраняются. Разработчик конверсии в README явно не назван, а исходная модель принадлежит Black Forest Labs.

Flux2-Klein-9B-True-V2 — модель генерации изображений по текстовому описанию и редактирования изображений, разработанная на основе FLUX.2-klein-9B и опубликованная пользователем chfm. Это версия V2, полученная полным дообучением модели Flux2-Klein-9B-True-V1. Модель предназначена для text-to-image-синтеза и image editing. По сравнению с V1 заявлены улучшения реалистичности и передачи текстур, следования промптам, восстановления деталей, адаптации параметров и совместимости с LoRA. Также улучшены структурированность и эстетика изображений, а при редактировании — следование инструкциям, а также контроль смещения и цветовых отклонений. Указана поддержка английского и китайского языков. Модель работает с библиотекой Diffusers и фреймворком PyTorch; размер архитектуры — 9B параметров, поскольку она основана на FLUX.2-klein-9B. Для ускорения допускается использование Turbo LoRA или Distill LoRA, однако это может снизить качество изображения; рекомендуются небольшие значения веса LoRA. Для коррекции цвета и формы после редактирования предлагается использовать плагин ComfyUI-LCS. README не содержит точных ограничений по контексту или иных подробностей архитектуры. Использование модели разрешено в соответствии с некоммерческой лицензией FLUX Non-Commercial License компании Black Forest Labs.

InstructCV — модель генерации и редактирования изображений по текстовым инструкциям, представленная проектом alaa-lab. Она основана на Stable Diffusion InstructPix2Pix и предназначена для сценариев, где нужно создать изображение по запросу или изменить предоставленное изображение, следуя инструкции. Модель распространяется в форматах Diffusers и PyTorch; лицензия — MIT. Карточка связывает модель с датасетом InstructCV-Demo-Data и описывает её как instruction-tuned text-to-image diffusion model для широкого круга визуальных задач. Для использования в README приведён стек Diffusers, Accelerate, Safetensors и Transformers. Контекстная длина и поддерживаемые языки в доступных сведениях не определены.

Karlo v1 alpha — модель генерации изображений по тексту от Kakao Brain на основе архитектуры unCLIP от OpenAI. Она также поддерживает создание вариаций изображения. Модель состоит из prior, декодера и модуля суперразрешения; для генерации использует текстовый энкодер CLIP ViT-L/14. Модуль суперразрешения увеличивает изображение с 64 до 256 пикселей за семь шагов, применяя дополнительный шаг для восстановления высокочастотных деталей. Компоненты обучены с нуля на 115 млн пар изображений и текстов. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; лицензия — CreativeML Open RAIL-M. Карточка приводит результаты оценки на CC3M и MS-COCO, но не описывает языковой охват запросов или ограничения на содержание изображений.

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.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-768-Omni на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Это конверсия MetaCLIP 2 ViT-L/14 от zeromodels, основанная на facebook/metaclip-2-worldwide-l14. Модель использует архитектуру CLIP с двумя энкодерами: один обрабатывает изображения, другой — текстовые описания. Реализация выполнена на Keras 3 и работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений без предварительного обучения на заданных классах: она сопоставляет изображение с текстовыми метками или описаниями и оценивает их соответствие. Worldwide-вариант обучен на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов, поэтому поддерживает текстовые запросы на разных языках без отдельного мультиязычного чекпойнта. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях.

MobileCLIP-B — модель семейства CLIP, разработанная Apple и представленная в исследовании «MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training» (CVPR 2024). Этот репозиторий содержит чекпойнт MobileCLIP-B для библиотеки timm в формате PyTorch; модель сопоставляет изображения и текст и предназначена для быстрого визуально-текстового поиска и классификации с нулевым обучением на целевых классах. Вариант MobileCLIP-B (LT) показывает точность top-1 77,2% на ImageNet в режиме zero-shot. Модель принимает изображения и текстовые описания, а на выходе формирует представления для сопоставления и оценки сходства. README также приводит результаты меньших вариантов семейства, но не раскрывает размер и скорость именно этого чекпойнта MobileCLIP-B. Поддерживаемые языки отдельно не перечислены; обучение описано как мультимодальное, без уточнения языкового охвата. Лицензия — apple-amlr. Модель может ошибаться при переносе на категории и данные, отличающиеся от оценочных наборов; точность зависит от формулировок текстовых меток и характеристик изображений.

OneDiffusion — модель генерации и преобразования изображений, представленная в работе «One Diffusion to Generate Them All». Репозиторий использует библиотеку Diffusers и распространяет веса в формате safetensors; в качестве VAE указан SD3 VAE, а текстовый энкодер — T5-XL. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование בלבד. Модель предназначена для нескольких сценариев работы с изображениями: генерации изображений по тексту, создания многовидовых изображений по тексту или одному изображению, генерации с учётом заданного субъекта и редактирования изображения по текстовым инструкциям. README также описывает сочетание задач в zero-shot режиме, но предупреждает, что такие комбинации могут работать нестабильно и зависеть от порядка токенов и подписей. Авторы дообучили модель на Subject-200K для генерации с заданным субъектом и на OmniEdit для редактирования. Для составных сценариев авторы рекомендуют дообучение, если требуется более надёжное поведение. Длина контекста и поддерживаемые естественные языки в предоставленных данных не определены.

PaliGemma 2 10B — мультимодальная модель Google для обработки изображений и текста. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma 2 и принимает изображения размером 448 × 448 пикселей вместе с текстом, выдавая текст. Модель рассчитана прежде всего на дообучение для специализированных задач компьютерного зрения и языка; предусмотрены последовательности до 512 текстовых токенов на входе и выходе. Доступна в формате bfloat16 для дообучения. После адаптации к конкретной задаче модель подходит для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Карточка также приводит примеры специализированных сценариев: вопросы по данным дистанционного зондирования, помощь незрячим пользователям в понимании изображений, научные вопросы по изображениям и объяснение функций элементов интерфейса. Поддерживаются несколько языков, но конкретный перечень в предоставленных данных не указан. Это базовая модель, а не готовый многоходовый чат-бот: она рассчитана на один раунд ввода изображения и текста, а качество без дообучения для прикладной задачи может быть ниже, чем у специализированных моделей. Ответы могут содержать фактические ошибки; открытые и сложные запросы, нюансы речи и здравый смысл могут даваться модели трудно. Лицензия — Gemma; применяются условия использования Gemma и политика запрещённого использования.

Qwen3-VL-8B-Instruct-Unredacted-MAX — мультимодальная модель на 8 млрд параметров от prithivMLmods, дообученная на Qwen/Qwen3-VL-8B-Instruct. Это плотная vision-language-модель Qwen3-VL для диалога и задач, где нужно совместно анализировать изображения и текст; она поддерживает переменное разрешение изображений и выдаёт текстовые ответы, подписи и структурированные описания. Модель подходит для генерации подписей к изображениям, подготовки наборов данных, визуального рассуждения, тестирования устойчивости VLM и прототипирования систем с анализом изображений. В карточке отмечены улучшения упаковки, стабильности инференса и совместимости с современными версиями Transformers. Качество зависит от чёткости изображения, формулировки запроса и параметров генерации; на сложных сценах рассуждения могут быть неполными или непоследовательными, а качество меняется в зависимости от предметной области. Для инференса может потребоваться от умеренного до большого объёма VRAM, особенно при высоком разрешении. Лицензия — Apache-2.0.

Qwen-Edit-2509-Multiple-angles — это LoRA-адаптер для модели Qwen/Qwen-Image-Edit-2509, разработанный пользователем dx8152 и обученный на ModelScope. Адаптер предназначен для редактирования изображений по текстовым инструкциям и управления ракурсом виртуальной камеры при сохранении содержания исходного изображения. Он подключается к базовой модели через библиотеку Diffusers и может использоваться в сценариях image-to-image, включая перемещение камеры вперёд, влево, вправо и вниз, поворот влево или вправо, переход к виду сверху, широкоугольному плану или крупному плану. Для работы не требуются триггерные слова. README рекомендует совместное использование этого адаптера с LoRA Qwen-Image-Lightning, однако конкретные сведения об архитектуре базовой модели, размере адаптера, поддерживаемых языках и максимальном контексте не указаны. Заявлена улучшенная согласованность после повторной загрузки версии с большим числом итераций обучения, но также упоминается возможная нестабильность согласованности. Модель предназначена для управляемого редактирования изображений, однако её результаты могут зависеть от исходного изображения, формулировки запроса и настроек инференса. Лицензия указана как Apache-2.0. README не содержит подробностей о коммерческих ограничениях, точных требованиях к оборудованию или качестве работы в отдельных языках и предметных областях.

Qwen-Image-2.1-GGUF — это набор GGUF-квантизаций модели Qwen-Image-2.1, подготовленный пользователем abenzerps для локальной генерации изображений. Модель предназначена для сценариев text-to-image и image editing и рассчитана на использование в ComfyUI с расширением ComfyUI-GGUF. В репозитории также доступны совместимые текстовый энкодер Qwen3-VL 8B и VAE. Предлагаются варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 ГБ. Вариант Q4_K_M рекомендован как баланс качества и объёма. Текстовый энкодер доступен в форматах BF16 и Int8, а VAE — в BF16. README не указывает полный набор поддерживаемых языков, максимальный контекст или точные параметры архитектуры исходной модели. Сильная сторона сборки — возможность локального запуска при меньших требованиях к памяти благодаря квантизации и переносу текстового энкодера в системную RAM; для ускорения рекомендуется размещать диффузионную модель в VRAM. Ограничения включают необходимость ComfyUI, совместимого расширения и отдельных файлов энкодера и VAE, а также возможное снижение качества при использовании более агрессивной квантизации. В релизе отсутствуют встроенные фильтр безопасности и проверка содержимого, поэтому поведение зависит от запроса и окружения. Указана Qwen Research License. Сборка основана на Qwen/Qwen-Image-2.1, а текстовый энкодер и VAE взяты из Comfy-Org/Qwen-Image-2.1.

SD-XL Inpainting 0.1 — модель генерации и редактирования изображений, разработанная командой Diffusers и дообученная на весах Stable Diffusion XL Base 1.0. Это латентная диффузионная модель с двумя предобученными текстовыми энкодерами OpenCLIP-ViT/G и CLIP-ViT/L. Для inpainting в UNet добавлены входные каналы для закодированного изображения с маской и самой маски; обучение проводилось 40 тыс. шагов при разрешении 1024×1024. Модель создаёт изображения по текстовому описанию и изменяет области изображения, заданные маской. Она подходит для художественной генерации, дизайна и творческих инструментов. Лицензия — CreativeML Open RAIL++-M License. Модель не гарантирует фотореализм, плохо создаёт читаемый текст и может ошибаться в сложной композиции, лицах и изображении людей. При полной маске качество результата может снижаться; модель также наследует риски смещения, присущие генеративным моделям.

Это модель зрения и языка из семейства CLIP, доступная через open_clip и timm. Её вариант в OpenCLIP называется ViT-B-16-quickgelu; визуальный энкодер построен на ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Модель обучена на наборе MetaCLIP-400M. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение и варианты текста, после чего можно выбрать наиболее подходящее описание. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

ViT-L-16-SigLIP-384 — контрастивная модель сопоставления изображений и текста семейства SigLIP, обученная на наборе WebLI. Разработчики преобразовали веса из исходных контрольных точек JAX проекта Big Vision в формат PyTorch; модель можно использовать через OpenCLIP для работы с изображениями и текстом, а через timm — для получения эмбеддингов изображений. Модель предназначена для классификации изображений без обучения на заданных классах: пользователь передаёт изображение и текстовые описания категорий, а модель оценивает соответствие между ними. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Модель не является генеративной: она сопоставляет изображения с текстовыми представлениями и подходит для поиска и классификации по текстовым запросам. Результаты зависят от формулировок описаний и обучающих данных WebLI; README не сообщает о поддержке конкретных языков или численных показателях качества.

GreenMap/yolo11x-blueprint-layout-detector — модель обнаружения объектов на архитектурных планах и строительных чертежах, разработанная GreenMap на основе YOLO11x. Она выделяет основную область чертежа, блоки условных обозначений и штампы с названием и метаданными. Модель обучена на архитектурных планировках и строительных чертежах и использует Ultralytics YOLO; размер входа при обучении составлял 1472 × 1472 пикселя. Модель подходит для автоматической разметки чертежей и извлечения их основных областей перед последующей обработкой. В README приведены метрики валидации для 178 изображений: общие precision 0,971, recall 0,964 и mAP50 0,984. Указанные метрики не гарантируют такую же точность на других типах чертежей или данных. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

vantagewithai/Z-Image-GGUF — это квантизированная в формате GGUF версия Z-Image, базовой модели семейства Z-Image, разработанного командой Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и распространяется через библиотеку Diffusers. В README указан английский язык. Z-Image представляет собой полноразмерную недистиллированную foundation-модель на основе однопоточного Diffusion Transformer. Она ориентирована на высокое качество, разнообразие генерации, широкий диапазон визуальных стилей и точное следование промптам. Модель подходит для фотореалистичных, кинематографических, аниме- и стилизованных изображений, а также для исследовательских и профессиональных сценариев, включая обучение LoRA, структурное управление через ControlNet и семантическое кондиционирование. Ключевые особенности — поддержка Classifier-Free Guidance, негативных промптов и высокая вариативность композиции, идентичности лиц и освещения между разными seed. Рекомендуются разрешения от 512×512 до 2048×2048 пикселей, guidance scale от 3,0 до 5,0 и 28–50 шагов инференса. По сравнению с Z-Image-Turbo модель медленнее, но обладает большей управляемостью, разнообразием и возможностью дообучения. Размер модели, точная архитектура в параметрах, перечень поддерживаемых языков и конкретные требования к оборудованию в README не указаны. Лицензия — Apache-2.0.

AIMv2 Large Patch14 224 LIT — модель компьютерного зрения из семейства AIMv2, разработанного Apple. Это вариант архитектуры Aimv2Model с патчами 14×14 и входным разрешением 224 пикселя; модель предварительно обучена с мультимодальной авторегрессионной целевой функцией. В метаданных Hugging Face для неё указана задача классификации изображений без предварительно заданного набора классов. Модель предназначена для сопоставления изображений с текстовыми описаниями классов и распознавания объектов по словесным категориям. По данным README, семейство AIMv2 показывает сильные результаты на задачах мультимодального понимания, обнаружения объектов с открытым словарём и интерпретации выражений, указывающих на объекты. Карточка также сообщает, что AIMv2 превосходит CLIP и SigLIP на большинстве упомянутых бенчмарков, но конкретные результаты для данного Large-чекпойнта не приведены. Репозиторий содержит веса в форматах Flax и Safetensors; для использования указана библиотека Transformers. Лицензия — Apple AMLR. README описывает семейство, но не приводит отдельные ограничения или гарантии качества именно этой версии.