I.8Изображения и компьютерное зрение

FLUX.2-Klein-9B-Consistency — это LoRA-адаптер для базовой модели black-forest-labs/FLUX.2-klein-9B, предназначенный для работы в библиотеке Diffusers в сценариях image-to-image. Автор и разработчик адаптера в README не указаны; модель опубликована под идентификатором dx8152/Flux2-Klein-9B-Consistency. Адаптер направлен на повышение согласованности результатов Klein без использования специальных ключевых слов в запросе. Согласно README, версия V2 улучшает цветопередачу, устраняет часть проблем с чрезмерным добавлением деталей и снижает избыточную насыщенность изображений. Это делает модель полезной для генерации и преобразования изображений, где важны более стабильный внешний вид и единообразие результатов. Известно, что модель имеет размерную основу 9B, относится к семейству FLUX.2 и использует архитектуру LoRA, однако сведения о точной архитектуре адаптера, поддерживаемых языках, размере контекста, конкретных модальностях базовой модели и требованиях к аппаратному обеспечению не приведены. Модель распространяется по лицензии Apache-2.0.

Flux2-Klein-9B-True-V2 — модель генерации изображений из текста на базе black-forest-labs/FLUX.2-klein-9B, дообученная автором wikeeyang. Она предназначена для text-to-image-синтеза и редактирования изображений в экосистеме Diffusers и ComfyUI. Заявлены поддерживаемые языки английский и китайский, фреймворк PyTorch и архитектура размером 9B параметров. По сравнению с версией V1 модель ориентирована на повышение реалистичности и проработки текстур, более точное следование и восстановление содержимого по промпту, лучшую адаптацию параметров и совместимость с LoRA. Также заявлены более упорядоченная композиция, улучшения эстетики и более стабильное редактирование с уменьшением смещения и цветовых искажений. Для ускорения можно применять Turbo или Distill LoRA, однако это может снижать качество; для работы с ограниченной видеопамятью README рекомендует инструменты выгрузки блоков и загрузчик GGUF. Модель подходит для генерации и редактирования изображений, но использование ускоряющих LoRA и редактирование могут влиять на качество, цвет и форму результата. Лицензия указана как FLUX Non-Commercial License от black-forest-labs, поэтому модель предназначена для некоммерческого использования на условиях этой лицензии. Максимальный контекст, точные требования к памяти, список поддерживаемых модальностей и дополнительные технические параметры в README не указаны.

Карточка модели Jinstudio/FLUX.2-small-decoder на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-small-decoder, поэтому описание составлено по ней. FLUX.2 Small Decoder — декодер VAE от Black Forest Labs, дистиллированная компактная замена стандартному декодеру FLUX.2. Он предназначен для декодирования латентных представлений в изображения в совместимых моделях FLUX.2: Klein 4B, Klein 9B, Klein 9B-KV и Dev; кодировщик при этом остаётся без изменений. Декодер содержит около 28 млн параметров против примерно 50 млн у полной версии и использует более узкие каналы. По данным карточки, он декодирует примерно в 1,4 раза быстрее и требует примерно в 1,4 раза меньше видеопамяти, сохраняя почти такое же качество изображений. Указана лицензия Apache 2.0. Модель предназначена для использования как компонент совместимого пайплайна генерации или редактирования изображений, а не для самостоятельного диалога или выдачи фактических ответов. Карточка отмечает возможные искажения текста на изображениях, несоответствие результата запросу и влияние стиля промпта.

FollowYourPose_v1 — модель генерации видео по текстовому описанию и последовательности поз, разработанная Yue Ma, Yingqing He, Xintao Wang, Ying Shan, Xiu Li и Qifeng Chen. Она основана на Stable Diffusion и адаптирована для создания управляемых позами видео с персонажами; модель распространяется в формате Diffusers/PyTorch по лицензии MIT. Модель предназначена для генерации видео, в которых движение и позы персонажа согласуются с входной последовательностью поз, а содержание — с текстовым запросом. Среди возможных сценариев авторы указывают замену персонажа, смену фона, перенос стиля и генерацию видео с несколькими персонажами. Архитектура дополнена временными слоями self-attention и межкадровым attention для согласованности содержания между кадрами. В README не приведены размер модели, длина контекста или поддерживаемые естественные языки. Модель обучалась в два этапа: на данных поз-контролируемой генерации изображений, собранных из LAION, и на видеоданных HDVLIA. Она предназначена для синтеза, а не для достоверного отображения реальных людей и событий; результаты также могут содержать стереотипы или оскорбительный контент.

KielGen-Fast — мультимодальная авторегрессионная модель на архитектуре Janus, дообученная командой Kiel2 на базе deepseek-ai/Janus-Pro-1B. Она объединяет генерацию текста, понимание изображений и создание изображений по текстовому описанию. Архитектура MultiModalityCausalLM использует отдельные визуальные пути для понимания изображений и декодирование изображений через векторно-квантованные токены; веса сохранены в формате safetensors для Transformers. Модель подходит для диалоговых ответов, визуальных вопросов и описания сцен, мультимодального анализа, а также создания иллюстраций и других визуальных материалов по запросу. В карточке заявлены английский язык и лицензия MIT. Размер модели и длина контекста не приведены в доступных сведениях.

Klein_AnimeHDupscaling — специализированная LoRA-модель для повышения разрешения и улучшения деталей изображений в аниме-стилистике. В README разработчиком указан wikeeyang; модель создана как дополнение к базовой модели Flux2-Klein-9B-True-V2. Модель предназначена для сценариев image-to-image и Tile Diffusion, включая увеличение изображений, восстановление после сжатия и повышение четкости аниме-рендеров. Она улучшает детализацию, уменьшает размытие и артефакты, оптимизирует линии и стремится сохранять исходную композицию, текстуру и рисованный вид изображения. Заявлена повышенная структурная стабильность и согласованность персонажей по сравнению с SeedVR2, а также подавление чрезмерной детализации и цветовых ореолов. Для работы рекомендуется использовать вес LoRA 0,8–1,0, 8 шагов сэмплирования, CFG Scale 1,0 и сэмплер Euler Ancestral. Для чистого увеличения рекомендуется низкая сила денойзинга; более высокие значения позволяют сильнее переосмысливать детали. Триггерное слово — «高清4K». Сведения о языках, максимальном контексте и отдельных модальностях, кроме обработки изображений, не указаны. В README указаны лицензии Apache-2.0 и creativeml-openrail-m, поэтому перед использованием необходимо уточнить, какая лицензия имеет приоритет для конкретной версии модели и какие ограничения применяются.

vladmandic/Krea-2-Turbo-Merge-sdnq-hadamard-uint4 — это опубликованный пользователем vladmandic вариант Krea-2 Turbo для генерации изображений по текстовому описанию. Модель предназначена для работы в экосистеме Diffusers и использует конвейер Krea2Pipeline. В карточке Hugging Face она классифицирована как text-to-image; среди связанных компонентов указаны Krea2Transformer2DModel, Qwen3VLModel, Qwen2Tokenizer и AutoencoderKLQwenImage. Модель имеет около 7 млрд параметров и распространяется в формате Safetensors с оптимизациями SDNQ и Hadamard; в метаданных также указан тег 8-bit. Она подходит для локальной генерации изображений по промптам, включая создание сцен, объектов и стилизованных визуальных концепций. Длина контекста, поддерживаемые естественные языки и лицензия в доступных источниках не указаны.

LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

Lumina-Image-2.0 — модель генерации изображений по текстовому описанию, разработанная Alpha-VLLM и без изменений перепубликованная Unsloth. Это flow-based диффузионный трансформер с 2 млрд параметров, доступный в реализации для Hugging Face Diffusers и форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым запросам и может использоваться в генеративных приложениях и для экспериментов с синтезом изображений. Она распространяется по лицензии Apache-2.0; условия upstream сохранены.

Карточка модели arifqai/Mage-Flow-Edit на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow, поэтому описание составлено по ней. Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

Карточка модели mage-flow-community/Mage-Flow-Edit на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow, поэтому описание составлено по ней. Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

facebook/metaclip-2-mt5-worldwide-b32 — мультиязычная модель MetaCLIP 2, разработанная Meta и представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Это чекпойнт ViT-B/32 с токенизатором mT5, соответствующий варианту «ViT-B-32-mT5-worldwide» оригинальной реализации. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на заданных классах: пользователь передаёт изображение и варианты меток или описаний, а модель сопоставляет их. Модель использует архитектуру MetaClip2Model и распространяется в формате safetensors для Transformers. Карточка указывает мультиязычную направленность, но конкретные поддерживаемые языки, число параметров и размер контекста не приводит. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Это конверсия MetaCLIP 2 Worldwide Giant 378 от zeromodels на основе модели Meta AI facebook/metaclip-2-worldwide-giant-378. Модель с архитектурой CLIP использует два энкодера — для изображений и текста — и предназначена для классификации изображений по текстовым меткам без специального обучения на этих метках. Подходит для оценки соответствия изображения текстовым описаниям и сравнения нескольких вариантов подписи. Worldwide-вариант обучен на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов, поэтому текстовые метки и запросы могут быть на разных языках, включая английский, французский, испанский и немецкий. Реализация на Keras 3 работает с TensorFlow, PyTorch и JAX. Репозиторий содержит веса в формате TensorFlow. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

MetaCLIP 2 (worldwide) — мультимодальная модель семейства CLIP, представленная Meta в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-H-14-quickgelu-worldwide и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт возможные классы, а модель оценивает соответствие изображения каждому из них. Модель принимает изображения и текстовые описания и выдаёт оценки сходства, поддерживая многоязычные сценарии. Она реализована как MetaCLIP2Model и распространяется в формате safetensors для Transformers. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

Distilled MetaCLIP 2 ViT-S/16 (worldwide) — модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-worldwide из оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов, а модель сопоставляет их с изображением. Модель мультиязычная, построена на архитектуре MetaClip2Model и распространяется в формате safetensors для библиотеки Transformers. Карточка не сообщает размер модели и длину контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MetaCLIP ViT-B/16 — модель семейства CLIP, разработанная командой MetaCLIP и обученная на 2,5 млрд примеров CommonCrawl. Она сопоставляет изображения и текст в общем пространстве представлений, поэтому подходит для классификации изображений без дополнительного обучения по текстовым меткам, поиска изображений по описанию и поиска текста по изображению. Модель опубликована в рамках исследования Demystifying CLIP Data, посвящённого отбору данных для обучения CLIP. Репозиторий содержит веса PyTorch; в метаданных указана задача zero-shot image classification. Лицензия — CC-BY-NC-4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

MobileCLIP-B — модель сопоставления изображений и текста, разработанная Apple и представленная в работе MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training (CVPR 2024). Этот репозиторий содержит чекпойнт MobileCLIP-B для OpenCLIP; модель предназначена для классификации изображений по текстовым описаниям без дообучения и других сценариев поиска соответствия между изображением и текстом. Вариант MobileCLIP-B (LT) достигает точности zero-shot классификации ImageNet Top-1 77,2%. Архитектура использует визуальную и текстовую части CLIP; точные размеры этих частей в карточке для данного чекпойнта не приведены. Модель принимает изображения и текстовые метки или описания и выдаёт оценки их соответствия. Лицензия — Apple AMLR.

MobileCLIP-S1 — компактная модель сопоставления изображений и текста, разработанная Apple и опубликованная как чекпойнт для OpenCLIP. Работа о семействе MobileCLIP представлена на CVPR 2024. Вариант S1 включает визуальную часть с 21,5 млн и текстовую часть с 63,4 млн параметров; в README для него указаны точность zero-shot классификации ImageNet 72,6% и средний результат 61,3% на 38 наборах данных. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах, а также для поиска соответствий между изображением и текстом. Компактная архитектура ориентирована на быстрое выполнение таких задач; веса доступны в форматах PyTorch и safetensors, использовать их можно через OpenCLIP. Лицензия — Apple AMLR. README приводит результаты оценки, но не описывает ограничения точности для конкретных предметных областей или условий съёмки; качество следует проверять на целевых данных.

MobileCLIP-S1 — компактная модель сопоставления изображений и текста, разработанная Apple и представленная в работе о быстром обучении мультимодальных моделей с подкреплением, опубликованной на CVPR 2024. Этот репозиторий содержит чекпойнт для библиотеки timm в формате PyTorch. Модель предназначена для классификации изображений и распознавания объектов по текстовым описаниям без специального обучения на целевых классах. В README для MobileCLIP-S1 указаны 21,5 млн параметров визуальной части и 63,4 млн параметров текстовой части, точность zero-shot классификации ImageNet top-1 72,6% и средний результат 61,3% на 38 наборах данных. Лицензия — apple-amlr. Модель позволяет связывать изображения с текстовыми описаниями; сведения о поддерживаемых языках и длине контекста в предоставленных источниках отсутствуют. Результаты зависят от формулировки текстовых меток и распределения данных, поэтому модель может ошибаться на новых или специализированных категориях.

Moondream 3.1 — визуально-языковая модель Moondream с архитектурой mixture-of-experts: 9 млрд параметров всего, из которых 2 млрд активны при работе. Она принимает изображения и текстовые запросы и отвечает текстом, включая структурированные результаты для запросов к изображению, обнаружения объектов, указания точек и создания подписей. Модель предназначена для визуального анализа и рассуждений, а также для быстрого локального развёртывания или вызова через облачный API Moondream. Для локального запуска README указывает Photon: движок инференса поддерживает NVIDIA GPU поколения Ampere или новее и компьютеры Apple Silicon. Заявлены высокая скорость и низкая стоимость развёртывания, но количественные показатели качества и скорости в карточке не приведены. Репозиторий содержит веса в формате safetensors; лицензия обозначена как other, поэтому её конкретные условия следует сверить с опубликованным текстом лицензии.

OpenCaption-2B-VL-SFT-v1.0 — мультимодальная модель для создания подробных описаний изображений, разработанная на основе Qwen/Qwen3-VL-2B-Instruct и дообученная PrithivMLmods. Она предназначена для генерации развернутых подписей, которые передают композицию сцены, объекты и их взаимное расположение, атрибуты, действия, освещение и фон. Архитектура — плотная Qwen3-VL для условной генерации; размер базовой модели — 2 млрд параметров. Модель принимает изображения и текстовые запросы и выдаёт текст. Карточка указывает английский язык; специальный основной язык не заявлен. Модель подходит для подробного описания изображений, визуального анализа сцен и экспериментов с качеством подписей и визуальным обоснованием. Выпущена как экспериментальная версия, поэтому качество может меняться в зависимости от предметной области и стиля изображения; возможны галлюцинации, а модель не предназначена для строгой проверки наличия объектов. Распространяется в формате safetensors по лицензии Apache-2.0.

Pix2Text-MFD-1.5 — модель обнаружения математических формул на изображениях из проекта Pix2Text, разработанного Breezedeus. Она предназначена для поиска областей с формулами в документах и других изображениях, в том числе как этап системы распознавания математических выражений. Для использования требуется библиотека pix2text версии 1.1.4 или новее. Модель опубликована в формате ONNX и распространяется по лицензии MIT. Данных о размере модели, поддерживаемых языках и длине контекста в предоставленных материалах нет; эти характеристики не относятся к описанному сценарию обнаружения формул.

Qwen3-VL-4B-Thinking-Unredacted-MAX — производная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL-4B-Thinking. В README говорится об оптимизации упаковки модели и совместимости с Transformers; метаданные указывают дообучение на базе Qwen/Qwen3-VL-4B-Thinking. Модель принимает изображения и текст и выдаёт текстовые ответы с визуальным рассуждением. Модель предназначена для анализа изображений, генерации подписей и описаний, подготовки аннотаций и прототипирования систем, объединяющих текст и зрение. Поддерживает изображения с разными разрешениями и соотношениями сторон; в метаданных указан английский язык. Плотная архитектура насчитывает 4 млрд параметров по названию модели. Лицензия — Apache-2.0. Качество зависит от чёткости изображения и формулировки запроса; интерпретации сложных сцен могут быть неполными или непоследовательными. Для стабильного запуска требуется достаточный объём видеопамяти, а результаты зависят от настроек декодирования и оптимизации среды выполнения.

Re3Cap-CIM-InternVL3-8B — мультимодальная модель для описания изображений, разработанная на основе OpenGVLab/InternVL3-8B-Instruct. Модель дообучена с помощью GRPO и награды Cross-modal Identity Mapping (CIM) с использованием стратегии Re³Cap, которая уточняет подписи к изображениям с опорой на поиск похожих изображений. Re³Cap сочетает Caption Refinement Suggester и Caption Quality Assessor для выявления галлюцинаций и пропусков в описаниях. Такой подход предназначен для генерации более точных и подробных подписей без дополнительных аннотаций. Модель принимает изображения и текстовые запросы и выдаёт текст; карточка также указывает поддержку диалога и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Re3Cap-SC-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Модель дообучена методом GRPO с вознаграждением за самокоррекцию на уровне ключевых слов и стратегией Re³Cap, которая использует поиск для уточнения подписи к изображению. Подход Re³Cap включает Caption Refinement Suggester и Caption Quality Assessor: они помогают обнаруживать галлюцинации и пропущенные детали в сгенерированном описании. Модель предназначена для получения более точных и подробных подписей без дополнительных аннотаций. Поддерживает ввод изображений и текста, выдаёт текст; контекст — 4096 токенов. Репозиторий содержит веса Safetensors. Лицензия — Llama 2 Community License.

cyburn/restore_photo_v4.1-lora — адаптер LoRA для восстановления и колоризации фотографий, разработанный сообществом или автором cyburn. Модель предназначена для обработки старых, повреждённых и выцветших снимков с целью повышения их визуального качества, добавления цвета и получения более фотореалистичного результата при сохранении исходных деталей. Адаптер работает поверх базовой модели black-forest-labs/FLUX.1-Kontext-dev и относится к моделям image-to-image на основе диффузии. Рекомендуемый размер изображения — 800×1200 пикселей, а для оптимального результата советуется использовать FluxGuidance со значением 4. Основные рекомендуемые запросы: «restore and colorize this photo, photorealistic», «restore this photo» и «restore and colorize this photo». Модель совместима с ComfyUI, AUTOMATIC1111, SD.Next, InvokeAI и библиотекой Diffusers; для работы с FLUX.1 рекомендуется видеокарта с объёмом памяти не менее 24 ГБ. Сильной стороной модели является специализация на восстановлении и реалистичной колоризации фотографий, включая сохранение исходных деталей. Ограничения связаны с зависимостью от базовой модели FLUX.1-Kontext-dev, значительными требованиями к ресурсам и тем, что точное качество результата зависит от исходного изображения, параметров генерации и формулировки запроса. Лицензия указана как creativeml-openrail-m.

Stable Diffusion v1-4 — модель генерации и редактирования изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; она дообучена на основе Stable Diffusion v1-2 на 225 тысячах шагов при разрешении 512×512 с использованием LAION-Aesthetics v2 5+. Модель подходит для создания иллюстраций и фотореалистичных изображений по англоязычным описаниям, а также для преобразования изображений по текстовым запросам. Репозиторий содержит веса для Diffusers в форматах PyTorch и safetensors. Лицензия CreativeML OpenRAIL-M задаёт условия использования и ограничения на применение. Модель не гарантирует фотореализм, плохо справляется с точным размещением объектов и генерацией читаемого текста; лица и люди могут выглядеть некорректно. Качество запросов не на английском ниже. В обучающих данных встречается контент для взрослых, а без дополнительных мер безопасности модель может генерировать нежелательные изображения; авторы рекомендуют использовать Safety Checker.

Stable Diffusion v1-5 — модель Robin Rombach и Patrick Esser для генерации и изменения изображений по текстовому описанию. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер CLIP ViT-L/14. Версия v1-5 основана на весах Stable Diffusion v1-2 и дообучена в течение 595 тысяч шагов на разрешении 512×512 с данными LAION Aesthetics v2 5+. Модель подходит для создания иллюстраций, концепт-арта и изображений для дизайнерских процессов. Наиболее эффективно она работает с английскими запросами; в карточке указана поддержка английского языка. Репозиторий распространяет веса в форматах Diffusers, PyTorch и Safetensors по лицензии CreativeML OpenRAIL-M. README описывает повторную загрузку весов с ModelScope и предупреждает, что возможные изменения относительно оригинала неизвестны.

Карточка модели Jinstudio/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели ShaunGves/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).