I.8Изображения и компьютерное зрение

Карточка модели RedHatAI/Molmo2-8B на Hugging Face совпадает с карточкой allenai/Molmo2-8B, поэтому описание составлено по ней. Molmo2-8B — открытая мультимодальная модель для понимания изображений, видео и наборов изображений, разработанная Allen Institute for AI (Ai2). Она объединяет языковую основу Qwen3-8B с визуальным энкодером SigLIP 2; каталог указывает плотную архитектуру Molmo2 и формат весов safetensors. Модель принимает визуальный материал и текстовые запросы, а ответы формулирует текстом. Модель предназначена для вопросов и ответов по изображениям и видео, описания сцен, подсчёта объектов, указания их местоположения и отслеживания объектов в видео. По данным README, она показывает сильные результаты на коротких видео, подсчёте и создании описаний, а на длинных видео конкурентоспособна. В метаданных указан английский язык; языки кроме него не подтверждены. Репозиторий распространяется по лицензии Apache-2.0. Контекстное окно в предоставленных данных не описано.

nunchaku-ai/nunchaku-flux.1-dev — это квантизированная версия модели FLUX.1-dev, разработанная командой Nunchaku на основе модели Black Forest Labs. Она предназначена для генерации изображений по текстовым описаниям и интегрируется с библиотекой Diffusers, а также может использоваться в ComfyUI. Модель применяет метод SVDQuant и 4-битное квантование, чтобы повысить эффективность инференса при минимальной потере качества. Доступны варианты INT4 для видеокарт до серии NVIDIA 50 и NVFP4 для видеокарт Blackwell серии 50. Указан английский язык; модель поддерживает сценарии text-to-image. Сведения о размере, точной архитектуре, длине контекста и других модальностях в карточке не приведены. К сильным сторонам относятся высокое качество генерации, эффективный инференс и сниженные требования к вычислительным ресурсам по сравнению с исходной моделью. Ограничения связаны с применением квантизации и лицензионными условиями исходной FLUX.1-dev. Модель распространяется по лицензии flux-1-dev-non-commercial-license, допускающей некоммерческое использование; перед применением необходимо ознакомиться с полным текстом лицензии Black Forest Labs.

OmniSVG1.1_8B — мультимодальная модель генерации SVG, разработанная командой OmniSVG на основе Qwen2.5-VL-7B-Instruct. Она преобразует текстовые описания и изображения в векторную графику: от простых иконок до детализированных иллюстраций и персонажей. Модель относится к семейству Qwen2.5-VL, имеет плотную архитектуру на 7,2 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для генерации SVG по текстовому запросу или входному изображению, а также для создания нескольких вариантов графики. Для запуска авторы приводят оценку использования 26 ГБ видеопамяти. В качестве датасетов указаны наборы иконок и иллюстраций MMSVG, а также бенчмарк MMSVGBench. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Генерация занимает от нескольких секунд до примерно 98 секунд в зависимости от длины вывода от 256 до 4096 токенов. В README не приводятся количественные оценки качества, поэтому пригодность результатов для конкретной задачи следует проверять отдельно. В карточке указаны английский и китайский языки.

PixArt-Σ XL 2 1024 MS — диффузионная модель генерации и редактирования изображений по текстовым запросам, разработанная командой PixArt-Σ. Она использует латентную диффузию на основе трансформерных блоков, предобученный текстовый кодировщик T5 и VAE. Модель рассчитана на создание изображений размером 1024 пикселя, а семейство PixArt-Σ также поддерживает генерацию в разрешении 2K и 4K. Модель подходит для создания иллюстраций и концептов для дизайна, творческих и образовательных инструментов, а также для исследований генеративных моделей. Распространяется в форматах Diffusers и safetensors по лицензии CreativeML Open RAIL++-M. В карточке Hugging Face указана лицензия openrail++. Ограничения включают несовершенный фотореализм, трудности с композицией объектов, нечитаемый текст внутри изображений и ошибки в деталях вроде пальцев. Модель не предназначена для создания достоверных изображений реальных людей или событий; генерация может усиливать социальные предубеждения, а VAE вносит потери.

QIE-2511-Outfit-Design-Layout — адаптер LoRA, разработанный Prithiv Sakthi для модели Qwen/Qwen-Image-Edit-2511. Это модель преобразования изображений, предназначенная для добавления элементов одежды или дизайнерских макетов в заданную область изображения с сохранением окружающей сцены. Адаптер активирует сценарий размещения дизайна внутри отмеченной области, например по инструкции «Add the design inside the red marked area». Он стремится сохранить согласованность текстур, освещения, теней и перспективы, обеспечивая естественное встраивание дизайна без заметных артефактов, искажений краёв и несоответствия стиля. Поддерживает англоязычные текстовые инструкции, работает через библиотеку Diffusers и совместим с версиями Diffusers 2509 и 2511. Базовая модель поддерживает image-to-image редактирование, однако точные сведения о размере, архитектуре и максимальной длине контекста в README не указаны. Модель подходит для виртуального размещения элементов одежды, концептуального дизайна и локального редактирования изображений, когда требуется изменить только выделенный участок. Ограничения включают зависимость от базовой модели Qwen-Image-Edit-2511 и необходимость корректно обозначить целевую область и сформулировать инструкцию на английском языке. Распространяется по лицензии Apache-2.0.

Sutoonq представил шестишаговую дистиллированную версию генератора Qwen-Image-2.1 для создания изображений по текстовым запросам и редактирования изображений. Это чекпойнт трансформера QwenImage21Transformer2DModel: веса FP32 объёмом 28,46 ГБ распределены по восьми файлам Safetensors для Diffusers. Для инференса нужны текстовый энкодер, VAE, процессор и планировщик из базовой модели Qwen/Qwen-Image-2.1; репозиторий не содержит полного самостоятельного пайплайна. Модель рассчитана на шесть вычислений модели с сэмплированием Euler flow и поддерживает настройку разрешения, по умолчанию около 2048 пикселей на сторону. Карточка показывает генерацию и редактирование изображений, но не сообщает результаты количественной оценки качества. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии и условиями базовой модели.

Qwen-Image-2.1 mflux q4 — это конверсия модели Qwen/Qwen-Image-2.1, подготовленная mlx-community для запуска на компьютерах Apple с Apple silicon. Трансформер и текстовый энкодер Qwen3-VL хранятся в 4-битном формате MLX affine, а VAE использует компоновку Qwen Image 2.1 для mflux. Модель предназначена для генерации изображений по текстовому описанию; исходная модель также поддерживает редактирование изображений. Пакет создан из upstream-версии 790c926 с помощью mflux 0.20.0 и MLX 0.32.2. Размер пакета — около 8,9 ГБ. По результатам проверки на Mac Studio пиковое использование памяти составило 4,68 ГиБ при генерации 512×512 за 40 шагов и 5,14 ГиБ при генерации 1024×1024 за 4 шага. Для загрузки требуется изменённый загрузчик Rapid-MLX: стандартный mflux 0.20.0 не загружает этот пакет с квантизированным текстовым энкодером. Конверсия и исходная модель распространяются по лицензии Apache-2.0.

Модель victorbarra/rf_detr_finetuned_mobile_ui — дообученная версия Roboflow/rf-detr-medium для обнаружения объектов на изображениях. По названию и метрикам оценки она предназначена для мобильных пользовательских интерфейсов; среди категорий оценки упомянуты группы элементов, изображения, прямоугольники и текст. Архитектура RF-DETR Medium использует трансформер для локализации объектов и предсказания их категорий. В README приведены метрики на оценочном наборе: mAP 0,2168 и mAP@50 0,3333. Набор данных обозначен как неизвестный, поэтому эти результаты не позволяют судить о качестве на конкретных приложениях или типах экранов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Карточка модели refiners/sdxl.lightning.4step.unet на Hugging Face совпадает с карточкой refiners/sdxl.lightning.1step.unet, поэтому описание составлено по ней. refiners/sdxl.lightning.1step.unet — модель на основе ByteDance/SDXL-Lightning, опубликованная в формате safetensors для библиотеки refiners. Она предназначена для преобразования изображений (image-to-image) и связана с семейством Stable Diffusion XL. Базовая SDXL-Lightning оптимизирована для быстрой генерации изображений за 1–8 шагов; карточка этой модели отдельно не уточняет её размер, контекст или поддерживаемые языки. Модель распространяется по лицензии OpenRAIL++. Метаданные указывают на английский язык карточки, но не подтверждают, что он является основным языком запросов. README содержит только заголовок, поэтому дополнительные сценарии, качество, ограничения и точные характеристики самой модели определить нельзя.

Карточка модели brandow1984/sdxl-turbo на Hugging Face совпадает с карточкой stabilityai/sdxl-turbo, поэтому описание составлено по ней. SDXL-Turbo — генеративная модель Stability AI для быстрого создания изображений по текстовому описанию. Она основана на SDXL 1.0 Base и обучена методом Adversarial Diffusion Distillation для генерации за один или несколько шагов; обычно достаточно одного прохода модели. Поддерживаются рабочие процессы text-to-image и image-to-image, в том числе через Diffusers. Предпочтительный размер изображения — 512×512 пикселей. Модель подходит для творческих инструментов, дизайна, создания иллюстраций и исследования генерации изображений в реальном времени. Она не предназначена для создания достоверных изображений реальных людей или событий. Генерация текста внутри изображения ненадёжна, лица и люди могут получаться некорректно, а фотореализм не гарантирован. Лицензия указана как other; README описывает использование для некоммерческих и исследовательских целей и отсылает за условиями коммерческого применения к отдельным правилам Stability AI.

Карточка модели jdjkdjd/stable-diffusion-v1-5 на Hugging Face совпадает с карточкой stable-diffusion-v1-5/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с предварительно обученным текстовым энкодером CLIP ViT-L/14. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; модель можно запускать через Diffusers и совместимые интерфейсы, например ComfyUI и AUTOMATIC1111. Модель подходит для создания иллюстраций и концептов, художественных и дизайнерских материалов, а также для изучения генеративных моделей. Она лучше работает с английскими запросами. Модель может ошибаться в фотореализме, композиции, изображении лиц и людей, а также обычно не создаёт разборчивый текст внутри изображений. Обучающие данные содержали взрослый контент, поэтому для безопасного применения важны фильтрация и дополнительные меры защиты; возможны смещения и запоминание дублированных изображений. Лицензия — CreativeML OpenRAIL-M. Карточка ограничивает применение исследованиями и описывает недопустимые сценарии использования, включая создание вредоносных или дискриминационных изображений. Репозиторий является зеркалом устаревшей карточки RunwayML и не связан с RunwayML.

Yntec/stable-diffusion-v1-5 — версия Stable Diffusion 1.5 для генерации изображений по текстовому описанию, размещённая пользователем Yntec. Это модель для библиотеки Diffusers, сохранённая в формате safetensors: веса обрезаны, представлены в fp16, EMA отсутствует. Вариант рассчитан на инференс через API и предназначен для создания изображений по промптам; в сборку встроен Incredible World VAE. В README заявлено разрешение 768×768. Модель можно применять для создания иллюстраций, концепт-арта и стилизованных изображений по тексту. Репозиторий указывает лицензию CreativeML OpenRAIL-M; перед использованием следует ознакомиться с её условиями и ограничениями. README не приводит подробных оценок качества или систематических ограничений модели.

Карточка модели hckrs711/stable-diffusion-v1-5-img2img на Hugging Face совпадает с карточкой botp/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому запросу, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером CLIP ViT-L/14. Чекпойнт основан на Stable Diffusion v1.2 и дообучен на 595 тысячах шагов при разрешении 512×512 на данных LAION-Aesthetics v2 5+; в 10% случаев текстовое условие отключалось для улучшения classifier-free guidance. Модель доступна в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, концепт-арта и изображений для творческих и образовательных инструментов по англоязычным промптам. Она хуже работает с другими языками, может ошибаться в композиционно сложных сценах, не обеспечивает надёжный фотореализм и обычно не создаёт читаемый текст. Разработчики указывают, что обучающие данные содержат материалы для взрослых, а модель может воспроизводить предвзятости и запоминать дубли изображений; для использования рекомендуется применять Safety Checker. Лицензия — CreativeML OpenRAIL-M.

snowkidy/stable-diffusion-xl-base-0.9 — репозиторий с моделью Stable Diffusion XL 0.9, разработанной Stability AI. Это латентная диффузионная модель для создания и редактирования изображений по текстовым запросам; она использует два предобученных текстовых энкодера — OpenCLIP-ViT/G и CLIP-ViT/L — и формат Diffusers с весами PyTorch и Safetensors. В описании SDXL указан двухэтапный процесс: базовая модель создаёт латентное представление изображения, а специализированный модуль повышенного разрешения может его уточнять. Модель подходит для художественной генерации, дизайна и творческих или образовательных инструментов, а также для исследований генеративных моделей, их смещений и ограничений. Карточка указывает исследовательскую лицензию SDXL 0.9. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные отношения; лица и люди могут получаться некорректно, а этап автоэнкодирования вносит потери. Генерация достоверных изображений людей и событий обозначена как использование вне предполагаемых возможностей модели.

Карточка модели chcjohn8/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 ModelsLab/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 weights/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 zelawski99/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 SSterzer/stable-diffusion-xl-refiner-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-refiner-1.0, поэтому описание составлено по ней. SDXL Refiner 1.0 — модель диффузии от Stability AI, предназначенная для финальных этапов удаления шума и уточнения изображений, созданных базовой моделью SDXL. Её можно применять в двухэтапном конвейере генерации: базовая модель создаёт латенты, а Refiner дорабатывает их; также доступен сценарий image-to-image на основе SDEdit с тем же текстовым запросом. Модель использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Она помогает улучшить итоговое качество изображения, но второй этап увеличивает время генерации. Лицензия — CreativeML Open RAIL++-M; условия использования включают ограничения на отдельные сценарии. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные композиции; лица и люди могут получаться некорректно. Она не предназначена для создания достоверных изображений людей или событий и может воспроизводить социальные предубеждения из данных.

chs20/TeCoA4-ViT-B-32-laion2B-s34B-b79K — модель для оценки перцептивного сходства изображений, созданная на основе CLIP ViT-B/32 от laion. Разработчики дообучили её методом TeCoA (Mao et al., 2023) на ImageNet, используя состязательные возмущения с нормой L∞ и радиусом 4/255. Модель предназначена для сравнения изображений и задач классификации изображений по текстовым описаниям без специального обучения под каждый набор классов. В README приведены результаты на задаче перцептивного сходства NIGHTS: 91,0 на чистых данных, 79,1 при L∞ с ε=4/255 и 79,7 при L2 с ε=3. Репозиторий использует библиотеку open_clip и содержит веса PyTorch в формате safetensors. Модель принимает изображения и текстовые описания классов, а выдаёт оценки соответствия для классификации с нулевым количеством примеров. Лицензия — MIT. README не приводит сведения о языках текстовых запросов или длине контекста.

TheDenk/wan2.2-t2v-a14b-controlnet-depth-v1 — модуль ControlNet для Wan2.2 A14B, предназначенный для генерации видео с управлением по карте глубины. Репозиторий содержит веса модуля; для использования автор рекомендует ComfyUI-WanVideoWrapper и актуальную версию diffusers. Модель рассчитана на сценарии video-to-video: карта глубины служит условием, которое помогает задавать структуру и геометрию генерируемого видео. В карточке указана архитектурная связь с Wan2.2; формат весов — safetensors. Лицензия — Apache-2.0. Для работы требуются совместимая базовая модель Wan2.2 и подходящий пайплайн ControlNet. Карточка не приводит размер весов, длину контекста или поддерживаемые языки; текстовые инструкции не заявлены.

misri/zavychromaxl_v100 — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face и основанная на ZavyChromaXL V10.0; исходным автором указан Zavy. Модель распространяется в формате Diffusers и совместима с StableDiffusionXLPipeline, а также представлена как checkpoint на базе SDXL 1.0. Модель предназначена для создания реалистичных изображений по текстовым промптам и может применяться в сценариях text-to-image и image-to-image. Репозиторий содержит компоненты SDXL, включая scheduler, два text encoder, два tokenizer, UNet и VAE; размер файлов репозитория составляет около 13,9 ГБ. Для запуска рекомендуется библиотека Diffusers и вычислительное устройство с поддержкой CUDA или MPS. Для модели указаны рекомендации использовать 20–40 шагов генерации и CFG scale примерно 6–7, однако эти параметры относятся к опубликованным рекомендациям для ZavyChromaXL V10.0. Лицензия репозитория обозначена как unknown, поэтому условия коммерческого и иного использования необходимо проверять отдельно до применения модели.

zeroscope_v2_XL — модель генерации и повышения разрешения видео на основе ModelScope, представленная пользователем cerspense. Она предназначена для преобразования видео в видео: в частности, для увеличения разрешения роликов, созданных zeroscope_v2_576w, с помощью расширения text2video для Stable Diffusion WebUI или библиотеки Diffusers. Модель обучена на 9 923 клипах и 29 769 размеченных кадрах; рекомендуемый размер результата — 1024 × 576 при 24 кадрах. Для рендеринга 30 кадров в этом разрешении требуется около 15,3 ГБ видеопамяти. Модель ориентирована на улучшение композиции при переходе от черновой генерации в низком разрешении к высокому разрешению. Для апскейла автор рекомендует сохранять исходный промпт и использовать силу денойзинга 0,66–0,85. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Рендеринг при более низком разрешении или менее чем 24 кадрах может давать неоптимальные результаты.

AlayaLab AlayaWorld-stage1 — общая двунаправленная предобученная контрольная точка Stage1 для версий AlayaWorld DA3 и v1.1 ViGeo. Это плотный видеотрансформер, распространяемый в формате safetensors; размер файла весов составляет 26,2 млрд байт. Модель создаёт видео по первому кадру-изображению и текстовому запросу, без траектории камеры и без компонентов DA3 или ViGeo в этом режиме. Stage1 является начальной точкой для последующих этапов авторегрессионного обучения и обучения пространственной памяти в соответствующих версиях AlayaWorld. Пример конфигурации генерирует видео из 481 кадра с разрешением 960×544 и частотой 24 кадра в секунду, используя 30 шагов сэмплирования. Для запуска отдельно требуются VAE и текстовый энкодер; в README указаны LTX-2.3 и Gemma. Репозиторий ссылается на код и инструкции по настройке AlayaWorld. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

guoyww/animatediff-motion-adapter-v1-5 — MotionAdapter для AnimateDiff, предназначенный для создания видео на основе существующих моделей Stable Diffusion для генерации изображений по тексту. Он добавляет обученные на видеоклипах слои движения к замороженной модели Stable Diffusion: модули подключаются к блокам ResNet и Attention в UNet и помогают сохранять согласованность движения между кадрами. Для работы адаптер используется вместе с совместимой базовой моделью Stable Diffusion и библиотекой diffusers. Модель подходит для генерации коротких видеосцен по текстовым запросам в сочетании с текстово-графической моделью Stable Diffusion. В README отмечено, что результаты обычно лучше с дообученными вариантами Stable Diffusion. Лицензия в предоставленных данных не указана.

guoyww/animatediff-motion-adapter-v1-5-2 — адаптер движения AnimateDiff для создания видео с помощью существующих моделей Stable Diffusion для преобразования текста в изображение. Метод добавляет обученные слои движения в замороженный UNet Stable Diffusion, чтобы обеспечить согласованное движение между кадрами. Для работы адаптер подключают к совместимой базовой модели через Diffusers; сам по себе он не является полноценной текстово-видеомоделью. Модель предназначена для генерации коротких видео по текстовым запросам с использованием базовой модели Stable Diffusion. В README отмечено, что результаты обычно лучше с дообученными версиями Stable Diffusion. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Сведения о размере, контекстном окне и лицензии в предоставленных материалах отсутствуют.

BK-SDM-Tiny-2M — компактная модель для генерации изображений по текстовому описанию, разработанная авторами семейства Block-removed Knowledge-distilled Stable Diffusion (BK-SDM). Она создана на основе Stable Diffusion с архитектурным сжатием U-Net и дистилляционным предварительным обучением; версия 2M обучалась на 2,3 млн пар изображение–текст из LAION-Aesthetics V2 6.25+, что в десять раз больше данных, чем в предыдущем выпуске BK-SDM. Модель запускается через библиотеку Diffusers и предназначена для эффективного синтеза изображений; в карточке приведены примеры генерации с разрешением 512×512. В сравнении на MS-COCO авторы сообщают, что увеличение обучающих данных улучшает визуальные результаты, соответствие изображений запросам и метрики качества. Приведённые численные результаты относятся к BK-SDM-Base-2M, поэтому их нельзя напрямую считать оценкой Tiny-версии. Модель распространяется по лицензии CreativeML OpenRAIL-M; при использовании следует соблюдать рекомендации Stable Diffusion v1.

CAT-Tryoff-Flux — модель для виртуального снятия одежды, разработанная автором Black Magic An. Она извлекает и реконструирует вид одежды спереди по изображению человека в этой одежде; для работы используются изображение человека, маска человека и изображение предмета одежды, а seed задаёт случайность результата. Модель основана на FLUX.1-Fill-dev и использует подход CATVTON-FLUX. Её можно применять в сценариях виртуальной примерки и подготовки изображений одежды. В качестве обучающих данных указан датасет VITON-HD. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой Diffusers. Лицензия — CC BY-NC 2.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Карточка не приводит количественных оценок качества и подробностей об ограничениях применимости.

Это дообученная модель CLIP ViT-B/32 на базе openai/clip-vit-base-patch32, созданная для поиска соответствий между изображениями и подписями. Разработчик продолжил предобучение на парах изображение–подпись из датасета Flickr30K с помощью симметричной функции потерь InfoNCE и низкой скорости обучения. Модель подходит для сопоставления изображения с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на целевых классах. В описанной оценке на Flickr30K дообучение увеличило разрыв сходства между подходящей подписью и отвлекающей подписью, преимущественно за счёт снижения сходства с отвлекающими подписями. README сообщает, что обучающие и оценочные индексы датасета не пересекались. Модель принимает изображения и текст, а вычисляет их совместные представления и оценки сходства; метаданные указывают формат safetensors. Лицензия — MIT. Результаты оценки приведены для Flickr30K, поэтому качество на других наборах данных и доменах из этих сведений не следует.

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.