I.8Изображения и компьютерное зрение

openai/clip-vit-large-patch14-336 — модель семейства CLIP на архитектуре CLIPModel, доступная в форматах PyTorch и TensorFlow. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь задаёт варианты текста, а модель сопоставляет их с изображением. README утверждает, что модель обучена с нуля, но не сообщает обучающий датасет, результаты оценки или дополнительные сценарии применения. Метаданные не подтверждают базовую модель или производный вариант, поэтому происхождение чекпойнта определить нельзя. Лицензия, размер и длина контекста в предоставленных данных не указаны.

Dreamviewer SDXL 1.0 — модель генерации изображений по текстовому описанию на базе Stable Diffusion XL. В карточке описан конвейер латентной диффузии с ансамблем экспертных моделей: базовая модель создаёт латентное представление изображения, которое можно дополнительно уточнить моделью для финальных шагов денойзинга. Базовую модель также можно использовать самостоятельно. Для получения изображений высокого разрешения карточка описывает двухэтапный сценарий: сначала генерируются латенты, затем к ним применяется специализированная модель высокого разрешения методом SDEdit (img2img) с тем же запросом. Такой подход требует больше вычислений. Модель распространяется в формате Diffusers/PyTorch с весами safetensors и лицензией CreativeML OpenRAIL-M.

martineux/dvine82-xl — модель генерации изображений по текстовому описанию, опубликованная пользователем martineux на Hugging Face. Репозиторий размечен как text-to-image и использует StableDiffusionXLPipeline; в карточке Hugging Face указаны 3 млрд параметров и формат safetensors с точностью F16. Модель предназначена для создания изображений по текстовым запросам через Diffusers. Карточка не содержит описания специализации, поддерживаемых языков, длины контекста или лицензии, поэтому эти характеристики нельзя надёжно уточнить.

timm/eva02_enormous_patch14_clip_224.laion2b_plus — веса модели EVA-02-CLIP, опубликованные в экосистеме timm и OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: она сопоставляет изображение с кандидатными текстовыми метками и позволяет выбрать наиболее подходящую. Модель принимает изображения и текстовые запросы, а выдаёт оценки соответствия между ними. Репозиторий содержит веса в форматах PyTorch и safetensors; для работы указана библиотека open_clip. Лицензия — MIT. Данных о размере модели, поддерживаемых языках и ограничениях качества в карточке нет.

Flux2-Klein-9B-True-V3 — доработанная модель wikeeyang на базе black-forest-labs/FLUX.2-klein-9B для генерации изображений по текстовому описанию. Модель предназначена для text-to-image synthesis, а также для редактирования изображений по инструкциям, точечного регионального редактирования с масками и применения LoRA для задач вроде смены лица, одежды и внешнего вида. Заявлена поддержка английского и китайского языков; модель интегрируется с библиотекой Diffusers и экосистемой ComfyUI на базе PyTorch. Версия V3, по заявлению автора, улучшает эстетику и композицию и устраняет часть проблем версий V1 и V2. Доступны варианты в форматах bf16, int8 и int4_convrot, что позволяет использовать модель на видеокартах с ограниченной памятью; для полной bf16-версии автор указывает возможность запуска примерно с 4–6 ГБ VRAM при использовании block offloading. Также заявляется небольшая потеря качества при квантовании и высокая скорость int8-версии, однако независимые численные оценки, точные требования к памяти, размер контекста и подробности архитектуры в README не приведены. Модель может быть полезна для создания иллюстраций, концепт-арта, генерации персонажей и управляемого редактирования изображений. Ограничения включают зависимость результатов от выбранного формата квантования, аппаратной конфигурации, ComfyUI или другого совместимого загрузчика, а также отсутствие подробных бенчмарков и гарантированных характеристик качества. Несмотря на поле license: apache-2.0 в метаданных, в тексте README указано, что модель следует использовать по некоммерческой лицензии FLUX от black-forest-labs; это условие необходимо учитывать как основное заявленное ограничение использования.

GLIGEN — модель генерации и редактирования изображений на основе текста, разработанная исследователями и инженерами University of Wisconsin–Madison, Columbia University и Microsoft. Этот чекпойнт предназначен для работы через StableDiffusionGLIGENPipeline в библиотеке Diffusers и создаёт изображения по текстовому описанию с учётом привязки объектов к заданным ограничивающими рамками областям. Если передать входное изображение, модель может добавить в указанные области объекты, описанные текстом. Модель основана на латентной диффузии и использует фиксированный текстовый энкодер CLIP ViT-L/14; при обучении применялись наборы COCO2014D и COCO2014CD. Основной язык запросов — английский. Лицензия CreativeML OpenRAIL-M разрешает использование на её условиях и содержит ограничения на отдельные сценарии применения. Модель подходит для творческих инструментов, дизайна и исследований управляемой генерации изображений. Она не всегда создаёт фотореалистичные изображения, плохо справляется со сложной композицией, не формирует читаемый текст и может некорректно изображать лица и людей. Результаты на запросах не на английском языке обычно хуже; также отмечены риски смещения, запоминания обучающих изображений и генерации нежелательного контента. Для использования предусмотрен Safety Checker библиотеки Diffusers.

HunyuanDiT от Tencent — предварительно обученная модель генерации изображений по тексту, опубликованная в формате Diffusers для использования с библиотекой Hugging Face Diffusers. Это Diffusion Transformer, рассчитанный на генерацию изображений по описаниям, с поддержкой нескольких разрешений и особым вниманием к тонкому пониманию китайского языка. Модель подходит для создания изображений по коротким и длинным текстовым запросам, в том числе с китайскими элементами. В README упомянуты сравнения по соответствию изображения тексту, чёткости объектов, эстетике и артефактам, но численные результаты в доступной карточке отсутствуют. Метаданные указывают английский язык; README отдельно подчёркивает понимание китайского, поэтому их можно считать поддерживаемыми. Репозиторий содержит веса в формате Diffusers и safetensors. Лицензия указана как other, поэтому условия использования следует сверять с лицензией Tencent для модели.

HunyuanVideo-1.5-Diffusers-480p_i2v — модель сообщества hunyuanvideo-community для генерации видео по изображению, представленная в формате Diffusers с весами Safetensors. README описывает использование масок внимания для последовательностей переменной длины и рекомендует эффективную обработку дополнения последовательностей для лучшей производительности. Модель предназначена для сценария image-to-video: создания видео на основе входного изображения. В карточке не приведены сведения о размере, поддерживаемых языках, длительности контекста, лицензии на конкретных условиях или количественных характеристиках качества; лицензия обозначена как other. Для запуска используется пайплайн HunyuanVideo15ImageToVideoPipeline.

rupeshs/hyper-sd-sdxl-1-step — модель генерации изображений по текстовому описанию на основе Hyper-SD для SDXL; репозиторий опубликовал пользователь rupeshs, а исходную технологию Hyper-SD разработала команда ByteDance. Это чекпойнт UNet, дистиллированный из Stable Diffusion XL Base 1.0 для генерации изображения за один шаг. Он предназначен для быстрого преобразования текстового промпта в изображение и используется в пайплайне Diffusers StableDiffusionXLPipeline. Репозиторий содержит веса Diffusers в формате safetensors и имеет лицензию openrail++. Одношаговый режим ориентирован на скорость; карточка также указывает размер около 3 млрд параметров. Модель генерирует изображения по тексту; отдельный язык или длина контекста для неё не заявлены.

InternViT-6B-448px-V1-0 — визуальная foundation-модель и backbone для извлечения признаков изображений, разработанная OpenGVLab. Она используется как зрительный компонент мультимодальных языковых моделей, в том числе InternVL-Chat-V1-1. Модель построена на архитектуре InternViT и содержит 48 блоков; README указывает 5,903 млн параметров, а метаданные — 7,9 млрд. Обрабатывает изображения размером 448 × 448 пикселей. Авторы отмечают улучшения распознавания текста на изображениях и поддержки китайских диалогов; при построении мультимодальной языковой модели рекомендуют брать признаки с четвертого блока с конца. Модель обучалась на наборах LAION, COYO, Conceptual Captions, Wukong и OCR-данных. README предупреждает, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения. Лицензия — MIT.

KielGen-Fast — мультимодальная модель генерации текста и работы с изображениями, дообученная на архитектуре Janus. Она предназначена для диалоговых ответов, визуального анализа и создания изображений по текстовым описаниям. Модель построена как MultiModalityCausalLM с отдельными путями визуального кодирования для понимания изображений и декодированием изображений через векторно-квантованные токены; веса представлены в формате safetensors и рассчитаны на загрузку через Transformers. Карточка указывает базовую модель deepseek-ai/Janus-Pro-7B, тогда как метаданные каталога связывают модель с deepseek-ai/Janus-Pro-1B. Поэтому точная базовая версия требует уточнения. Лицензия — MIT. Среди заявленных сценариев — ответы на вопросы об изображениях, описание сцен и генерация визуальных материалов; в метаданных основная задача обозначена как text-generation.

LFM2.5-VL-450M — компактная мультимодальная модель Liquid AI для понимания изображений и ответов на вопросы по ним. Она дообучена на языковой основе LFM2.5-350M и использует визуальный энкодер SigLIP2 NaFlex размером 86 млн параметров. Модель обрабатывает изображения с сохранением нестандартных пропорций, разбивает крупные изображения на фрагменты и поддерживает контекст до 32 768 токенов. Модель предназначена для описания изображений, визуального диалога, обнаружения объектов и предсказания ограничивающих рамок. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки; вызов функций доступен для текстового ввода. Модель подходит для локального запуска и развёртывания на периферийных устройствах, а карточка рекомендует дообучать её под конкретные сценарии. По данным карточки, обновлённая версия улучшает результаты предшественника на ряде визуальных и языковых тестов. Она не предназначена для задач, требующих обширных знаний, и плохо подходит для точного OCR. Лицензия указана как other; конкретные условия следует сверять в репозитории модели.

Это уменьшенная по уровню отказов версия мультимодальной модели LFM2.5-VL-450M, созданная автором репозитория на основе LiquidAI/LFM2.5-350M и обработанная инструментом Heretic v1.3.0. Модель принимает изображения и текст и генерирует текстовые ответы; архитектура включает языковую основу LFM2.5-350M и визуальный энкодер SigLIP2 NaFlex на 86 млн параметров. Контекст составляет 32 768 токенов. Модель предназначена для общего понимания изображений, их описания, визуального вопросно-ответного взаимодействия и предсказания рамок объектов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. В README отмечены нативная обработка изображений до 512×512 пикселей и разбиение крупных изображений на фрагменты; доступны настройки числа визуальных токенов и фрагментов для выбора компромисса между скоростью и качеством. По приведённому в карточке сравнению версия реже отказывает на тестовых запросах, чем исходная модель; это не гарантирует отсутствия отказов или точности ответов. Автор не рекомендует её для задач, требующих обширных знаний, и тонкого OCR. Модель опубликована с лицензией «other»; конкретные условия следует проверять в репозитории.

Карточка модели Redvodk/LFM2.5-VL-450M-heretic на Hugging Face совпадает с карточкой coder3101/LFM2.5-VL-450M-heretic, поэтому описание составлено по ней. Это уменьшенная по уровню отказов версия мультимодальной модели LFM2.5-VL-450M, созданная автором репозитория на основе LiquidAI/LFM2.5-350M и обработанная инструментом Heretic v1.3.0. Модель принимает изображения и текст и генерирует текстовые ответы; архитектура включает языковую основу LFM2.5-350M и визуальный энкодер SigLIP2 NaFlex на 86 млн параметров. Контекст составляет 32 768 токенов. Модель предназначена для общего понимания изображений, их описания, визуального вопросно-ответного взаимодействия и предсказания рамок объектов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. В README отмечены нативная обработка изображений до 512×512 пикселей и разбиение крупных изображений на фрагменты; доступны настройки числа визуальных токенов и фрагментов для выбора компромисса между скоростью и качеством. По приведённому в карточке сравнению версия реже отказывает на тестовых запросах, чем исходная модель; это не гарантирует отсутствия отказов или точности ответов. Автор не рекомендует её для задач, требующих обширных знаний, и тонкого OCR. Модель опубликована с лицензией «other»; конкретные условия следует проверять в репозитории.

MaMMUT2 ViT-B/32 — исследовательский чекпойнт модели сопоставления изображений и текста с генерацией подписей. Карточка связывает его с экспериментом по сравнению архитектур и функций потерь на CC12M; модель разработана автором репозитория rwightman и реализована с помощью open_clip. Архитектура включает визуальный энкодер и трансформерный текстовый декодер с перекрёстным вниманием к изображению через каждый второй блок. Декодер использует BPE-словарь на 49 408 токенов и контекст длиной 77 токенов. Модель обучалась 32 эпохи на pixparse/cc12m-wds с точностью bf16 и сочетанием контрастивной функции потерь InfoNCE и функции потерь генерации подписей. Она предназначена для классификации изображений по текстовым описаниям без дообучения, поиска соответствий между изображениями и текстом и генерации подписей к изображениям. В сравнении автор отмечает преимущество MaMMUT2 в поиске изображений по тексту относительно приведённых CLIP-базовых запусков, но предупреждает, что различия в оптимизаторе и размере пакета затрудняют прямое сравнение. Абсолютные метрики генерации подписей низки, в том числе из-за различия стиля CC12M и эталонных подписей COCO. Лицензия — Apache-2.0. Карточка представляет чекпойнт как исследовательский, а не производственный; перед применением в реальных сценариях следует отдельно оценить качество на целевых данных.

MaMMUT2 ViT-B/32 cc12m-noz — вариант модели MaMMUT2 от разработчика rwightman, обученный на данных CC12M и отличающийся от mammut2_ViT-B-32.cc12m отсутствием caption z-loss. Это мультимодальная модель для сопоставления изображений и текста, подходящая для классификации изображений по текстовым описаниям без отдельного дообучения и поиска по парам изображение–текст. В карточке приведены сравнительные результаты zero-shot-классификации и поиска изображений по тексту, а также оценки генерации подписей. Вариант использует архитектуру ViT-B/32; реализация рассчитана на OpenCLIP. Карточка упоминает современную текстовую башню с токенизатором r50k и контекстом 128 токенов, но не уточняет, что именно эта конфигурация относится к данному варианту. Модель распространяется по лицензии Apache-2.0. Результаты на подписях ограничены различием между стилем alt-text датасета CC12M и эталонными подписями COCO; абсолютные значения CIDEr в карточке охарактеризованы как низкие.

PS4Research публикует для практикума marimo копию CLIP ViT-B/32 от OpenAI, сохранённую в формате safetensors вместе с предобработчиком. Веса не изменялись и не дообучались; репозиторий закрепляет конкретную ревизию openai/clip-vit-base-patch32, чтобы ноутбуки практикума использовали те же веса, что и каталог PS4Research/marimo-workshop-catalogue. Модель сопоставляет изображения и текстовые метки, что позволяет классифицировать изображения по заданным пользователем категориям без отдельного обучения классификатора. Она подходит для демонстраций и экспериментов с zero-shot-классификацией в Transformers. Лицензия репозитория — MIT; для сведений о предполагаемом применении, ограничениях и смещениях README отсылает к карточке исходной модели.

Это конверсия MetaCLIP 2 от zeromodels: мультимодальный двухэнкодерный чекпойнт архитектуры CLIP для классификации изображений без обучения на конкретном наборе классов. Базовая модель — facebook/metaclip-2-worldwide-b16; версия подготовлена в формате Keras 3 и работает с TensorFlow, Torch и JAX. Модель сопоставляет изображение с текстовыми описаниями классов и подходит для классификации по пользовательским меткам. Вариант worldwide обучен на многоязычном распределении данных и использует словарь XLM-RoBERTa на 901 тыс. токенов, поэтому запросы-классы можно задавать на разных языках без отдельного мультиязычного чекпойнта. Для обработки рекомендуется использовать совместимый с вариантом процессор, который задаёт размер изображения и токенизатор. Модель распространяется по лицензии CC-BY-NC-4.0, допускающей использование на некоммерческих условиях. Качество зависит от формулировки текстовых меток и соответствия изображения обучающим данным; README не приводит количественных оценок качества или ограничений по разрешению.

Это конверсия MetaCLIP 2 Worldwide B32 384 в формате Keras 3, подготовленная zeromodels на основе facebook/metaclip-2-worldwide-b32-384. Модель использует архитектуру CLIP с двумя энкодерами для изображений и текста и предназначена для классификации изображений по текстовым описаниям без дообучения: она сопоставляет изображение с заданными пользователем текстовыми классами 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, включая английский, французский, испанский и немецкий. Версия B32 384 принимает изображения и текстовые метки; реализация Keras 3 может запускаться с TensorFlow, Torch или JAX. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

MetaCLIP L/14 — модель семейства CLIP, разработанная командой MetaCLIP и представленная в работе Demystifying CLIP Data. Это крупная версия с разрешением патчей 14, обученная на 2,5 млрд примеров CommonCrawl. Модель сопоставляет изображения и текст в общем пространстве эмбеддингов, поэтому подходит для классификации изображений без дополнительного обучения и поиска изображений по текстовому описанию или текстов по изображению. Модель принимает изображения и текстовые запросы и формирует их представления для сравнения по сходству. Весовые файлы представлены в формате PyTorch; лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое. Карточка не приводит сведений о контекстном окне или перечне поддерживаемых языков.

MGM-34B-HD — открытый чат-бот и мультимодальная модель семейства MiniGemini, разработанная авторами MGM. Модель дообучена на Nous-Hermes-2-Yi-34B с использованием набора мультимодальных инструкций MGM-Instruction и содержит 33,9 млрд параметров. Архитектура в метаданных обозначена как MiniGeminiLlamaForCausalLM; репозиторий содержит веса в формате safetensors. Модель предназначена для диалога и генерации текста с пониманием изображений высокого разрешения, визуальными рассуждениями и генерацией изображений. Карточка ориентирует её на исследования мультимодальных языковых моделей и чат-ботов, а также на эксперименты в компьютерном зрении и обработке естественного языка. Контекст составляет 4096 токенов. Ограничения по лицензии в предоставленных данных не описаны. Карточка позиционирует модель для исследовательского применения; её мультимодальные возможности и качество следует проверять на конкретных задачах.

Это дообученный чекпойнт FLUX.2 Klein Base 4B AlphaGRPO, опубликованный пользователем kimi000. Модель предназначена для генерации изображений по текстовым запросам и поставляется как готовый пайплайн Diffusers Flux2KleinPipeline; EMA LoRA уже объединена с трансформером, поэтому для инференса не требуются FAR и PEFT. Чекпойнт обучался в профиле 512 пикселей, 20 шагов генерации и CFG 4 с AlphaGRPO DVReward. В README приведён пример генерации изображения по короткому запросу. Базовая модель Black Forest Labs рассчитана на генерацию и редактирование изображений; для этого чекпойнта прямо подтверждена задача text-to-image. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

MobileCLIP-S2 — модель сопоставления изображений и текста, разработанная Apple и представленная в работе MobileCLIP на CVPR 2024. В этом репозитории опубликован чекпойнт для OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому варианту. Вариант S2 содержит визуальную часть на 35,7 млн параметров и текстовую на 63,4 млн параметров. По данным карточки, на ImageNet модель достигает 74,4% точности zero-shot top-1, а средний результат на 38 наборах данных составляет 63,7%. Авторы сообщают, что S2 работает в 2,3 раза быстрее и имеет в 2,1 раза меньше параметров, чем SigLIP ViT-B/16. Модель принимает изображения и текст, выдаёт оценки соответствия; сведения о поддерживаемых естественных языках и длине текстового контекста в карточке не приведены. Весá доступны в форматах PyTorch и safetensors и используются через OpenCLIP. Лицензия — Apple AMLR; перед применением следует проверить её условия. Описанные результаты относятся к оценкам авторов и не гарантируют качество на конкретных изображениях или наборах классов.

google/pix2struct-textcaps-base — модель Google семейства Pix2Struct для преобразования изображений в текст. Это модель типа image encoder–text decoder, предобученная на парах изображений и текста; обучение включало разбор замаскированных снимков веб-страниц в упрощённый HTML. Вариант textcaps предназначен для создания подписей к изображениям и описания их содержимого на основе визуальных признаков. Модель принимает изображение и генерирует текст. Pix2Struct разработана для задач визуального понимания, включая подписи к изображениям и ответы на вопросы по изображению; вход может иметь переменное разрешение. README указывает последовательность обучения длиной 2048 токенов. Метаданные отмечают английский, французский, румынский и немецкий языки, а также мультиязычную поддержку, однако основной язык именно этого варианта отдельно не задан. Модель доступна под лицензией Apache-2.0. Качество может снижаться при уменьшении длины последовательности относительно обучающей; конкретные метрики и ограничения для варианта TextCaps в предоставленной карточке не приведены.

PP-LCNet_x0_25_textline_ori — компактная модель классификации ориентации текстовых строк, разработанная командой PaddlePaddle для использования в составе PaddleOCR. Она определяет, ориентирована ли строка текста нормально или перевёрнута на 180 градусов, чтобы последующая OCR-обработка могла скорректировать изображение и повысить точность распознавания. Модель предназначена для сценариев сканирования документов, фотографирования удостоверений, сертификатов и других материалов, где камера или изображение могут быть повёрнуты. Модель основана на архитектуре PP-LCNet_x0_25 и поддерживает два класса: 0 и 180 градусов. В README указаны средняя точность 98,85% и размер хранения около 0,96 МБ, что делает её подходящей для лёгкого и быстрого использования в OCR-конвейерах. В карточке заявлены языки en и zh, однако модель классифицирует ориентацию изображения, а не содержание текста, поэтому её применение не ограничивается распознаванием конкретного языка. Данные о размере контекста и других модальностях не указаны. Сильные стороны модели — высокая заявленная точность, малый размер и специализированное назначение. Ограничение заключается в том, что она различает только нормальную и перевёрнутую на 180 градусов ориентацию; поддержка поворотов на 90 или 270 градусов не заявлена. Модель распространяется по лицензии Apache-2.0 и предназначена для использования через PaddleOCR и PaddlePaddle.

TainU/RePlan-Qwen2.5-VL-7B — модуль планирования RePlan для сложного редактирования изображений по текстовой инструкции. Модель разработана для исследования RePlan и дообучена методом GRPO на базе Qwen/Qwen2.5-VL-7B-Instruct примерно на тысяче примеров без парных изображений. Это мультимодальная модель семейства Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. На вход модель получает изображение и инструкцию на естественном языке, анализирует сцену и формирует план правок: рассуждение, общие изменения и локальные правки с координатами областей и текстовыми подсказками. План предназначен для последующего исполнения системой редактирования изображений; сама модель выступает планировщиком, а не генератором отредактированных изображений. В карточке описаны улучшения рассуждения и сохранения фона в экспериментах RePlan. Модель распространяется по лицензии Apache-2.0. Для получения структурированного XML/JSON-ответа README требует использовать системный промпт RePlan; подробности промпта в предоставленном тексте опущены. Указанные результаты относятся к экспериментам авторской работы и не гарантируют качество на произвольных изображениях и инструкциях.

Anireal v2.5 — модель генерации изображений на основе Stable Diffusion 1.5, дообученная автором репозитория circulus. Она предназначена для создания изображений по текстовым описаниям; метаданные также относят её к задачам image-to-image и реализуют через библиотеку Diffusers. Модель представлена в форматах Diffusers и PyTorch. В карточке указана лицензия GPL-3.0. README не приводит сведений о размере модели, длине контекста или поддерживаемых языках помимо английского в метаданных.

Карточка модели LAYEK-143/SD_X1_BASE_v1 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 CaioXapelaum/sdxl 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++).

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.