I.8Изображения и компьютерное зрение

MobileCLIP-B (LT) — модель сопоставления изображений и текста из семейства MobileCLIP, разработанного Apple и представленного на CVPR 2024. Этот репозиторий содержит чекпойнт для OpenCLIP, предназначенный для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому из них. Модель использует мультимодальное представление изображений и текста. Для MobileCLIP-B (LT) в README указана точность zero-shot классификации ImageNet 77,2%; авторы также приводят результаты сравнения с другими моделями близкой архитектуры. В карточке Hugging Face указаны библиотека OpenCLIP и форматы PyTorch и safetensors. Лицензия — Apple AMLR. Модель подходит для быстрой классификации изображений с гибко задаваемыми текстовыми метками. Приведённые характеристики не гарантируют аналогичного качества на пользовательских данных; корректность зависит от формулировок меток и предметной области. README не описывает отдельные ограничения или поддержку конкретных естественных языков.

MobileCLIP-S0 — компактная модель Apple, представленная в работе MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training на CVPR 2024. Эта версия репозитория содержит контрольную точку для TIMM в формате PyTorch. Модель объединяет обработку изображений и текста для сопоставления их представлений и классификации изображений по текстовым описаниям. Модель предназначена для классификации изображений, в том числе zero-shot: пользователь задаёт возможные категории текстом, а модель оценивает соответствие изображения каждой категории. В README указано, что MobileCLIP-S0 примерно в 4,8 раза быстрее и в 2,8 раза меньше OpenAI ViT-B/16 при близких результатах zero-shot; для неё приведены 67,8% точности top-1 на ImageNet в zero-shot режиме и средний результат 58,1% на 38 наборах данных. Таблица указывает 11,4 млн параметров визуальной части и 42,4 млн параметров текстовой части. Модель принимает изображения и текстовые описания и выдаёт оценки их соответствия; карточка Hugging Face помечает её задачей image-classification. Она рассчитана на сценарии, где важны скорость и небольшой размер, например мобильное распознавание категорий. Лицензия репозитория — Apple AMLR. В README не указаны поддерживаемые языки текста, поэтому языковую универсальность по этим данным подтвердить нельзя.

Monetico — модель генерации изображений по текстовому описанию, разработанная Collov Labs. Это эффективное воспроизведение Meissonic на основе нем autoregressive masked image modeling: модель создаёт изображение целиком, а не генерирует его последовательность пикселей или токенов. В README заявлена генерация изображений 512×512 качества, сопоставимого с Meissonic и SDXL, и возможность запуска на потребительских видеокартах. Модель предназначена для создания изображений по текстовым запросам. README не сообщает поддерживаемые языки запросов и подробные требования к видеопамяти. Репозиторий использует форматы Diffusers и Safetensors. Лицензия — Apache-2.0.

Карточка модели TechnoBaptist/moondream3.1-9B-A2B на Hugging Face совпадает с карточкой moondream/moondream3.1-9B-A2B, поэтому описание составлено по ней. 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.

nunchaku-flux.1-kontext-dev — это квантизированная версия модели FLUX.1-Kontext-dev, разработанная командой Nunchaku. Модель предназначена для редактирования изображений по текстовым инструкциям и работает в формате image-to-image. Она интегрируется с библиотекой Diffusers и может использоваться через ComfyUI. Модель применяет 4-битную квантизацию SVDQuant, разработанную для эффективного вывода при минимальной потере качества. Доступны варианты INT4 для видеокарт до поколения Blackwell и NVFP4 для видеокарт Blackwell (50-й серии). В README указано, что модель поддерживает английский язык; сведения о размере, точной архитектуре, максимальном контексте и других модальностях не приведены. Для запуска используются inference engine nunchaku и библиотека квантизации deepcompressor. Основные преимущества модели — снижение требований к вычислительным ресурсам и ускорение инференса по сравнению с исходной моделью при сохранении близкой производительности. Ограничения связаны с узкой специализацией на редактировании изображений, зависимостью от совместимого аппаратного и программного окружения, а также условиями лицензии FLUX.1 dev Non-Commercial License, допускающей некоммерческое использование. Репозиторий был перенесён в другой адрес и, согласно README, должен быть скрыт в декабре 2025 года.

OmniSVG1.1_4B — мультимодальная модель генерации SVG от команды OmniSVG, созданная на основе Qwen2.5-VL-3B-Instruct и дообученная для создания векторной графики. Она генерирует SVG по текстовому описанию и преобразует изображение в SVG; заявленный диапазон результатов включает простые значки и сложные иллюстрации, в том числе персонажей аниме. Модель использует архитектуру Qwen2.5-VL, содержит 3,2 млрд параметров и имеет контекст длиной до 128 000 токенов. Модель предназначена для создания масштабируемой векторной графики по текстовым и визуальным условиям. В README приведены сценарии генерации SVG по тексту и по изображению, а также указаны требования для инференса: около 16 ГБ видеопамяти; рекомендуемая среда проверена с CUDA 12.1. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит отдельной оценки качества или подробного перечня ограничений генерации.

pai-bloom-1b1-text2prompt-sd-v2 是阿里巴巴 PAI 发布的自动提示词生成模型，基于 BLOOM 架构，包含约 1.3B 参数。它将简短的图像描述扩写为适合 Stable Diffusion 图像生成的提示词，加入细节、风格描述和可配合 sd-webui 使用的权重语法；模型卡称其较前一版改进了复杂场景表现。模型以 Transformers/PyTorch 支持的 safetensors 格式提供，采用 Apache-2.0 许可证，并另要求使用者遵людать специальные условия для открытых AIGC-моделей, указанные в документации. Карточка не сообщает контекстное окно и список поддерживаемых языков.

Модель tcz/qwen3-vl-8b-box-layouts-sft-plateau-9000a — дообученная мультимодальная модель семейства Qwen3-VL, опубликованная tcz. Она принимает изображения и текст и предназначена для диалоговых сценариев, где нужно анализировать визуальные материалы и отвечать текстом. В метаданных указаны архитектура Qwen3VLForConditionalGeneration, формат safetensors и возможность работы с изображениями; обучение проводилось с использованием Unsloth и библиотеки TRL от Hugging Face. Карточка связывает модель с задачами разметки компоновок и ограничивающих рамок, однако не приводит подробностей обучающего набора или измерений качества. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не приведены.

Qwen-Image-2.1 W4A4 (nvfp4) — вариант модели генерации изображений Qwen-Image-2.1, подготовленный ModelsLab. Трансформер использует 4-битные веса и активации: веса откалиброваны с помощью SVDQuant, скорректированы GPTQ и упакованы для слитого ядра Nunchaku. По данным карточки, файл занимает 4,54 ГБ; текстовый энкодер Qwen3-VL остаётся в bf16, а общий объём резидентной памяти в измерениях составляет около 21,5 ГБ. Модель предназначена для генерации изображений по текстовым запросам; базовая Qwen-Image-2.1 также поддерживает редактирование изображений, но в метаданных этой версии подтверждена задача text-to-image. В измерениях на RTX PRO 6000 Max-Q и RTX 5090 генерация изображения 1024×1024 за 40 шагов занимала около 7,7 секунды. Сравнение на двух текстовых запросах дало близкую к bf16 точность отрисовки текста, однако оценка ограничена небольшим набором примеров. Для запуска требуются GPU NVIDIA поколения Blackwell (sm_120 и новее), PyTorch 2.12.1 и указанная в README сборка Nunchaku; модель не загружается на Ada. Совместимость упакованных весов зависит от версии ядра Nunchaku. Лицензия Qwen Research License разрешает только некоммерческое использование; коммерческое применение требует отдельного разрешения правообладателя.

Это LoRA-адаптер для Qwen-Image-Edit-2509, опубликованный dx8152. Он предназначен для преобразования изображений объектов на белом фоне в композиции с описанным окружением: пользователь добавляет триггер «白底图转场景» и текстовое указание сцены, например размещение автомобиля на улице. Адаптер нужно использовать вместе с базовой моделью Qwen/Qwen-Image-Edit-2509; обучение автор выполнил через сервис ModelScope. Модель принимает изображение и текстовую инструкцию и выдаёт отредактированное изображение. В репозитории указаны веса safetensors и лицензия Apache-2.0. Карточка не сообщает размер адаптера, контекст или количественные оценки качества; заявленная автором высокая производительность не сопровождается результатами оценки.

OPPOer/Qwen-Image-Edit-Pruning — это экспериментальная обрезанная версия Qwen-Image-Edit, представленная авторами проекта OPPOer. В ней удалено 20 слоёв и сохранены веса 40 слоёв исходной модели; заявленный размер составляет 13,6 млрд параметров. Модель предназначена для редактирования изображений по инструкциям, как и базовая Qwen-Image-Edit, и распространяется в формате Diffusers с весами Safetensors. Модель принимает изображения и текстовые инструкции и выдаёт отредактированные изображения. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. README описывает обрезку слоёв, но не приводит результатов оценки качества или подробностей о скорости; поэтому свойства сохранённой производительности и практические ограничения относительно базовой модели не установлены.

prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V20 — набор весов трансформера для редактирования изображений, совместимый с библиотекой Diffusers. Веса извлечены из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V20 и предназначены для ускоренного вывода Qwen Image Edit за четыре шага. Модель принимает изображение и используется для его преобразования; README не уточняет поддерживаемые операции редактирования и требования к текстовым инструкциям. Модель является дообученной производной Phr00t/Qwen-Image-Edit-Rapid-AIO. Файлы представлены в формате safetensors, библиотека для работы — Diffusers. Лицензия репозитория — Apache-2.0. В исходной модели явно указана NSFW-версия, поэтому следует учитывать возможность генерации или редактирования контента для взрослых.

Карточка модели amirsehaa72/Realistic_Vision_V4.0_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V4.0_noVAE, поэтому описание составлено по ней. Realistic Vision V4.0 noVAE — модель генерации изображений по текстовому описанию от автора SG161222. Она предназначена для создания реалистичных изображений; в карточке приведены рекомендуемые параметры генерации и негативные промпты, помогающие уменьшить анатомические дефекты и нежелательные стили. Метаданные указывают на использование StableDiffusionPipeline и форматы Diffusers и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. README рекомендует использовать сэмплеры Euler A или DPM++ SDE Karras и указывает диапазон CFG Scale 3,5–15; также приведены настройки для увеличения разрешения. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

ReasonGen-R1 — авторегрессионная мультимодальная модель для генерации изображений по текстовому описанию, разработанная авторами одноимённого исследования. Она дообучена на базе DeepSeek Janus-Pro-7B с помощью supervised fine-tuning и оптимизации GRPO: перед созданием изображения модель формирует текстовые рассуждения и планирует композицию, расположение объектов и стиль. Модель предназначена для генерации изображений по промптам и демонстрирует результаты на бенчмарках Geneval, DPG и T2I. Использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0.

timm/resnet50_clip.cc12m — модель семейства CLIP с визуальным энкодером ResNet-50, представленная как совместимая с open_clip и timm. Она обучена на наборе CC12M и предназначена для классификации изображений по текстовым описаниям без обучения на конкретных классах: модель сопоставляет изображение с предложенными текстовыми вариантами. Репозиторий доступен в форматах PyTorch и Safetensors; лицензия — MIT. Модель подходит для поиска по изображениям и отнесения изображений к заданным категориям с помощью текстовых меток. Карточка не сообщает размер модели, языковую поддержку или ограничения качества; результаты могут зависеть от формулировок текстовых описаний и набора предложенных классов.

refiners/sd15.juggernaut.reborn.autoencoder — модель автоэнкодера для экосистемы Stable Diffusion 1.5, опубликованная в библиотеке refiners. Она предназначена для задач преобразования изображений (image-to-image) и может использоваться как компонент пайплайнов генерации или редактирования изображений по текстовым описаниям. В карточке представлены примеры сюрреалистичных сцен, архитектурной фотографии, предметных изображений и фотореалистичных портретов.

SDXL 1.0 Base — 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. Базовая модель может работать самостоятельно; для дополнительного улучшения изображения её можно сочетать с моделью-refiner или применять двухэтапный сценарий с повышением разрешения через img2img. Репозиторий содержит варианты Diffusers, ONNX, OpenVINO и SafeTensors. Модель подходит для создания иллюстраций, концепт-арта и изображений для творческих и образовательных инструментов, а также для изучения генеративных моделей. В README отмечены ограничения: модель не всегда создаёт фотореалистичные изображения, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно. Модель не предназначена для достоверного изображения реальных людей или событий и может усиливать социальные предубеждения. Лицензия в метаданных указана как OpenRAIL++; README называет CreativeML Open RAIL++-M License.

SEA-CLIP-Tiny — вариант модели CLIP от авторов проекта SEA-CLIP-Tiny, представленный как абляция для статьи ACCV 2026. Это модель сопоставления изображений и текста с визуальной башней ViT-T/16 и 12-слойной текстовой башней шириной 384; размер эмбеддингов — 512, всего 46,11 млн параметров. Токенизатор CLIP BPE использует словарь из 49 408 токенов и контекст длиной 77 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дообучения на целевых классах, а также для поиска соответствий между изображениями и текстом. В этой абляции использована дистилляция с контрастивным и интерактивным контрастивным обучением; авторы приводят метрики поиска по изображениям и тексту и zero-shot точность на ImageNet. В README перечислены языки Юго-Восточной Азии, включая индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский; метаданные также отмечают английский. Лицензия — MIT. Веса доступны в формате PyTorch.

HuggingFaceM4/siglip-so400m-14-980-flash-attn2-navit — вариант SigLIP от HuggingFaceM4 с изменениями в зрительной части модели. Максимальное разрешение изображений увеличено с 384 × 384 до 980 × 980 за счёт интерполяции позиционных эмбеддингов; реализация в стиле NaViT позволяет обрабатывать изображения переменного разрешения с сохранением соотношения сторон. Текстовая часть не изменена, а реализация заявлена как обратно совместимая с исходной моделью. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Поддерживает изображения высокого и переменного разрешения; задача в метаданных — zero-shot image classification. Репозиторий использует формат safetensors и лицензию Apache-2.0. Размер модели и конкретные поддерживаемые естественные языки в предоставленных данных не определены.

SPRIGHT-T2I — диффузионная модель генерации изображений по тексту, разработанная Агниетом Чаттерджи, Габриэлой Бен-Мелех Стэн и соавторами. Модель дообучена на Stable Diffusion 2.1 с использованием подмножества SPRIGHT, где изображения сопровождаются обычными и пространственно ориентированными описаниями. Она предназначена для создания изображений, точнее передающих расположение объектов и отношения между ними в запросе. Модель рассчитана на англоязычные текстовые запросы и работает через библиотеку Diffusers. Авторы сообщают об улучшении пространственной точности и качества генерации по сравнению с SD 2.1. Лицензия — CreativeML Open RAIL++-M. К ограничениям относятся унаследованные от Stable Diffusion 2.1 предубеждения, а также возможность размытых лиц людей; авторы связывают последнее с использованием изображений Segment Anything при дообучении. Обучающая выборка была небольшой: 444 изображения для обучения и 50 для валидации.

SagiPolaczek/stable-diffusion-2-1-base — модель генерации изображений по текстовому описанию, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H; она создана дообучением stable-diffusion-2-base на 220 тысячах дополнительных шагов и доступна в формате Diffusers, PyTorch и SafeTensors. Модель предназначена для создания и изменения изображений по текстовым запросам, в том числе для художественных и дизайнерских задач, творческих инструментов и исследований генеративных моделей. Лучше работает с английскими запросами. Лицензия — CreativeML Open RAIL++-M License. Ограничения: модель не всегда создаёт фотореалистичные изображения, плохо передаёт читаемый текст и сложные пространственные композиции, а лица и люди могут получаться некорректно. Результаты по неанглоязычным запросам слабее; модель может воспроизводить социальные предубеждения, а обучающие данные включали фильтрованный контент для взрослых, насилие и сексуальные изображения.

Карточка модели sd-research/stable-diffusion-2-base на Hugging Face совпадает с карточкой Manojb/stable-diffusion-2-base, поэтому описание составлено по ней. Manojb/stable-diffusion-2-base — репозиторий модели Stable Diffusion 2-base, разработанной Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, которая создаёт и изменяет изображения по текстовым запросам; для понимания текста использует предварительно обученный энкодер OpenCLIP-ViT/H. В README описано обучение на разрешениях 256×256 и 512×512 на отфильтрованной подвыборке LAION-5B. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Модель подходит для генерации иллюстраций, художественных изображений и материалов для дизайна, а также для изучения возможностей и ограничений генеративных моделей. Лучше работает с английскими запросами. Она может ошибаться в деталях композиции и лиц, не обеспечивает безупречный фотореализм и плохо создаёт читаемый текст на изображениях; обучение на англоязычных описаниях также ограничивает качество и разнообразие результатов на других языках. Разработчики предупреждают о смещениях обучающих данных и потенциально вредном содержимом. Лицензия CreativeML Open RAIL++-M устанавливает ограничения на использование и распространение.

city96/stable-diffusion-3.5-medium-gguf — это прямое преобразование модели Stable Diffusion 3.5 Medium от Stability AI в формат GGUF, выполненное city96. Модель предназначена для генерации изображений по текстовым описаниям и относится к задачам text-to-image и image generation. Указан английский язык; исходная модель не дообучалась, поэтому преобразование сохраняет её исходные характеристики и ограничения. Ключевая особенность модели — квантованный формат GGUF, который может использоваться с пользовательским узлом ComfyUI-GGUF. В README не указаны точный размер модели, архитектурные параметры, поддерживаемые модальности, длина контекста или конкретные варианты квантования, поэтому эти характеристики нельзя достоверно описать. Для работы файлы модели следует разместить в каталоге ComfyUI/models/unet. Модель распространяется по лицензии Stability AI Community License. Поскольку это квантованная версия без дообучения, к ней применяются те же ограничения и условия, что и к исходной модели Stability AI.

Карточка модели Jinstudio/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.

Карточка модели yangjiwoong1/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.

gpustack/stable-diffusion-v2-1-GGUF — GGUF-квантизированная версия Stable Diffusion 2.1, разработанной Stability AI; исходная модель создана при участии Robin Rombach и Patrick Esser. Это диффузионная text-to-image-модель для генерации и редактирования изображений по текстовым запросам, применимая в исследовательских, творческих, дизайнерских и образовательных инструментах. Модель представляет собой Latent Diffusion Model с фиксированным текстовым энкодером OpenCLIP ViT-H/14 и поддерживает английский язык. В репозитории доступны варианты квантования FP16, Q8_0, Q4_1 и Q4_0; OpenCLIP ViT-H/14 и VAE для указанных вариантов имеют формат FP16. Квантование основано на stable-diffusion.cpp с патчами llama-box. README не указывает размер модели и длину контекста. К сильным сторонам относятся поддержка генерации изображений высокого разрешения и возможность снизить требования к памяти за счёт квантованных вариантов. Ограничения включают отсутствие гарантии фотореализма, невозможность использовать модель как источник достоверных изображений людей или событий, а также риски предвзятости и создания вредного, дискриминационного, несанкционированного или дезинформационного контента. Модель предназначена прежде всего для исследовательского использования. Указана лицензия CreativeML Open RAIL++-M License.

Карточка модели socialtrait/stable-diffusion-xl-base-1.0-infendpoint на Hugging Face совпадает с карточкой cgburgos/sdxl-1-0-base, поэтому описание составлено по ней. SDXL 1.0 Base — 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. Базовая модель может работать самостоятельно; для дополнительного улучшения изображения её можно сочетать с моделью-refiner или применять двухэтапный сценарий с повышением разрешения через img2img. Репозиторий содержит варианты Diffusers, ONNX, OpenVINO и SafeTensors. Модель подходит для создания иллюстраций, концепт-арта и изображений для творческих и образовательных инструментов, а также для изучения генеративных моделей. В README отмечены ограничения: модель не всегда создаёт фотореалистичные изображения, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно. Модель не предназначена для достоверного изображения реальных людей или событий и может усиливать социальные предубеждения. Лицензия в метаданных указана как OpenRAIL++; README называет CreativeML Open RAIL++-M License.

SVI_v2_PRO — адаптер LoRA в формате safetensors для базовой модели wikeeyang/Magic-Wan-T2IV-V3. Модель относится к экосистеме Diffusers и предназначена для генерации изображений; по идентификатору и тегам также связана с задачами text-to-image и image-to-video на базе Wan 2.2 I2V-A14B. Для активации указан триггер none. Известно, что адаптер имеет ранг LoRA 128 и сохранён в формате FP16. README не содержит точных сведений об архитектуре базовой модели, размере параметров, поддерживаемых языках, длине контекста, дополнительных модальностях, сильных сторонах и ограничениях. Модель распространяется по лицензии Apache-2.0.

TinyFlux-Deep v4.1 (Lailah) — компактная модель генерации изображений по текстовому описанию, представленная AbstractPhil. Это диффузионная модель на основе rectified flow и архитектуры с раздельными и совместными потоками текста и изображения; в README указано около 246 млн параметров. Модель объединяет дистиллированные сигналы от учителей, включая траектории SD1.5 и структурные priors внимания, а также использует conditioning на признаках CLIP и T5. Модель предназначена для генерации изображений из текстовых запросов с меньшими вычислительными затратами, чем у крупномасштабных моделей. README заявляет целевое разрешение 512×512; среди ограничений также названы более компактный текстовый энкодер flan-t5-base и четыре головы внимания, что ограничивает ёмкость по сравнению с FLUX.1. Репозиторий распространяется в формате safetensors под лицензией MIT.

Uni-MoE 2.0-Omni — открытая омнимодальная модель команды HIT-TMG, предназначенная для понимания, рассуждений и генерации в сценариях с несколькими модальностями. Версия Omni объединяет обработку разных типов входных данных с генерацией изображений и аудио. Модель построена на архитектуре GrinQwen2VLForConditionalGeneration и дообучена на базе Qwen/Qwen2.5-7B-Instruct. Метаданные указывают 7,1 млрд параметров, контекст до 128 000 токенов и поддержку английского и китайского языков. В README описаны Omnimodality 3D RoPE и архитектура смеси экспертов с динамической ёмкостью; модель доступна в формате safetensors и использует лицензию Apache-2.0. Модель подходит для мультимодального диалога, анализа изображений и аудио, а также генерации изображений и аудио. Карточка не уточняет поддерживаемые аудиоформаты, качество на отдельных задачах или ограничения на длину генерируемых аудио и изображений.