I.8Изображения и компьютерное зрение

PhotoMaker V2 — модель TencentARC для создания персонализированных изображений по одной или нескольким фотографиям лица и текстовому запросу. Она генерирует фотографии или стилизованные изображения без отдельного обучения пользователя и может применяться с базовыми моделями на основе SDXL. Модель включает дообученный энкодер OpenCLIP-ViT-H-14 со слоями объединения признаков и LoRA-адаптер ранга 64 для слоёв внимания UNet. Для работы с изображением лица и текстом используется библиотека Diffusers. В метаданных указаны английский язык и лицензия Apache-2.0. PhotoMaker V2 подходит для персонализированных портретов, фото и художественных изображений с заданным текстовым описанием. Среди известных ограничений — более слабая персонализация азиатских мужских лиц и трудности с точной отрисовкой рук; генерация изображений также может усиливать социальные предубеждения.

Anything2Real — специализированный LoRA-адаптер от lrzjason для базовой модели Qwen/Qwen-Image-Edit-2509. Модель предназначена для преобразования иллюстраций, аниме, мультфильмов, картин и других非фотореалистичных изображений в убедительные фотореалистичные фотографии с сохранением исходной композиции и содержания. Адаптер работает в сценариях image-to-image через библиотеку Diffusers и основан на архитектуре Qwen Edit 2509, описанной как MMDiT-модель редактирования изображений. Рекомендуемый вес LoRA — 0,75–0,9. Для управления результатом предлагается запрос «transform the image to realistic photograph» с подробным описанием содержимого изображения; при этом адаптер может работать и без детализированного промпта. Данные о размере модели, поддерживаемых языках, максимальном контексте и дополнительных модальностях не указаны. Это альфа-версия, находящаяся в активной разработке и обученная на ограниченном наборе данных, поэтому универсальность и стабильность преобразований могут быть ограничены. Модель распространяется по лицензии Apache-2.0.

Realisian6 — модель генерации изображений по текстовому описанию, опубликованная GraydientPlatformAPI на Hugging Face. В метаданных указаны задача text-to-image, реализация через Diffusers StableDiffusionPipeline, размер около 0,9 млрд параметров и формат safetensors. Модель предназначена для создания изображений по текстовым запросам. Для репозитория указана лицензия OpenRAIL. Карточка модели не была доступна для проверки, поэтому особенности обучающих данных, рекомендуемые настройки, поддерживаемые языки запросов и конкретные ограничения модели подтвердить нельзя.

Карточка модели ModelsLab/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.

Карточка модели sky-meilin/sdxl-Fastpicture 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.

SenseNova-U1-8B-MoT-Infographic-V3 — мультимодальная модель SenseNova для генерации и редактирования инфографики. Она построена на архитектуре NEO-unify и объединяет понимание и генерацию изображений с работой с языком в одной модели; размер — 8 млрд параметров. Модель принимает текстовые запросы и изображения, а выдаёт изображения, в том числе с текстом и визуальными элементами, соответствующими запросу. Модель предназначена для создания инфографики по текстовому описанию и её правки по запросу на естественном языке или с указанием области для изменения. Она поддерживает локальные правки текста и содержимого, а также глобальное изменение стиля и компоновки; среди заявленных сильных сторон — сохранение неизменённых областей при редактировании. README приводит результаты сравнительных оценок, но они не гарантируют качество для конкретного запроса. Модель распространяется по лицензии Apache-2.0; для запуска описаны Transformers и отдельный стек LightLLM с LightX2V.

Карточка модели k33pCum/stable-cascade на Hugging Face совпадает с карточкой stabilityai/stable-cascade, поэтому описание составлено по ней. Stable Cascade — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она построена на архитектуре Würstchen и состоит из трёх частей: Stage C создаёт компактные латентные представления по текстовому запросу, а Stage A и Stage B декодируют их в изображение. Сжатие с коэффициентом 42 позволяет работать с латентным представлением 24×24 для изображения 1024×1024, что снижает стоимость обучения и ускоряет генерацию по сравнению с менее сжатыми подходами. Для Stage C доступны варианты на 1 и 3,6 млрд параметров, для Stage B — на 700 млн и 1,5 млрд; Stage A содержит 20 млн параметров. Модель предназначена для генерации изображений в творческих инструментах, дизайне, образовательных приложениях и исследованиях генеративных моделей. В README отмечены возможности расширения через дообучение, LoRA, ControlNet, IP-Adapter и LCM. Автор рекомендует вариант Stage C на 3,6 млрд параметров и крупный вариант Stage B для более детальных результатов. Лицензия в метаданных обозначена как other; README указывает на соблюдение Acceptable Use Policy Stability AI и описывает модель как предназначенную для исследований. К ограничениям относятся возможные дефекты лиц и людей в целом, а также потери при автоэнкодировании. Модель не предназначена для создания достоверных изображений людей или событий; сгенерированный контент может быть вредоносным или отражать смещения.

Stable Cascade — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она построена на архитектуре Würstchen и состоит из трёх частей: Stage C создаёт компактные латентные представления по текстовому запросу, а Stage A и Stage B декодируют их в изображение. Сжатие с коэффициентом 42 позволяет работать с латентным представлением 24×24 для изображения 1024×1024, что снижает стоимость обучения и ускоряет генерацию по сравнению с менее сжатыми подходами. Для Stage C доступны варианты на 1 и 3,6 млрд параметров, для Stage B — на 700 млн и 1,5 млрд; Stage A содержит 20 млн параметров. Модель предназначена для генерации изображений в творческих инструментах, дизайне, образовательных приложениях и исследованиях генеративных моделей. В README отмечены возможности расширения через дообучение, LoRA, ControlNet, IP-Adapter и LCM. Автор рекомендует вариант Stage C на 3,6 млрд параметров и крупный вариант Stage B для более детальных результатов. Лицензия в метаданных обозначена как other; README указывает на соблюдение Acceptable Use Policy Stability AI и описывает модель как предназначенную для исследований. К ограничениям относятся возможные дефекты лиц и людей в целом, а также потери при автоэнкодировании. Модель не предназначена для создания достоверных изображений людей или событий; сгенерированный контент может быть вредоносным или отражать смещения.

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.

Карточка модели Ja-kir/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.

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.

Taiyi-Stable-Diffusion-1B-Chinese-EN-v0.1 — модель генерации изображений по тексту от команды IDEA-CCNL из проекта Fengshenbang. Она основана на Stable Diffusion v1.4 и дообучена на отфильтрованных парах изображений с китайскими и английскими описаниями; в README указано, что исходные наборы Noah-Wukong и Zero отбирались по оценке сходства Taiyi-CLIP. Модель рассчитана на создание изображений по китайским и английским запросам, в том числе с указанием художественного стиля. Обучение проходило в два этапа: сначала настраивался текстовый энкодер, затем совместно дообучались текстовый энкодер и диффузионная модель. Репозиторий содержит веса в форматах Diffusers и PyTorch и использует библиотеку Diffusers. Это предварительная версия модели; README сообщает, что её планировали улучшать. Лицензия — CreativeML OpenRAIL-M.

LLM-grounded Video Diffusion (LVD) — модель генерации видео из текста, разработанная Long Lian, Baifeng Shi, Adam Yala, Trevor Darrell и Boyi Li из UC Berkeley и UCSF. Она основана на Zeroscope и дополнена генерацией с учётом ограничивающих рамок: модель может использовать координаты объектов для управления их размещением в видео, а также работать только по текстовому запросу. Подход использует conditioning через cross-attention в стиле GLIGEN; адаптеры GLIGEN, обученные на SA-1B, слиты с весами Zeroscope. В README также описан сценарий совместного использования с LLM, генерирующей динамическую раскладку сцены. Модель представлена в формате Diffusers/PyTorch. README не сообщает лицензию.

ToriiGate-0.5 — дообученная модель Minthy на базе Qwen/Qwen3.5-4B-Base для создания подписей и подробных описаний цифровых иллюстраций, скриншотов и других изображений. Она принимает изображение и текстовый запрос, поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке заявлены варианты формата подписи, распознавание персонажей по именам и описание отдельных персонажей и их атрибутов. Модель предназначена для подготовки подписей и меток для наборов данных, создания текстовых промптов по изображению, сортировки и классификации изображений. Обучающая выборка ориентирована на цифровое искусство и аниме, включая комиксы; автор также заявляет поддержку изображений с контентом SFW и NSFW. Метаданные указывают архитектуру Qwen3.5 с плотной моделью и файлами safetensors. Лицензия — MIT. Распознавание редких персонажей может путаться с похожими популярными персонажами; предоставление списка тегов или описаний может улучшить привязку имён. Заявления автора о превосходстве над конкурентами основаны на описанной им оценке и не гарантируют аналогичных результатов на других изображениях и сценариях.

Waifu-Inpaint-XL — модель на основе SDXL от ShinoharaHare, предназначенная для дорисовки и изменения областей аниме-изображений по маске. Она инициализирована из WAI-NSFW-illustrious-SDXL-V14.0-V-Prediction; входные каналы расширены с четырёх до девяти: один канал используется для маски, ещё четыре — для латентного представления замаскированных областей. Модель рассчитана на работу с изображением и текстовым описанием в пайплайне StableDiffusionXLInpaintPipeline библиотеки Diffusers. Её можно применять для замены или восстановления выбранных фрагментов иллюстраций, редактирования фона и уточнения деталей в аниме-стиле. В README указан английский как язык NLP. Репозиторий содержит веса в форматах Diffusers и safetensors и использует лицензию CreativeML Open RAIL++-M (метаданные обозначают её как openrail++).

dima806/ai_vs_real_image_detection — дообученная модель Vision Transformer (ViT) для классификации изображений на реальные и сгенерированные ИИ. Она предназначена для проверки происхождения изображения и выдаёт метку класса; модель содержит 113,2 млн параметров и основана на google/vit-base-patch16-224-in21k. В README приведён отчёт об оценке на 48 000 изображений с точностью 98,25%; этот результат относится к использованному набору данных и не гарантирует такую же точность на новых изображениях. Модель выпущена в форматах PyTorch и Safetensors под лицензией Apache-2.0. Автор предупреждает о сдвиге данных: после обучения генераторы изображений заметно улучшились, поэтому модель может хуже выявлять современные ИИ-изображения. Для актуального применения рекомендуется переобучение на свежих размеченных данных; изменение порога классификации предлагается лишь как временная мера.

guoyww/animatediff-sparsectrl-scribble — компонент для генерации видео, созданный на основе AnimateDiff и SparseCtrl. AnimateDiff добавляет обученные на видеоклипах слои движения к замороженной модели Stable Diffusion для генерации изображений; SparseControlNetModel добавляет управление генерацией по разреженным условиям, таким как наброски. Компонент предназначен для использования вместе с совместимой моделью Stable Diffusion и инструментами библиотеки Diffusers. Модель подходит для создания видео по текстовому описанию с управлением движением и визуальными подсказками в виде набросков. Архитектурно это Sparse ControlNet для AnimateDiff, работающий с UNet Stable Diffusion и motion-модулями. В репозитории указаны веса в формате safetensors. README не сообщает лицензию и конкретные ограничения качества; для запуска нужны совместимые базовая модель и компоненты AnimateDiff.

Карточка модели poctexttoimage/checking-model-1 на Hugging Face совпадает с карточкой model-hub/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. SDXL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она основана на латентной диффузии и использует два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно запускать отдельно или сочетать с моделью-refiner для завершающих шагов очистки изображения; также описан двухэтапный вариант с повышением разрешения через SDEdit. Модель подходит для создания иллюстраций, художественных работ и визуальных материалов для творческих и образовательных инструментов, а также для исследований генеративных моделей. В README отмечено улучшение пользовательских оценок по сравнению с предыдущими версиями Stable Diffusion. Модель не обеспечивает идеальный фотореализм, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно, а автоэнкодер вносит потери. Генерация достоверных изображений людей и событий указана как использование вне заявленного назначения. Лицензия — CreativeML Open RAIL++-M.

zai-org выпускает CogVLM-Grounding-Generalist-HF — открытую мультимодальную модель семейства CogVLM для диалога по изображениям и задач визуального понимания. В карточке указана архитектура CogVLMForCausalLM и размер 6,6 млрд параметров; README описывает семейство CogVLM как сочетание визуального трансформера ViT, MLP-адаптера, предварительно обученной языковой модели GPT и визуального экспертного модуля. Контекст модели составляет 2048 токенов. Модель предназначена для ответов на вопросы об изображениях, их описания и выполнения задач визуального grounding, включая привязку объектов к областям изображения. README сообщает о высоких результатах семейства CogVLM на бенчмарках captioning, визуальных вопросах и локализации объектов, однако приведённые показатели относятся к CogVLM-17B и не подтверждают напрямую качество данного чекпойнта на 6,6 млрд параметров. В метаданных лицензия не указана.

soren127/Deliberate — модель генерации изображений по текстовому описанию, опубликованная пользователем soren127 на Hugging Face. Она предназначена для создания изображений по prompt в библиотеке Diffusers с использованием StableDiffusionPipeline. Модель содержит компоненты Stable Diffusion, включая U-Net, VAE, текстовый энкодер, токенизатор и планировщик. Её основная модальность — текст-в-изображение; пример применения в карточке модели показывает генерацию художественной сцены по текстовому запросу. Языки текстовых запросов и размер модели в доступных метаданных не указаны. Модель подходит для прототипирования генерации изображений, создания иллюстраций и визуальных концепций. Она распространяется по лицензии CreativeML OpenRAIL-M. Ограничения и специализированные области применения в карточке модели подробно не описаны.

fal-collab-models/dreamshaper-xl-1-0 — опубликованный на Hugging Face пайплайн Diffusers для генерации изображений по текстовому описанию. Репозиторий содержит компоненты Stable Diffusion XL, включая два текстовых энкодера, UNet и VAE; пример загрузки использует StableDiffusionXLPipeline. Авторская карточка автоматически создана и не сообщает, кто разработал исходную модель. Модель предназначена для создания изображений по текстовым промптам. В примере Hugging Face показана генерация изображения по англоязычному описанию; сведений о поддерживаемых языках, контексте и лицензии в карточке нет. Репозиторий опубликован в форматах Diffusers и Safetensors.

FabricDiffusion - Texture Model — модель генерации текстур, опубликованная Yuanhao-Harry-Wang. Метаданные указывают на архитектуру StableDiffusionInstructPix2PixPipeline и библиотеку Diffusers; модель предназначена для генерации изображений по текстовым запросам. Её можно применять для создания текстур по описанию. README не содержит подробностей о данных обучения, поддерживаемых языках, размере модели, контексте или условиях лицензии.

onnx-community/Florence-2-base-ft — модель компьютерного зрения и генерации текста, основанная на Microsoft Florence-2-base-ft и опубликованная в формате ONNX для совместимости с Transformers.js. Она предназначена для задач image-to-text и text-to-text, включая создание подписей к изображениям, в том числе более подробных описаний сцен. Модель принимает изображение и текстовый промпт задачи, после чего генерирует текстовый результат; пример использования показывает запуск в JavaScript, включая веб-среду и WebGPU. Модель относится к мультимодальным vision-language системам, однако точные сведения о размере, архитектуре, поддерживаемых языках и максимальной длине контекста в README не указаны. Ключевое преимущество — наличие ONNX-весов и готовая интеграция с Transformers.js, что упрощает запуск в приложениях на JavaScript и потенциально непосредственно в браузере. Ограничения и показатели качества также не приведены. Лицензия — MIT.

Runpod/FLUX.2-klein-4B-mflux-4bit — это 4-битная квантизированная версия FLUX.2 [klein] 4B от Black Forest Labs, подготовленная Runpod / OpenClaw2Go для запуска через mflux на компьютерах Apple Silicon. В основе — плотный rectified flow transformer с 4 млрд параметров; веса занимают около 4,3 ГБ и сохранены в формате safetensors. Модель предназначена для генерации изображений по текстовому запросу и редактирования изображений с несколькими референсами. Репозиторий рассчитан на mflux версии 0.16.0 и новее и использует MLX; указанное в README время генерации изображения 512×512 на M3 Pro — около 11 секунд при четырёх шагах. Это практичная компактная сборка для локальной генерации на Apple Silicon, однако README сообщает, что она работает только с mflux, а результат квантизации может отличаться от полноточной версии. Лицензия — Apache 2.0, допускающая коммерческое использование.

HunyuanVideo-1.5-Diffusers-720p_i2v_distilled — дистиллированная версия HunyuanVideo 1.5 для генерации видео по исходному изображению. Репозиторий содержит веса в формате Diffusers и Safetensors и предназначен для работы через HunyuanVideo15ImageToVideoPipeline. В README упоминается поддержка последовательностей переменной длины с масками внимания; для высокой производительности рекомендуется backend внимания, эффективно работающий с дополнением последовательностей. Модель подходит для создания видео на основе изображения и текстового описания в совместимых сценариях image-to-video. Карточка не раскрывает сведения о языках, размере модели, длине контекста или лицензии, пригодной для стандартной классификации: указана лицензия other. Для запуска требуется совместимая программная среда Diffusers; README рекомендует установить пакет kernels для доступа к предварительно собранным ядрам внимания.

Репозиторий LightX2V содержит модели HunyuanVideo-1.5, квантованные в формате FP8-E4M3 для генерации видео и запуска с библиотекой LightX2V. В него входят диффузионные модели для генерации видео по изображению и по тексту с разрешением 720p, а также квантованный текстовый энкодер Qwen2.5-VL. Для работы требуются исходные веса и соответствующая структура HunyuanVideo-1.5; репозиторий предоставляет квантованные веса для них. Квантование и оптимизированные ядра SGL призваны снизить потребление видеопамяти и ускорить инференс, сохраняя качество близким к исходной модели. Указана совместимость с LightX2V и альтернативное использование ядер VLLM. Модель основана на Tencent HunyuanVideo-1.5; лицензия репозитория — Apache-2.0.

Ideogram4 GGUF — набор квантизированных файлов модели Ideogram 4, опубликованный пользователем rectangleworm на основе моделей ideogram-ai/ideogram-4-fp8 и ideogram-ai/ideogram-4-nf4. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в ComfyUI и stable-diffusion.cpp. В состав входят условная и безусловная диффузионные модели в формате GGUF, текстовый энкодер Qwen3-VL-8B также в нескольких вариантах квантизации и VAE flux2/flux2-hdr-vae. Заявлены языки английский, русский и китайский. Доступны уровни квантизации от Q4 до Q8; для условной диффузионной модели рекомендуются Q6_K или Q8_0, для безусловной — Q4_K или Q5_K, а для текстового энкодера — Q4_K_M или Q5_K_M. Размер исходной текстовой модели составляет 8B параметров, однако общий размер и требования к памяти зависят от выбранных компонентов и вариантов квантизации. К сильным сторонам относятся возможность локального запуска в оптимизированном формате GGUF, выбор между качеством, скоростью и потреблением памяти, а также поддержка нескольких языков и дополнительных LoRA-адаптеров. Более высокая квантизация обычно лучше сохраняет детализацию и соответствие промпту, тогда как менее точные варианты экономят ресурсы, но могут снижать качество. README не содержит данных о максимальном контексте, разрешениях, скорости генерации, системных требованиях и точных ограничениях по модальностям, поэтому эти характеристики нельзя определить. Лицензия указана как ideogram-non-commercial-model-agreement, то есть использование ограничено некоммерческими условиями; подробности приведены в лицензии Ideogram AI.

uYouUs/IllustriousV01 — модель генерации изображений по текстовому описанию, опубликованная пользователем uYouUs на Hugging Face. В метаданных указаны задача text-to-image и совместимость с StableDiffusionXLPipeline в библиотеке Diffusers; репозиторий содержит веса Safetensors. Карточка не содержит описания модели, поэтому её конкретную специализацию, архитектурные детали, размер, языки, контекст и лицензию подтвердить нельзя. Подтверждённый сценарий использования — создание изображений по текстовым запросам через совместимый конвейер Stable Diffusion XL.

digiplay/K-main_NEO — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка не содержит сведений о разработчике, архитектуре, размере или языках модели. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Diffusers. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория.

KBlueLeaf/kohaku-v2.1 — модель генерации изображений по текстовому описанию, опубликованная разработчиком KBlueLeaf на Hugging Face. Репозиторий оформлен как Diffusers StableDiffusionPipeline и содержит компоненты диффузионной модели, включая UNet, текстовый энкодер и VAE. Модель предназначена для создания изображений по текстовым промптам и запускается через Diffusers. Карточка показывает пример генерации изображения и лицензию CC BY-NC-ND 4.0. Специальные сведения о размере архитектуры, поддерживаемых языках промптов и контексте в карточке отсутствуют; пустой README не описывает дополнительные характеристики модели.