I.8Изображения и компьютерное зрение

Это 4-битная квантизированная и конвертированная в MLX версия Krea-2-Turbo, подготовленная автором MLXBits для локальной генерации изображений по текстовым описаниям на компьютерах Apple Silicon. Модель использует одно-поточный MMDiT-трансформер на 28 слоёв, текстовый энкодер Qwen3-VL-4B и VAE от Qwen-Image. Вариант Turbo дистиллирован для генерации изображения за 8 шагов. Снимок включает компоненты модели и хранится в формате safetensors, разделённом на части; повторная квантизация при запуске не требуется. 4-битный вариант занимает около 7 ГБ и экономит память по сравнению с 8-битной сборкой, но может уступать ей в точности изображения. Модель предназначена для работы через mflux на Apple Silicon. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

emilianJR/majicMIX_realistic_v6 — версия Stable Diffusion в формате Diffusers. Карточка описывает её как чекпойнт для генерации изображений по текстовому запросу с использованием StableDiffusionPipeline из библиотеки diffusers. Модель предназначена для создания реалистичных изображений по текстовым промптам. В репозитории указаны форматы Diffusers и PyTorch, а метаданные относят модель к англоязычным материалам. Лицензия — CreativeML Open RAIL-M; её условия следует учитывать при использовании и распространении результатов.

majicMIX_realistic_v7 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Она построена как Stable Diffusion и доступна в формате Diffusers и весах Safetensors; карточка Hugging Face ссылается на версию модели на Civitai. Модель предназначена для создания реалистичных изображений по текстовым промптам. Репозиторий содержит компоненты Stable Diffusion Pipeline, включая текстовый энкодер, U-Net и VAE. Доступны примеры запуска через библиотеку Diffusers. В метаданных лицензия указана как other, без уточнения условий использования в найденной карточке. Языки промптов, размер модели и длина контекста в использованных источниках не подтверждены.

Это конверсия MetaCLIP 2 Worldwide Giant от команды zeromodels в формат Keras 3, основанная на facebook/metaclip-2-worldwide-giant. Модель использует архитектуру CLIP с двумя энкодерами: один обрабатывает изображение, другой — текстовое описание, после чего система сопоставляет их представления для классификации изображений по категориям, заданным текстовыми подсказками. Модель предназначена для zero-shot классификации изображений без отдельного дообучения на выбранных категориях. Подсказки можно задавать на разных языках; вариант Worldwide обучен на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов. Реализация Keras 3 может работать с TensorFlow, PyTorch и JAX. Для обработки изображений и текста рекомендуется использовать соответствующий модели Processor. Это крупная модель, и некоторые варианты могут конвертировать веса из upstream-репозитория при загрузке, если готовых весов zeromodels нет. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

argmaxinc/mlx-stable-diffusion-3.5-large — версия Stable Diffusion 3.5 Large, опубликованная argmaxinc и предназначенная для генерации изображений по текстовым запросам. Модель основана на Stability AI/stable-diffusion-3.5-large и распространяется в формате safetensors для использования с библиотекой DiffusionKit. Модель подходит для создания иллюстраций, концепт-арта и других изображений по текстовому описанию. В карточке указана поддержка английского языка. Исходная Stable Diffusion 3.5 Large использует архитектуру MMDiT; метаданные этой версии не уточняют размер модели или длину контекста. Лицензия обозначена как other, поэтому перед использованием следует проверить её условия на странице модели.

MobileNet V3 Small — компактная сверточная модель классификации изображений, разработанная авторами статьи Searching for MobileNetV3 и представленная сообществом LiteRT в формате LiteRT/TFLite. Веса предварительно обучены на ImageNet-1k; модель рассчитана на изображения размером 224×224. В исходной версии около 2,54 млн параметров, точность ImageNet-1k составляет 67,668% top-1 и 87,402% top-5. Репозиторий содержит полноточный вариант, вариант с квантованными до INT8 весами и FP32-активациями, а также артефакт, скомпилированный для Google Tensor G5. Модель подходит для классификации объектов на фотографиях и для компактных приложений компьютерного зрения. Статическое INT8-квантование пока не подтверждено: авторы сообщают о сильном падении точности при наивном постобучающем квантовании. Лицензия исходных весов не установлена в карточке; перед использованием необходимо проверить условия PyTorch Vision и обучающего набора.

MOVA — открытая модель генерации видео и синхронного аудио, разработанная командой OpenMOSS. Она предназначена для создания видео по изображению и текстовому описанию с одновременным синтезом звука, включая синхронизацию речи с движением губ и звуковые эффекты, соответствующие сцене. В метаданных Hugging Face для этой модели указан основной сценарий image-to-video. Модель использует асимметричную архитектуру с двумя башнями для видео и аудио, объединёнными двунаправленным cross-attention, и схему Mixture-of-Experts: 32 млрд параметров всего, 18 млрд активны при инференсе. Авторы заявляют о поддержке многоязычной синхронизации губ и предоставляют веса, код инференса, обучающий конвейер и скрипты для дообучения LoRA. Лицензия — Apache-2.0. В карточке не приведены сведения о длине контекста и конкретном перечне поддерживаемых языков.

BAAI разработала NOVA — авторегрессионную модель генерации и редактирования изображений по текстовому запросу. Модель размером 645 млн параметров работает с разрешением 1024×1024 и использует текстовый энкодер Phi-2 и VAE-токенизатор изображений SDXL-VAE. Это неквантованная модель в формате FP16; для запуска предусмотрена библиотека Diffusers и пайплайн NOVA. Модель подходит для экспериментов с генеративными моделями, создания иллюстраций и поддержки творческих и образовательных инструментов. Лицензия — Apache 2.0. Разработчик указывает исследовательское назначение, однако это само по себе не исключает практического использования с учётом ограничений и условий лицензии. Автокодирование приводит к потере деталей; модель может плохо передавать сложный читаемый текст, фотореализм и анатомию пальцев. Обучающие данные включали контент для взрослых, насилие и сексуальный контент, а результаты могут отражать социальные предубеждения. Модель не предназначена для достоверного изображения реальных людей или событий.

pai-diffusion-artist-xlarge-zh — китайская диффузионная модель для генерации художественных изображений по текстовым запросам, разработанная Alibaba PAI и опубликованная проектом EasyNLP. Она принимает запросы на китайском языке, поддерживает StableDiffusionPipeline из библиотеки diffusers и по умолчанию генерирует изображения размером 768×768 пикселей. Модель предназначена для создания иллюстраций и стилизованных сцен по описаниям, включая художественные и тематические сюжеты. Модель распространяется в форматах diffusers и PyTorch. Лицензия в метаданных — Apache-2.0; README также требует соблюдать специальные условия распространения AIGC-моделей. Карточка не сообщает размер модели или сведения о её базовом чекпойнте.

photo Movie C1 — вариант модели генерации изображений семейства photo Movie, опубликованный Yntec. Это версия без EMA, основанная на Yntec/photoMovieXFinal и дообученная для создания изображений по текстовому описанию. Модель предназначена для генерации реалистичных и стилизованных изображений, включая портреты, пейзажи, городские и киберпанк-сцены, а также кинематографические и цифровые иллюстрации. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование с библиотекой Diffusers. В карточке приведены примеры запросов на английском языке с разными художественными стилями и визуальными эффектами. Лицензия — CreativeML OpenRAIL-M.

PixArt-900M-DiT v0.1 — экспериментальная модель генерации изображений по текстовому описанию, созданная Tian Ye и Peijie Dong из ROAS/DSA, HKUST-GZ. Это трансформерная модель DiT примерно на 900 млн параметров, дообученная на крупном наборе изображений высокого качества, сопоставленных с предпочтениями людей. Она использует тот же VAE и текстовый энкодер, что и PixArt-Sigma, поэтому для её применения достаточно заменить трансформер в соответствующем конвейере. Модель предназначена для создания изображений по текстовым запросам. В карточке не перечислены поддерживаемые языки запросов и конкретные параметры генерации. Лицензия — Apache-2.0. Автор отмечает экспериментальный статус модели.

POCKET-Image-Zimage — сборка модели Z-Image в 4-битном формате NF4, подготовленная VIDRAFT для генерации изображений на устройствах с ограниченной видеопамятью. Это диффузионная модель для преобразования текстового промпта в изображение; репозиторий упакован для Diffusers и содержит веса в формате safetensors. По карточке, сборка занимает около 6 ГБ, а генерация возможна примерно от 8,6 ГБ VRAM или от 4,5 ГБ с выгрузкой части вычислений на CPU; для сравнения, базовая версия bf16 требует около 23,3 ГБ VRAM. Модель подходит для создания иллюстраций и фотореалистичных изображений по текстовому описанию. Указанная в карточке функция точного отображения корейского и многоязычного текста относится к полной системе POCKET-Image, а не гарантируется одними весами этой модели. Для запуска NF4-сборки требуются CUDA и bitsandbytes; карточка указывает лицензию Apache-2.0.

PromptCap — модель генерации подписей к изображениям, представленная авторами статьи PromptCap: Prompt-Guided Task-Aware Image Captioning, принятой на ICCV 2023. Модель построена на архитектуре OFA и содержит 262,2 млн параметров. Она принимает изображение и текстовую инструкцию, которая может задавать вопрос пользователя или просить общее описание сцены, и генерирует подпись, ориентированную на запрос. Также поддерживается использование OCR-входов. Модель предназначена для генерации подписей и как визуальный компонент в системах визуальных вопросов и ответов: её подпись можно передать отдельной языковой модели, например GPT-3 или UnifiedQA, для подготовки ответа. В README заявлены 150 CIDEr на COCO и высокие результаты на OK-VQA и A-OKVQA при совместном использовании с GPT-3. Репозиторий содержит веса PyTorch; лицензия — OpenRAIL.

ovi054/QIE-2511-Draw2Photo-LoRA — это LoRA-адаптер для базовой модели Qwen/Qwen-Image-Edit-2511, предназначенный для работы в сценариях image-to-image. По названию модели и указанному триггеру «make it real» адаптер ориентирован на преобразование рисунков или схематичных изображений в более реалистичные изображения, однако подробное описание целевого эффекта в README отсутствует. Модель использует библиотеку diffusers и относится к классу LoRA; базовая архитектура, количество параметров, поддерживаемые языки и максимальный контекст не указаны. README также не содержит сведений о точных требованиях к входным изображениям, настройках инференса, качестве на разных типах данных и ограничениях применения. Разработчик указан как ovi054. Лицензия и условия использования в предоставленных материалах не указаны, поэтому их необходимо уточнить на странице модели. Для активации адаптера рекомендуется использовать триггерную фразу «make it real».

Карточка модели Onlyfake/realistic-vision-v4 на Hugging Face совпадает с карточкой andregn/Realistic_Vision_V6.0-inpainting, поэтому описание составлено по ней. Realistic_Vision_V6.0-inpainting — модель генерации изображений семейства Stable Diffusion, опубликованная пользователем andregn. Она предназначена для создания реалистичных изображений по текстовому описанию; в названии также заявлен режим inpainting. В карточке приведены рекомендуемые отрицательные промпты и настройки генерации: сэмплеры Euler A или DPM++ SDE Karras, CFG Scale 3,5–15, а для увеличения разрешения — Hires.fix с апскейлером 4x-UltraSharp. Модель распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML OpenRAIL-M. README советует исключать артефакты анатомии, лишние конечности и пальцы, низкое качество и нежелательные стили; это указывает на необходимость подбирать промпты и параметры под задачу. В карточке нет подробной оценки качества, описания датасета или условий использования beyond лицензии.

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.

Real-Qwen-Image-V2 — дообученная версия модели Qwen-Image-2512, опубликованная пользователем или организацией wikeeyang на базе Qwen/Qwen-Image-2512. Модель предназначена для синтеза изображений по текстовому описанию и работает с библиотекой Diffusers. В метаданных указаны английский и китайский языки, а также совместимость с PyTorch. По заявлению автора, модель улучшает резкость и реалистичность изображений по сравнению с исходной моделью и оптимизирована для эстетики лиц азиатской внешности. README также отмечает хорошее качество текста и изображений, гибкую настройку параметров и совместимость с LoRA. Рекомендуемые диапазоны: model shift от 1,0 до 8,0, inference CFG от 1,0 до 4,0 и от 10 до 50 шагов генерации; в качестве sampler или scheduler предлагается Euler/Simple, но допускаются и другие варианты. Архитектура, количество параметров, размер контекста и точные ограничения применения не указаны. Для использования квантованной версии sdnq_uint4_r128 требуется плагин ComfyUI-SDNQ. В README указана лицензия Apache 2.0 для Qwen-Image.

calcuis/sd3.5-medium-gguf — это GGUF-квантизированная версия модели Stable Diffusion 3.5 Medium, разработанная на основе базовой модели Stability AI и опубликованная пользователем calcuis. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на использование в ComfyUI, включая запуск на системах с ограниченными ресурсами, в том числе преимущественно на CPU. В состав поставки входят квантизированные варианты диффузионной модели в формате GGUF, а также компоненты CLIP, T5 и VAE в формате SafeTensors. В README указаны варианты квантования от q1 до q5; для общего применения и генерации изображений высокого качества рекомендуются q4 и более высокие уровни, тогда как q2_k описывается как очень быстрый, но малопригодный для практического использования. Варианты семейства q3 позиционируются как работоспособные на старых компьютерах, однако могут чаще приводить к ошибкам, например при генерации пальцев. Размер базового файла sd3.5_medium-q5_0.gguf составляет около 2,02 ГБ; размеры остальных компонентов также указаны в README. Модель ориентирована на текстовую генерацию изображений и поддерживает английский язык согласно метаданным. Сильными сторонами являются снижение требований к оборудованию благодаря GGUF-квантованию и возможность запуска на старых машинах; качество зависит от выбранного уровня квантования и может ухудшаться на низких уровнях. Архитектура, точный параметрический размер, максимальная длина контекста и другие модальности в README не указаны. Лицензия обозначена как Stability AI Community License, тип лицензии — other.

rupeshs/SDXL-Lightning-2steps — вариант SDXL-Lightning для генерации изображений по текстовому описанию, размещённый пользователем rupeshs. README указывает, что это двухшаговая версия модели из исходного репозитория SDXL-Lightning; модель распространяется в формате Diffusers с весами Safetensors и предназначена для использования через библиотеку Diffusers. Модель принимает текстовые запросы на английском языке и генерирует изображения за два шага. Репозиторий распространяется по лицензии OpenRAIL++.

SEA-CLIP-Tiny-abl-loss-clip — экспериментальный вариант мультиязычной модели CLIP, представленный как строка абляции в работе SEA-CLIP-Tiny для ACCV 2026. Модель обучена только с контрастивной функцией потерь, без компонента дистилляции. Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без дополнительного обучения. Архитектура включает визуальную башню ViT-T/16 и 12-слойную текстовую башню шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Текстовый энкодер использует CLIP BPE с контекстом 77 токенов. В карточке заявлены английский и ряд языков Юго-Восточной Азии. Модель загружается через open_clip, веса доступны в формате PyTorch. В опубликованных результатах указаны точность zero-shot на ImageNet 31,4% и средний retrieval R@1 7,3% по наборам XM3600, Flickr30k-200 и XTD-200. Это контрольный вариант абляции, поэтому результаты относятся к конкретным экспериментальным настройкам и могут уступать основной модели SEA-CLIP-Tiny. Лицензия — MIT.

Show-1 Base — базовая модель генерации видео по текстовому описанию, разработанная Show Lab Национального университета Сингапура. Это каскадная диффузионная модель, сочетающая обработку в пиксельном и латентном пространствах; данный этап генерирует 8 ключевых кадров размером 64×40. Модель дообучена на DeepFloyd/IF-I-L-v1.0 с использованием датасетов WebVid-10M и InternVid. Модель предназначена для создания ключевых кадров видео, согласованных с текстовым запросом, как базовый этап каскада Show-1. Авторы ориентируют её на сочетание качества изображения и соответствия видео тексту; генерация видео высокого разрешения обычно требует значительных вычислительных ресурсов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Stable Cascade — модель генерации изображений по текстовому описанию от Stability AI, построенная на архитектуре Würstchen. Она использует каскад из трёх компонентов: Stage C создаёт компактное латентное представление по текстовому запросу, а Stage A и Stage B отвечают за сжатие и восстановление изображения. Коэффициент пространственного сжатия составляет 42: изображение 1024×1024 кодируется в представление 24×24. Варианты Stage C содержат 1 или 3,6 млрд параметров, Stage B — 700 млн или 1,5 млрд, Stage A — 20 млн. Модель рассчитана на генерацию изображений для художественных и дизайнерских задач, творческих приложений и исследований генеративных моделей. Компактное латентное пространство ускоряет инференс и снижает стоимость обучения по сравнению с менее сжатыми схемами; архитектура также допускает расширения вроде LoRA и ControlNet. Лицензия в метаданных обозначена как other. README указывает исследовательское назначение модели и исключает использование для создания достоверных изображений людей или событий.

Stable Diffusion v1.5 — модель генерации изображений по текстовому описанию, разработанная Robin Rombach и Patrick Esser. Она предназначена для создания и редактирования изображений по текстовым запросам, в том числе для иллюстраций, дизайна и творческих инструментов. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14. Чекпойнт создан на основе Stable Diffusion v1.2 и дообучен на 595 тысячах шагов при разрешении 512×512 на данных LAION-Aesthetics v2 5+; при обучении также применялось отключение текстового условия в 10% случаев для улучшения classifier-free guidance. Модель рассчитана прежде всего на английские запросы; качество генерации по другим языкам ниже. Модель не всегда создаёт фотореалистичные изображения, плохо справляется с точным расположением нескольких объектов и генерацией читаемого текста; лица и люди могут выглядеть некорректно. Обучающие данные содержат материалы для взрослых, а модель может воспроизводить смещения и запоминать дублирующиеся изображения. Для использования предусмотрен Safety Checker в Diffusers. Лицензия — CreativeML OpenRAIL-M с ограничениями на допустимое использование.

Stable Diffusion 2.1 Base — модель генерации и редактирования изображений по текстовым запросам, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H. Она дообучена на базе stable-diffusion-2-base дополнительными 220 тысячами шагов; модель распространяется в форматах Diffusers, PyTorch и safetensors. Модель предназначена для создания иллюстраций, художественных изображений и визуальных материалов для дизайна и творческих инструментов. Основной язык запросов — английский; на других языках качество ниже. Лицензия — CreativeML Open RAIL++-M License. Модель может неточно передавать фотореализм, лица и сложные пространственные отношения, а также плохо генерирует читаемый текст. Обучающие данные включали отфильтрованные подмножества LAION-5B, но фильтрация не устраняет полностью риск нежелательного контента; в генерациях могут проявляться социальные и культурные смещения.

Карточка модели tq01963/stable-diffusion-2-1-base на Hugging Face совпадает с карточкой Manojb/stable-diffusion-2-1-base, поэтому описание составлено по ней. Manojb/stable-diffusion-2-1-base — модель генерации изображений по тексту, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер OpenCLIP-ViT/H. Версия 2.1 дообучена на Stable Diffusion 2-base ещё на 220 тысячах шагов; модель распространяется в форматах Diffusers, PyTorch и Safetensors и работает с библиотекой Diffusers. Модель предназначена для создания и изменения изображений по текстовым запросам, в том числе для художественных и дизайнерских задач и творческих инструментов. В первую очередь она рассчитана на английские запросы; качество генерации по запросам на других языках ниже. Лицензия — CreativeML Open RAIL++-M. Модель не гарантирует фотореализм, плохо передаёт читаемый текст и сложные пространственные композиции, а лица и люди могут получаться некорректно. Обучающие данные содержали изображения для взрослых, насилие и сексуальный контент, частично отфильтрованные NSFW-детектором; возможны социальные предубеждения, включая смещение в сторону западных культур. Модель не предназначена для достоверного изображения реальных людей или событий.

Карточка модели yangjiwoong1/stable-diffusion-2-1-base на Hugging Face совпадает с карточкой Manojb/stable-diffusion-2-1-base, поэтому описание составлено по ней. Manojb/stable-diffusion-2-1-base — модель генерации изображений по тексту, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер OpenCLIP-ViT/H. Версия 2.1 дообучена на Stable Diffusion 2-base ещё на 220 тысячах шагов; модель распространяется в форматах Diffusers, PyTorch и Safetensors и работает с библиотекой Diffusers. Модель предназначена для создания и изменения изображений по текстовым запросам, в том числе для художественных и дизайнерских задач и творческих инструментов. В первую очередь она рассчитана на английские запросы; качество генерации по запросам на других языках ниже. Лицензия — CreativeML Open RAIL++-M. Модель не гарантирует фотореализм, плохо передаёт читаемый текст и сложные пространственные композиции, а лица и люди могут получаться некорректно. Обучающие данные содержали изображения для взрослых, насилие и сексуальный контент, частично отфильтрованные NSFW-детектором; возможны социальные предубеждения, включая смещение в сторону западных культур. Модель не предназначена для достоверного изображения реальных людей или событий.

Stable Diffusion 2.1 UnCLIP — модель генерации и преобразования изображений, разработанная Робином Ромбахом и Патриком Эссером; этот репозиторий является зеркалом устаревшей модели Stability AI и не связан с компанией. Модель дообучена на Stable Diffusion 2.1 и принимает текстовый запрос вместе с зашумлённым CLIP-эмбеддингом изображения. Уровень шума позволяет управлять тем, насколько результат будет отличаться от исходного изображения; модель также подходит для создания вариаций изображений и работы в связке с текстово-изобразительным CLIP-prior. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Использовать её можно через Diffusers; репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Основной язык запросов — английский, на других языках качество ниже. Модель не гарантирует фотореализм, плохо справляется с точным расположением объектов и читаемым текстом, а лица и люди могут получаться некорректно. Лицензия — CreativeML Open RAIL++-M. Карточка рекомендует модель для исследований, творчества и дизайна и описывает ограничения на вредоносное использование. Данные обучения происходят из LAION-5B и её подмножеств; несмотря на фильтрацию, возможны смещения и нежелательное содержимое.

Stable Diffusion 2 Base — латентная диффузионная модель генерации изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Этот репозиторий является зеркалом устаревшей модели stabilityai/stable-diffusion-2-base и не связан с Stability AI. Модель использует предварительно обученный текстовый энкодер OpenCLIP-ViT/H. Обучение проходило в два этапа: 550 тысяч шагов при разрешении 256×256, затем 850 тысяч шагов при 512×512; для обучения использовались отфильтрованные подмножества LAION-5B. Предназначена для создания и редактирования изображений по текстовым промптам, а также для художественных и исследовательских задач. Лучше работает с английскими описаниями. Модель не гарантирует фотореализм, плохо справляется с точным расположением объектов и генерацией читаемого текста; лица и люди могут выглядеть некорректно. Результаты на неанглийских промптах слабее, а обучающие данные могут отражать культурные и социальные перекосы. Лицензия CreativeML Open RAIL++-M.

Модель svjack/Stable-Diffusion-FineTuned-zh-v1 разработана Zhipeng Yang и предназначена для генерации изображений по текстовым запросам на китайском языке. Это латентная диффузионная модель (LDM), основанная на Stable Diffusion и дообученная с использованием Taiyi-Stable-Diffusion-1B-Chinese-v0.1 от IDEA-CCNL. Репозиторий содержит модель в форматах Diffusers и PyTorch. Модель подходит для создания и изменения изображений по китайским описаниям. В README указана лицензия CreativeML OpenRAIL-M; метаданные Hugging Face обозначают лицензию как other, поэтому условия использования следует сверять с файлом лицензии в репозитории. Карточка не сообщает размер модели и длину контекста.

Карточка модели 20061119dd/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.