I.8Изображения и компьютерное зрение

Карточка модели Lank1906/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.

Stable Diffusion v1.5 — диффузионная модель генерации и изменения изображений по текстовому запросу, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий является зеркалом устаревшей модели; авторы карточки отмечают, что зеркало и его организация не связаны с RunwayML. Модель построена на латентной диффузии и использует предварительно обученный текстовый энкодер CLIP ViT-L/14. Доступны веса в формате Diffusers, PyTorch и safetensors; модель можно запускать, например, через Diffusers и совместимые интерфейсы генерации изображений. Модель подходит для создания иллюстраций, художественных изображений и визуальных материалов по англоязычным промптам, а также для изучения возможностей и ограничений генеративных моделей. Она хуже работает с промптами на других языках, сложной композицией, реалистичными лицами и читаемым текстом внутри изображения; фотореализм не гарантирован, а автоэнкодер вносит потери. Обучающие данные содержали материалы для взрослых, а также дубликаты, поэтому возможны нежелательные результаты и запоминание отдельных изображений; для применения предусмотрен Safety Checker в Diffusers. Лицензия — CreativeML OpenRAIL-M с ограничениями на использование.

Карточка модели ysh0708/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 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.

TimeLens2-2B — компактная мультимодальная языковая модель для видео, разработанная на базе Qwen3-VL-2B-Instruct и дообученная для временной локализации событий. На вход она принимает видео и текстовый запрос, а в ответ возвращает все временные интервалы, в которых присутствуют релевантные визуальные свидетельства. Модель предназначена для поиска событий в видео по описанию и точной привязки найденных фрагментов ко времени. В README сообщается о среднем mIoU 44,5 на семи бенчмарках временной локализации; авторы также указывают, что модель превосходит сопоставимые базовые модели с 2 млрд параметров и TimeLens-8B по среднему mIoU. Модель использует архитектуру Qwen3-VL с плотной конфигурацией и содержит 2 млрд параметров; для работы предусмотрен стек Transformers. Репозиторий распространяется по лицензии Apache-2.0. В доступных материалах не приводятся поддерживаемые языки запросов и предельная длительность видео, поэтому их не следует считать установленными характеристиками.

Ham1mad1/videomae-base-Vsl-Lab-PC-V6 — модель VideoMAE для классификации видео, обученная с нуля. Она содержит 113,2 млн параметров и распространяется в формате Safetensors. Модель предназначена для отнесения видео к классам; карточка не описывает конкретные классы или сценарии применения.

VideoPrism-LvT-L — фундаментальная модель видео- и текстовых энкодеров, разработанная Google DeepMind. Она преобразует видео и текст в компактные глобальные эмбеддинги, сходство между которыми можно измерять косинусным расстоянием. Модель предназначена для задач понимания видео, включая классификацию действий, пространственно-временную локализацию, поиск видео по текстовому запросу и open-set-классификацию. Модель построена на архитектуре ViViT с backbone ViT-L и содержит около 580 млн параметров; размер файла контрольной точки составляет примерно 2,30 ГБ. Видео подаются в формате num_frames × 288 × 288 × 3. Во время обучения использовалось 8 кадров, но модель поддерживает произвольное число кадров за счёт интерполяции временных позиционных эмбеддингов. Текст токенизируется моделью SentencePiece c4_en, поэтому заявлена поддержка английского текста. Для одной из модальностей вычисление эмбеддингов можно пропустить. Сильной стороной VideoPrism является высокая обобщающая способность: один замороженный checkpoint превзошёл предыдущие foundation-модели на 31 из 33 публичных бенчмарков понимания видео без дообучения на целевых наборах данных. Ограничения связаны с возможными смещениями и шумом обучающих данных, включая ASR-транскрипции, а также с недостаточно развитым пониманием длинных видео, геометрической информации и несемантических визуальных признаков. Модель распространяется по лицензии Apache-2.0; перед применением в чувствительных сценариях рекомендуется оценить риски безопасности и справедливости.

VisReason-Pro-Qwen2.5-VL-7B — мультимодальная модель Y-Research-Group для визуального рассуждения с привязкой к пространственным отношениям. Она дообучена методом LoRA на базе Qwen/Qwen2.5-VL-7B-Instruct и VisReason с дополнительным обучением на подмножестве VisReason-Pro, содержащем около 165 тысяч примеров с 3D-привязкой, после чего веса объединены с базовыми. Модель содержит 7,1 млрд параметров, принимает изображения и текст, а её контекст составляет до 128 000 токенов. Модель предназначена для пошагового анализа изображений, точной локализации небольших объектов и рассуждений о сложных двумерных и трёхмерных отношениях в диалогах из нескольких ходов. В обученном формате она может вызвать инструмент image_zoom_in_tool для обрезки области изображения по нормализованной рамке bbox_2d, а затем сформулировать ответ. Карточка сообщает о лицензии other; конкретные условия следует сверять с лицензией репозитория.

Ine007/waiIllustriousSDXL_v160 — модель генерации изображений по текстовому описанию, опубликованная пользователем Ine007 на Hugging Face. Репозиторий оформлен как Stable Diffusion XL pipeline для Diffusers; архитектура включает два текстовых энкодера CLIP, условную UNet и VAE. В карточке указаны 3 млрд параметров и формат safetensors с точностью F16. Модель предназначена для создания изображений по текстовым запросам. В карточке нет сведений о специализации, поддерживаемых языках, длине контекста или лицензии, поэтому эти характеристики нельзя уточнить. Для запуска приведён пример использования Diffusers; требуется вычислительное устройство, совместимое с выбранной точностью и настройками.

waiIllustriousSDXL_v170 — модель генерации изображений по текстовому описанию, опубликованная пользователем Joshua Frank на Hugging Face. Репозиторий использует архитектуру Stable Diffusion XL и Diffusers StableDiffusionXLPipeline: текстовые условия обрабатываются двумя CLIP-кодировщиками, а изображение генерируется условной UNet и декодируется VAE. Файлы доступны в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым запросам. Карточка репозитория показывает пример генерации изображения через Diffusers, но не приводит подтверждённых сведений о специализированных областях, поддерживаемых языках или размере контекста. Репозиторий содержит веса модели, но использованная карточка не уточняет условия лицензии; поэтому условия использования следует сверить с актуальной карточкой до применения.

ai-forever представляет дообученную версию Wan2.1 T2V-14B для генерации видео по текстовому описанию. Модель использует архитектуру diffusion transformer и сочетает разреженное внимание NABLA с Sliding Tile Attention (STA); конфигурация репозитория указывает на окно STA 11×5×5 и порог NABLA 0.5. NABLA адаптивно формирует разреженную маску внимания: сжимает запросы и ключи усреднением, вычисляет внимание на уменьшенном представлении и строит маску на основе CDF. В README описаны ускорение обучения и генерации до 2,7 раза в зависимости от размера видео и конфигурации, а также тестирование качества по CLIP, VBench и оценке людей. Базовая Wan2.1 T2V-14B предназначена для генерации видео 480p или 720p; README также заявляет поддержку 720p и выше для метода NABLA. Модель принимает текстовые запросы и выдаёт видео. Для работы в описанном примере используется Diffusers и PyTorch версии 2.7 или выше. Карточка не приводит сведения о поддерживаемых языках запросов помимо английского тега. Модель распространяется по лицензии Apache-2.0. Показатели скорости зависят от конфигурации и размера видео; приведённая в README команда для конфигурации STA 11×5×5 задаёт порог NABLA 0.6, хотя идентификатор репозитория и текст примера указывают на 0.5, поэтому точный порог этой сборки по карточке неясен.

DFloat11/Wan2.2-I2V-A14B-DF11 — это lossless-квантизированная и сжатая версия модели Wan2.2-I2V-A14B, разработанной Wan-AI. Модель предназначена для image-to-video генерации: по исходному изображению и текстовому описанию она создаёт видеоролик. В README приведён сценарий генерации видео длительностью около 5 секунд в разрешении 720p. Сжатие DFloat11 основано на кодировании Хаффмана экспонентных битов весов BFloat16 и аппаратно-ориентированной распаковке весов непосредственно на GPU. По заявлению авторов, размер модели уменьшен примерно на 32% по сравнению с исходной версией BFloat16, при этом выходы остаются побитово идентичными. Для запуска требуются CUDA-совместимый GPU, PyTorch, пакет DFloat11 и актуальная версия diffusers. Указаны поддержка CPU offloading, 81 кадра по умолчанию, частота 16 кадров в секунду и генерация на одной видеокарте с 24 ГБ памяти при соответствующих настройках. К сильным сторонам относятся сохранение качества и идентичности результатов исходной модели, существенно меньшие требования к хранению и возможность запуска на более доступном GPU. Ограничения — высокая вычислительная нагрузка и длительное время генерации: в приведённом тесте на A100 создание 5-секундного видео занимало около 42 минут без CPU offloading и 44 минуты с ним, а пиковое потребление GPU-памяти составляло примерно 29,12 и 20,01 ГБ соответственно. Лицензия в README не указана.

X-CLIP — видеоязыковая модель семейства CLIP, разработанная Microsoft Research и представленная Ni et al. Это базовая версия с патчами 16×16, обученная на наборе Kinetics-400 контрастным способом на парах видео и текста. Для каждого видео при обучении использовались 32 кадра разрешением 224×224. Модель сопоставляет описание с видео и предназначена для классификации видео без дополнительного обучения, классификации с несколькими примерами или с учителем, а также поиска видео по тексту. Она может оценивать соответствие текста заданному видео. В README приведены результаты zero-shot классификации: top-1 accuracy 44,6% на HMDB-51, 72,0% на UCF-101 и 65,2% на Kinetics-600. Входные данные включают видео и текстовые описания, выход — оценки соответствия, используемые для классификации или поиска. Карточка указывает английский язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Результаты зависят от набора данных и подготовки кадров; базовая модель может уступать специализированным версиям, дообученным под конкретную задачу.

jacoballessio/ai-image-detect-distilled — модель классификации изображений, разработанная для распознавания изображений, созданных генеративными моделями, и отличия их от реальных фотографий. Это компактная модель на базе Vision Transformer (ViT), обученная дистилляцией трёх моделей, распознававших изображения Midjourney, Stable Diffusion и его дообученных версий. В метаданных указано 18,9 млн параметров; в README указано 11,8 млн, поэтому размер модели описан без точного числа. Для обучения использовались изображения из Google Open Images, наборы Midjourney и Stable Diffusion, а также пары реальных и сгенерированных изображений, подобранные по сходным описаниям BLIP. Модель предназначена для проверки происхождения изображений и первичной фильтрации контента, который может быть создан ИИ. По данным карточки, точность составила 74% на валидационном наборе и 72% на пользовательском наборе реальных изображений; качество может снижаться на изображениях, отличающихся от обучающих данных или созданных новыми генераторами. Распространяется по лицензии MIT.

AltDiffusion — модель генерации изображений по текстовому описанию, разработанная BAAI на основе Stable Diffusion с двуязычным текстовым энкодером AltCLIP. Она предназначена для создания изображений по запросам на китайском и английском языках; в карточке заявлено хорошее соответствие изображений описаниям на обоих языках. Модель распространяется в формате Diffusers и использует архитектуру диффузионной модели с U-Net, автоэнкодером и текстовым энкодером AltCLIP. В README указаны 865 млн параметров у U-Net, 83,7 млн у автоэнкодера и 859 млн у текстового энкодера. Общий размер компонентов в таблице весов составляет около 8 ГБ для AltDiffusion и 3,22 ГБ для AltCLIP. Лицензия — CreativeML OpenRAIL-M. Модель сохраняет многие возможности Stable Diffusion, однако качество может зависеть от формулировки запроса; подробные ограничения и результаты оценки в карточке не описаны.

Anything_to_Real_Characters — модель редактирования изображений, опубликованная автором AIGC-Singularity и основанная на Qwen/Qwen-Image-Edit-2509. Это специализированная версия с объединёнными LoRA, обученными автором на базовой модели. Она преобразует иллюстрации и другие нереалистичные изображения в фотореалистичный вид, стараясь сохранить исходную композицию и содержание. По карточке, преобразование выполняется без текстового запроса. Модель предназначена для обработки изображений в Diffusers и совместимых рабочих процессах редактирования, включая иллюстрации, картины, аниме, мангу и наброски. Автор отмечает альфа-статус и активную разработку; качество сохранения деталей может зависеть от входного изображения и конкретного сценария. Лицензия — Artistic-2.0.

Bernini-R-FP32-ComfyUI — конвертированный чекпойнт видеорендерера Bernini-R от ByteDance для работы в ComfyUI. Модель принимает текст и изображение и генерирует видео; карточка также указывает совместимость с ComfyUI и формат safetensors. Веса T5-энкодера, которые были включены в исходный чекпойнт, удалены. Репозиторий содержит файл FP32 и распространяется по лицензии Apache-2.0. Данных о размере модели, контексте, поддерживаемых языках и качестве результатов в карточке нет.

Alissonerdx/BFS-Best-Face-Swap — это серия LoRA-адаптеров для редактирования изображений, созданная для моделей Qwen Image Edit 2509/2511, FLUX.2 Klein 4B/9B и Krea 2. Серия предназначена для высокоточной замены лица, головы и всего человека с естественным смешиванием оттенков кожи, согласованным освещением и сохранением или переносом нужных визуальных характеристик. Для работы требуются соответствующая базовая модель и совместимый workflow; заявлена интеграция с библиотекой Diffusers и ComfyUI. Основной язык — английский. В серию входят варианты для замены только лица, полной замены головы, а также экспериментальной замены тела или всего человека. Версии BFS Head V2–V5 улучшают сопоставление оттенка кожи, выравнивание позы, анатомическую согласованность и перенос выражения лица; для V3–V5 и версий FLUX.2 Klein порядок входных изображений инвертирован: сначала изображение тела или основы, затем изображение лица. Версия BFS Body Swap для Krea 2 является экспериментальной, поэтому поза может переноситься неточно. Для некоторых вариантов указаны рекомендованные веса LoRA и специальные триггерные промпты, но универсальные параметры не приведены. Модель распространяется по лицензии MIT. README не содержит сведений о точном количестве параметров, размере обучающих данных, длине контекста или подробных ограничениях безопасности и качества; результаты зависят от выбранной базовой модели, workflow и версии LoRA.

boltning-hyperd-sdxl — модель преобразования текста в изображение, опубликованная организацией GraydientPlatformAPI на Hugging Face. Карточка предлагает запускать её через StableDiffusionXLPipeline из библиотеки Diffusers: модель принимает текстовый запрос и выдаёт изображение. Репозиторий содержит файлы Diffusers в формате Safetensors. Карточка модели отсутствует, поэтому подробности об архитектурных изменениях относительно SDXL, размере, поддерживаемых языках, лицензии и известных ограничениях установить нельзя.

Модель Amoros/DinoAmoros_is_103_bs_32_ep_150-large-2025_05_30_52071-bs32_freeze_monolabel — дообученный классификатор изображений на базе facebook/dinov2-large. Она использует архитектуру DINOv2 и содержит около 402,7 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для отнесения изображений к классам, заданным при обучении. В README приведены результаты на оценочном наборе: точность 0,6615, микро-F1 0,6615 и макро-F1 0,5762. Датасет в карточке обозначен как None, а сведения о классах, обучающих данных и предполагаемой области применения отсутствуют, поэтому пригодность модели для конкретного набора изображений следует проверять отдельно. Лицензия — Apache-2.0.

FastMochi — ускоренная модель генерации видео из текстовых запросов, разработанная Hao AI Lab и основанная на Mochi. Дистилляция позволяет создавать видео за 8 шагов диффузии, что, по данным карточки, примерно в 8 раз быстрее исходной Mochi при 64 шагах. Модель предназначена для генерации видео по текстовому описанию и распространяется в формате Diffusers с весами Safetensors. Карточка поддерживает английский язык. Лицензия — Apache-2.0; для запуска README предлагает использовать репозиторий FastVideo или совместимый скрипт из официального репозитория Mochi.

Pokzy разработал BLIP, дообученную на наборе Flickr8k для создания текстовых подписей к изображениям. Модель принимает изображение и генерирует описание на английском языке; она ориентирована на повседневные уличные сцены, людей, животных и спортивные занятия. Архитектура — BLIP с классом BlipForConditionalGeneration; модель распространяется в формате safetensors и используется с библиотекой Transformers. Модель подходит для автоматического создания кратких описаний изображений и демонстрационных приложений с генерацией подписей. В веб-демо подписи дополнительно переводятся на тайский с помощью отдельной модели NLLB-200; перевод не является функцией этого чекпойнта. Лицензия — Apache-2.0.

onnx-community/Florence-2-large-ft — ONNX-версия модели Microsoft Florence-2-large-ft, подготовленная для работы с библиотекой Transformers.js. Это мультимодальная модель для преобразования изображений и текстовых запросов в текст; в README приведён сценарий генерации подписей к изображениям, включая более подробное описание содержимого сцены. Модель предназначена для использования в JavaScript-приложениях, в том числе непосредственно в веб-среде через Transformers.js и WebGPU. Она поддерживает условную генерацию текста на основе изображения и задания, переданного специальным текстовым промптом. Доступны ONNX-веса с вариантами точности FP16 и FP32 для отдельных компонентов, а также квантованными вариантами Q4 для encoder и decoder, что может снизить требования к ресурсам. В README указано, что модель относится к семейству Florence-2 и имеет крупный вариант (large), но точные параметры, размер, список языков и максимальная длина контекста не приведены. Сильной стороной является готовность к запуску в Transformers.js и поддержка веб-сценариев; ограничения включают зависимость от совместимого процессора и необходимость самостоятельно выбирать конфигурацию весов и параметры генерации. Лицензия — MIT.

city96/FLUX.1-dev-gguf — это прямое преобразование модели FLUX.1-dev, разработанной Black Forest Labs, в формат GGUF с квантованием. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в сценариях text-to-image, включая работу через пользовательский узел ComfyUI-GGUF. Это не дообученная версия, а квантованная конверсия исходной модели, поэтому архитектура, возможности, ограничения и условия лицензирования определяются оригинальной FLUX.1-dev. В README не указаны точный размер модели, тип архитектуры, поддерживаемые языки, максимальный контекст и конкретные модальности помимо генерации изображений по тексту. Квантование может снизить требования к ресурсам, однако его влияние на качество и производительность зависит от выбранного типа квантования. Модель распространяется по лицензии flux-1-dev-non-commercial-license; для неё сохраняются все ограничения и условия исходной лицензии FLUX.1-dev. Для использования в ComfyUI файлы необходимо разместить в каталоге ComfyUI/models/unet, а подробные инструкции приведены в документации ComfyUI-GGUF.

Dark Beast KLEIN 9B Blitz ComfyUI — специализированная доработанная модель семейства Dark Beast на базе FLUX.2 Klein 9B от Black Forest Labs. Автор README заявляет оптимизацию для замены лиц и портретного редактирования: модель должна лучше сохранять сходство с референсом, выражение лица и соответствие освещению. Она предназначена для генерации и редактирования изображений в ComfyUI, включая быстрые сценарии с малым числом шагов; в README рекомендованы 4–5 шагов и CFG=1. В карточке описаны версии и варианты с дообучением, дистилляцией, слиянием и квантизацией, но не уточнено, какие из них включены в данный репозиторий. Метаданные указывают базовую модель black-forest-labs/FLUX.2-klein-9B и связь finetune. Заявленные эффекты и настройки приведены автором README; независимые результаты оценки не представлены. Лицензия в предоставленных данных не указана.

Это слитая версия FLUX.2 Klein 9B от Black Forest Labs с дообучением SNOFS v1.4: веса прямого LoKr-чекпойнта встроены в трансформер с фиксированной силой 1.0. Модель предназначена для генерации изображений по текстовому запросу; базовая FLUX.2 Klein также поддерживает редактирование изображений с референсами. Сборка сохранена в формате Diffusers и safetensors. Для запуска требуется версия diffusers из ветки main, поскольку Flux2KleinPipeline ещё не входит в выпущенную версию библиотеки. Базовая модель дистиллирована и рассчитана на генерацию примерно за 8 шагов; guidance_scale игнорируется. Встроенный SNOFS нельзя перенастраивать на отдельный запрос, хотя поверх модели можно подключать обычные LoRA-адаптеры. Лицензия в предоставленных данных не указана.

HunyuanVideo-1.5-Diffusers-720p_t2v — модель генерации видео из текстового описания в формате Diffusers. Репозиторий опубликован сообществом hunyuanvideo-community; карточка указывает конвейер text-to-video и файлы Safetensors. Модель предназначена для создания видео по текстовым запросам. README сообщает, что Hunyuan1.5 использует маски внимания для последовательностей переменной длины и рекомендует backend внимания с эффективной обработкой дополнения последовательностей. Репозиторий распространяется по лицензии, обозначенной на Hugging Face как other; конкретные условия следует сверять с лицензией в репозитории.

IC_ver6e_coco_swin_gpt2_50Apc_1e — модель генерации текстовых описаний изображений, разработанная VK246 и дообученная на наборе COCO от базовой модели VK246/IC_ver6d_coco_swin_gpt2_50Bpc_1e. Архитектура — vision-encoder-decoder на базе VisionEncoderDecoderModel: на вход подаётся изображение, на выходе генерируется текстовое описание. Репозиторий содержит веса PyTorch. Модель предназначена для автоматического описания изображений и оценки таких описаний на тестовой выборке COCO. В README приведены метрики оценки, включая CIDEr 19.1116, ROUGE-1 42.2076 и BLEU-4 10.5581. Сведения о поддерживаемых языках, длине контекста и условиях лицензии в доступных данных отсутствуют.

DeepFloyd IF-I-M-v1.0 — разработанная DeepFloyd и Stability AI модель генерации изображений по тексту. Это первая ступень каскадной пиксельной диффузионной системы IF: она создаёт изображения размером 64×64, которые последующие ступени каскада могут повышать до 256×256 и 1024×1024. В этой ступени около 400 млн параметров; замороженный текстовый энкодер на основе T5 передаёт представления текста в UNet с cross-attention и attention pooling. Модель предназначена для генерации изображений по текстовым запросам и особенно рассчитана на английские описания; поддержка других романских языков слабее. Для запуска доступна через Diffusers, а при выгрузке частей модели в CPU карточка указывает возможность работы примерно с 14 ГБ видеопамяти. Модель не гарантирует фотореализм или достоверное изображение реальных людей и событий, а генерация по неанглийским запросам работает хуже. Обучающие данные включали материалы с насилием и сексуальным содержанием, а результаты могут отражать культурные и социальные предубеждения. Использование регулируется лицензией DeepFloyd IF License Agreement и требует принятия условий лицензии.

Krea2_Anything2RealCharacters — модель преобразования изображений на базе Krea2_Turbo, дообученная AIGC-Singularity. Она переводит 2D-иллюстрации, аниме и художественные изображения в фотореалистичный стиль, сохраняя черты персонажей и передавая детали лица, кожи, волос и освещения. Версия V3 выпущена как LoRA, что позволяет сочетать её с другими LoRA для Krea2, чтобы менять стиль фотографии и отдельные характеристики персонажа. Модель обучалась для работы с изображениями разрешением до 2048 × 2048 пикселей и поддерживает экспериментальный перенос идентичности с отдельного референсного изображения на стилизованного персонажа. Для этого сценария результаты могут меняться в зависимости от начального шума и соответствия изображений. Модель распространяется по лицензии Apache-2.0; для работы требуется совместимый базовый чекпойнт Krea2_Turbo и поддерживающий LoRA интерфейс, например ComfyUI.