I.8Изображения и компьютерное зрение

Lens-Turbo-3.8B-bf16 — это конверсия модели microsoft/Lens-Turbo в формат MLX для запуска на Apple Silicon. Она использует архитектуру DiT с 3,8 млрд параметров и предназначена для генерации изображений по текстовому описанию. Модель представляет собой дистиллированный вариант Lens, рассчитанный на генерацию за 4 шага при guidance scale 1.0. Репозиторий содержит только DiT-компонент; для работы также загружаются текстовый энкодер GPT-OSS-20B и VAE FLUX.2 из исходного снапшота Lens. В README указана лицензия MIT для DiT-компонента; энкодер распространяется по Apache-2.0. Размер файлов модели составляет около 8,2 ГБ. Для запуска описан конвейер LensPipeline из проекта lens-mlx.

Карточка модели Cosmicvibez/LTX-2.3 на Hugging Face совпадает с карточкой jsoncx/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель семейства DiT, разработанная Lightricks для совместной генерации видео и синхронизированного с ним аудио. Карточка описывает обновление LTX-2 с улучшенным качеством изображения и звука и более точным следованием запросам. Репозиторий содержит версии модели dev на 22 млрд параметров, дистиллированную версию на 8 шагов и LoRA для неё; метаданные указывают формат safetensors и библиотеку Diffusers. Модель предназначена для создания видео по изображению и текстовому описанию, а также для локального запуска и дообучения. В карточке указан английский язык. Для размеров кадра требуется кратность 32, а число кадров должно иметь вид 8n+1. Модель может неточно следовать запросу, зависит от стиля промпта и может выдавать предвзятый или нежелательный контент; звук без речи может быть низкого качества. Она не предназначена для получения фактических ответов. Лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензией репозитория.

Это набор весов диффузионной модели MiniMax H3, преобразованный в GGUF с типом NVFP4 и опубликованный brurpo для запуска через stable-diffusion.cpp. В репозитории представлены варианты FL2VA и Ref2VA, полные и прореженные; исходные тензоры взяты из официальных BF16-релизов Comfy-Org/MiniMax-H3. Модель предназначена для генерации видео по тексту и изображениям; MiniMax H3 также поддерживает создание видео со стереозвуком. Это не самостоятельный пакет: для работы требуются текстовый энкодер Qwen3-VL и видео-VAE, а для синхронной генерации звука — аудио-VAE. NVFP4-исполнение ориентировано на видеокарты NVIDIA архитектуры Blackwell и совместимую сборку CUDA. Файлы проверены на загрузку и пробную генерацию через stable-diffusion.cpp. Лицензия указана как other, поэтому условия следует сверять с лицензиями исходной модели и репозитория; конкретные условия в карточке не приведены.

MIX-Pro-V4 — модель генерации изображений по текстовому описанию в формате Diffusers. Репозиторий указывает исходный размер загрузки 4,27 ГБ и вариант fp16. Модель предназначена для создания изображений по текстовым запросам через StableDiffusionPipeline. В карточке не приведены сведения о разработчике, обучающих данных, поддерживаемых языках или длине контекста. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении модели.

FLUX.1-schnell-4bit-quantized — модель генерации изображений по текстовому описанию, разработанная на основе FLUX.1-schnell компанией Black Forest Labs и адаптированная командой argmaxinc для DiffusionKit MLX. Она предназначена для создания изображений по промптам, включая детализированные сцены, кинематографичные визуализации и рендеры объектов. В README указана поддержка английского языка. Модель использует архитектуру FLUX с mmdit-модулем, подвергнутым 4-битному квантованию средствами MLX; размер модели и максимальная длина контекста не указаны. Пример запуска использует 4 шага генерации и разрешение 768×1360, однако эти параметры не обязательно являются ограничениями модели. К преимуществам относятся снижение вычислительных требований за счёт квантования и интеграция с DiffusionKit MLX, ориентированная на запуск через MLX. Ограничения, включая возможное снижение качества из-за квантования и требования к аппаратной совместимости, в README не описаны. Лицензия модели — Apache-2.0. Для использования требуется DiffusionKit; подробные условия совместимости и эксплуатации в README не приведены.

Это 4-битная квантованная версия Stable Diffusion 3.5 Large, подготовленная Argmax для запуска через DiffusionKit MLX. Веса линейных слоёв архитектуры MMDiT квантованы с помощью nn.quantize; модель предназначена для создания изображений по текстовым запросам. Базовая модель разработана Stability AI и поддерживает генерацию изображений по тексту, в том числе для дизайна и художественных проектов. Модель принимает текст и выдаёт изображения. В метаданных указан английский язык. README описывает запуск через библиотеку DiffusionKit в среде Python 3.11. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверять с лицензией базовой модели и репозитория. Квантование снижает точность весов относительно исходной версии; другие ограничения в предоставленных данных не описаны.

MobileCLIP2-S4-OpenCLIP — веса модели MobileCLIP2-S4, адаптированные из оригинальной модели Apple для использования с OpenCLIP; репозиторий подготовлен командой timm. Это мультимодальная модель сопоставления изображений и текста для классификации изображений без обучения на целевых классах: пользователь задаёт текстовые описания классов, а модель оценивает их соответствие изображению. Архитектура относится к семейству MobileCLIP2 и рассчитана на эффективный запуск на мобильных устройствах. В карточке заявлено, что S4 достигает точности SigLIP-SO400M/14 при вдвое меньшем числе параметров и превосходит DFN ViT-L/14 по скорости на iPhone 12 Pro Max. Веса представлены в форматах PyTorch и safetensors и предназначены для библиотеки OpenCLIP. Модель подходит для быстрого распознавания и поиска изображений по текстовым описаниям. Результаты зависят от формулировок классов и распределения данных; это не специализированная модель для детекции объектов, OCR или генерации изображений. Лицензия — Apple AMLR.

NextPhoto_v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; метаданные относят модель к семейству Stable Diffusion и указывают пайплайн text-to-image. Модель предназначена для создания изображений по текстовым запросам. README содержит только упоминание демонстрационных изображений первоначального автора, поэтому конкретные стилистические особенности и сценарии применения по карточке установить нельзя. Лицензия указана как other, без дополнительных условий в доступных данных.

Eugeoter/noob-sdxl-controlnet-canny — модель генерации изображений по текстовому описанию, разработанная пользователем или организацией Eugeoter. Она предназначена для использования в сценариях text-to-image, где управление структурой и контурами изображения осуществляется с помощью ControlNet Canny, выделяющего границы во входном изображении. Модель работает в экосистеме Diffusers и относится к семейству Stable Diffusion XL. В качестве базовой модели указана Laxhar/sdxl_noob. Точные сведения о количестве параметров, длине контекста, поддерживаемых языках и других архитектурных характеристиках в карточке отсутствуют; в метаданных указан английский язык. Модель может быть полезна для управляемой генерации изображений с сохранением заданной композиции или контуров, однако конкретные сильные стороны, ограничения, требования к ресурсам и качество результатов не описаны. Использование регулируется лицензией Fair AI Public License 1.0 SD; подробные условия доступны по указанной в карточке ссылке.

misri/ntrMIXIllustriousXL_xiii — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем misri на Hugging Face. Репозиторий содержит конвейер StableDiffusionXLPipeline с текстовыми энкодерами CLIP, UNet, VAE и планировщиком EulerAncestralDiscreteScheduler. Модель предназначена для создания изображений по текстовым запросам и работает с библиотекой Diffusers. В карточке приведён пример генерации изображения по описанию; размер модели указан как 3 млрд параметров, веса — F16. Языки и специфическая область применения не заявлены. Лицензия указана как unknown, поэтому условия использования по доступным сведениям установить нельзя.

OpenCaption-2B-VL-SFT-v1.0-i1-GGUF — квантованная GGUF-версия мультимодальной модели OpenCaption-2B-VL-SFT-v1.0, разработанной prithivMLmods и квантованной mradermacher. Модель предназначена для работы с изображениями и текстом, включая генерацию подписей к изображениям и visual question answering. Модель обучалась с учителем на наборах OpenCaption-FineGrained, SuperFlickr-30K-LARGE-Remastered, OpenCaption-UHD и OpenCaption-Unified-10K. В карточке указаны размер класса около 2B параметров, поддержка английского языка, архитектура vision-language и conditional generation. Доступны варианты GGUF с разными уровнями квантования и размером примерно от 0,6 до 1,4 ГБ; более компактные варианты экономят память, но могут снижать качество, тогда как Q4_K_M отмечен как быстрый и рекомендуемый. Сильными сторонами модели являются мультимодальность, специализация на детальном описании изображений и возможность запуска в ресурсоограниченных конфигурациях благодаря квантованию. Ограничения — заявленная языковая поддержка только английского, отсутствие в карточке сведений о размере контекстного окна, точных характеристиках базовой архитектуры и количественных результатах оценки, а также возможное ухудшение качества у наиболее агрессивных вариантов квантования. Модель распространяется по лицензии Apache-2.0.

Photon_v1 — модель генерации изображений по текстовому описанию, опубликованная digiplay и доступная через Diffusers как StableDiffusionPipeline. Она предназначена для создания изображений по текстовым промптам; карточка Hugging Face показывает пример генерации изображения с описанием сцены. Репозиторий содержит веса в формате Safetensors и помечен лицензией «other». Карточка связывает модель со страницей Photon на Civitai, но доступные сведения не уточняют конкретные условия лицензии, языковой охват промптов или подробности обучения.

PickScore v1 — модель оценки от разработчиков проекта PickScore, дообученная на CLIP-H на наборе данных Pick-a-Pic. Она принимает текстовый запрос и сгенерированное по нему изображение, а выдаёт оценку соответствия предпочтениям пользователей. Архитектура основана на CLIP; репозиторий содержит веса PyTorch и Safetensors. Модель предназначена для прогнозирования человеческих предпочтений, сравнения и ранжирования изображений, созданных генераторами текста в изображение, а также оценки моделей генерации изображений. Её можно использовать как функцию оценки при отборе изображений или сравнении результатов разных систем. Карточка не сообщает лицензию, поэтому условия использования здесь определить нельзя.

calcuis/pixart — это квантованная в формате GGUF версия модели PixArt-α/PixArt-Σ для генерации изображений по текстовому описанию. Модель основана на PixArt-alpha/PixArt-XL-2-1024-MS и предназначена для работы в ComfyUI с использованием gguf-node. Разработчик репозитория — calcuis; исходные модели связаны с проектом PixArt-alpha. Модель поддерживает сценарий text-to-image и рассчитана прежде всего на генерацию изображений размером 1024×1024 или 512×512. Для кодирования текста используется T5 XXL, поэтому модель может работать с короткими описаниями и предложениями, а не только с набором тегов. В представленном README указан английский язык. В комплекте предусмотрены квантованные компоненты: diffusion-модель размером около 1 ГБ, текстовый энкодер около 2,9 ГБ и VAE около 83,7 МБ. К сильным сторонам относятся относительно небольшой размер квантованных файлов, хорошее качество изображений и поддержка подробных текстовых запросов. Ограничения включают необходимость использования совместимого gguf-node и актуальной версии этого пакета, а также необходимость подбирать разрешение в соответствии с моделью. Контекстное окно, точные параметры архитектуры и требования к аппаратным ресурсам в README не указаны. Лицензия — OpenRAIL++.

misri/plantMilkModelSuite_walnut — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face. Она предназначена для создания растровых изображений из промптов и запускается через библиотеку Diffusers. Модель реализована как StableDiffusionXLPipeline на базе диффузионной архитектуры Stable Diffusion XL: используются условная UNet, VAE, два CLIP-текстовых энкодера и планировщик EulerAncestralDiscreteScheduler. Формат весов — Safetensors; заявленный pipeline — text-to-image. Языки естественных текстовых запросов, размер модели и длина контекста в доступных данных не указаны. Модель подходит для генерации концепт-артов, иллюстраций и других изображений по текстовым промптам. README карточки пуст, поэтому специализированную направленность, дополнительные улучшения качества и ограничения применения подтвердить нельзя. Лицензия указана как unknown, поэтому условия использования требуют проверки у автора.

PrometheusV1 — модель генерации изображений по текстовому описанию от автора модели Proteus. Согласно карточке, это полноранговое дообучение Playground v2.5 на более чем 400 тысячах изображений из наборов Proteus. Модель распространяется в формате Diffusers с весами Safetensors по лицензии Apache-2.0. Модель предназначена для создания изображений по текстовым запросам и рассчитана на работу с открытыми инструментами и экосистемой SDXL. В карточке заявлена совместимость с большинством SDXL LoRA и инструментов; для оптимальной работы рекомендован CLIP skip 2. Разработчик также отмечает баланс согласованности и разнообразия результатов и возможные стилевые особенности, унаследованные от обучения.

Qwen2.5-VL-3B-Abliterated-Caption-it — дообученная prithivMLmods модель на базе Qwen/Qwen2.5-VL-3B-Instruct для подробного описания изображений. Она принимает изображение и текстовую инструкцию и формирует текстовую подпись; подходит для изображений разных жанров, разрешений и соотношений сторон, включая художественные, технические и абстрактные сцены. По данным карточки, модель настроена на подробные описания с разной степенью детализации, понимает инструкции и может создавать подписи на нескольких языках, по умолчанию — на английском. Модель рассчитана на разметку визуальных наборов данных, творческие сценарии, а также исследования модерации и оценку безопасности. Её настройка снижает обычные фильтры контента, поэтому ответы могут быть откровенными, чувствительными или оскорбительными. Точность на незнакомых и синтетических стилях может меняться, а формулировки зависят от запроса. Для развёртывания требуется библиотека Transformers; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Ilus-AI/Qwen-Image-2512-FP8 — вариант Qwen-Image-2512, подготовленный сообществом Ilus-AI и представленный в формате Diffusers для генерации изображений по текстовому описанию. Модель использует конвейер QwenImagePipeline; веса Transformer и текстового энкодера квантизированы до FP8 методом weight-only с помощью torchao. Модель предназначена для создания изображений по запросу. В README приведены поддерживаемые размеры 1328×1328, 1664×928 и 928×1664 для квадратного, альбомного и портретного форматов. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализацию природных сцен и отрисовку текста; карточка этой версии не сообщает об отдельной адаптации для конкретного языка или предметной области. Квантизация FP8 снижает точность представления весов по сравнению с исходной моделью, поэтому итоговое качество может отличаться. Для запуска указаны PyTorch, Diffusers, Transformers, torchao и Accelerate. Лицензия — Apache-2.0.

ssdlite320-mobilenet-v3-large — модель обнаружения объектов, экспортированная Software Mansion для библиотеки React Native ExecuTorch. В основе лежит upstream-модель SSDLite320 MobileNetV3 Large из torchvision/PyTorch. Модель предназначена для запуска непосредственно на мобильных и других периферийных устройствах в приложениях React Native, где требуется обнаруживать объекты на изображениях без обязательной обработки на сервере. Архитектура сочетает детектор SSDLite с backbone MobileNetV3 Large; размер входа, судя по названию модели, составляет 320 пикселей. Репозиторий содержит готовые программы ExecuTorch в формате .pte для двух вариантов выполнения: Core ML с точностью fp16 и XNNPACK с точностью fp32. Модель работает с визуальными данными и ориентирована на задачи object detection; сведения о поддерживаемых классах, языках, метриках качества и обучающем наборе данных в README не приведены. К сильным сторонам относятся адаптация для on-device-инференса, интеграция с React Native ExecuTorch и наличие вариантов под разные вычислительные backend’ы. Ограничения включают отсутствие опубликованного варианта для MLX и отсутствие в README подробностей о производительности, точности и составе классов. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется, поэтому перед использованием необходимо учитывать требования совместимости runtime. Лицензия репозитория — BSD 3-Clause.

Карточка модели hariharasudhan/realisticv5 на Hugging Face совпадает с карточкой kp-forks/Realistic_Vision_V5.0_noVAE, поэтому описание составлено по ней. Realistic Vision V5.0 noVAE — модель генерации изображений по тексту из семейства Stable Diffusion, представленная пользователем kp-forks. Репозиторий содержит веса в форматах Diffusers и safetensors; модель предназначена для создания реалистичных изображений по текстовым запросам. В README рекомендуются сэмплеры Euler A или DPM++ 2M Karras и CFG Scale 3,5–7. Для версии 5.0 автор карточки советует подключать VAE, чтобы повысить качество генерации и уменьшить артефакты; также приводятся примеры негативных запросов и настройки увеличения разрешения. Лицензия — CreativeML OpenRAIL-M.

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.

philz1337x/revanimated — модель генерации изображений по текстовому описанию, опубликованная пользователем philz1337x на Hugging Face. Она предназначена для создания изображений из текстовых промптов и работает через библиотеку Diffusers в формате StableDiffusionPipeline. Модель поставляется в виде весов revAnimated_v122.safetensors. Модель подходит для генерации художественных сцен, персонажей, иллюстраций и визуальных концепций по заданному описанию. Доступные сведения не содержат подтверждённых данных о размере архитектуры в параметрах, поддерживаемых естественных языках, длине контекста, специализированных доменах, ограничениях или лицензии.

Juggernaut Reborn — модель генерации изображений на основе Stable Diffusion 1.5, представленная командой Refiners. Этот репозиторий содержит дообученную UNet-часть модели в формате safetensors; для работы она входит в конвейер Stable Diffusion и связана с базовой моделью runwayml/stable-diffusion-v1-5 через refiners/sd15.unet. В карточке указаны 0,9 млрд параметров и лицензия juggernaut. Модель предназначена для создания художественных и фотореалистичных изображений по текстовым запросам, а также для сценариев image-to-image, где исходное изображение преобразуется с помощью текстового описания. Примеры в карточке охватывают портреты, архитектуру, пейзажи и сюрреалистические сцены. Репозиторий содержит именно UNet-компонент, поэтому для генерации требуется совместимый конвейер с необходимыми компонентами Stable Diffusion; отдельная карточка не приводит ограничений качества или характеристик контекста.

InstantX/SD3.5-Large-IP-Adapter — адаптер IP-Adapter для модели Stable Diffusion 3.5 Large, разработанный командой InstantX. Он предназначен для генерации изображений по текстовому описанию с дополнительным управлением на основе референсного изображения: изображение используется подобно текстовому условию и может влиять на визуальный стиль или содержание результата. Адаптер добавляет новые слои во все 38 блоков базовой архитектуры Stable Diffusion 3.5 Large. Для кодирования изображений применяется google/siglip-so400m-patch14-384, а для проецирования используется TimeResampler; количество токенов изображения составляет 64. Модель работает в конвейере text-to-image библиотеки Diffusers, поддерживает английский язык, а в примере рекомендовано разрешение 1024×1024, 24 шага генерации и guidance scale 5.0. Поддерживаются текстовая и визуальная модальности. К сильным сторонам относятся использование референсных изображений и интеграция с возможностями Stable Diffusion 3.5 Large. Ограничения включают чувствительность базовой модели к генерации в высоком разрешении, а также необходимость использовать локальные файлы конвейера, поскольку адаптер на момент публикации ещё не интегрирован в Diffusers. Доступна поддержка ComfyUI через отдельный проект. Модель распространяется по лицензии stabilityai-ai-community; все авторские права сохраняются.

Карточка модели YuriyZeng/sd-turbo на Hugging Face совпадает с карточкой stabilityai/sd-turbo, поэтому описание составлено по ней. SD-Turbo — быстрая генеративная модель Stability AI для создания изображений по текстовому описанию. Это дистиллированная версия Stable Diffusion 2.1, обученная методом Adversarial Diffusion Distillation для генерации за 1–4 шага; обычно достаточно одного шага, а предпочтительный размер изображения — 512×512 пикселей. Модель предназначена для быстрого синтеза изображений в творческих инструментах, дизайне и исследованиях генеративных моделей. Она принимает текстовый запрос и выдаёт изображение; также поддерживается сценарий image-to-image. Для работы в одном или двух шагах модель сочетает дистилляцию по оценкам с состязательной функцией потерь. К ограничениям относятся более низкое качество и соответствие запросу по сравнению с SDXL-Turbo, неидеальный фотореализм, сложности с корректной генерацией лиц и людей, а также неспособность надёжно создавать читаемый текст на изображениях. Модель не предназначена для достоверного изображения реальных людей или событий. Условия коммерческого использования в карточке не раскрыты полностью: README отсылает к отдельным условиям Stability AI.

nousr/sd-v1-5-ema — модель Stable Diffusion для создания изображений по текстовым описаниям. Репозиторий содержит веса в форматах Diffusers и PyTorch и предназначен для использования с StableDiffusionPipeline. Модель подходит для генерации иллюстраций и других изображений по англоязычным запросам. В карточке указана лицензия CreativeML Open RAIL-M, условия которой распространяются на использование модели.

thibaud/sdxl_dpo_turbo — слияние SDXL Turbo и SDXL DPO для генерации изображений по текстовому описанию. Модель распространяется в формате Diffusers и Safetensors и предназначена для использования с AUTOMATIC1111, ComfyUI, InvokeAI или библиотекой Diffusers. Пример в карточке показывает генерацию изображения за два шага инференса с использованием GPU и FP16. Это указывает на сценарии быстрого получения изображений по запросу. Перед использованием следует ознакомиться с лицензиями исходных моделей; в метаданных модели указана лицензия other.

SLORA-LTX — модель генерации видео, опубликованная Мухаммадом Таки. Она предназначена для создания динамичных видеоклипов по текстовому описанию; в README также заявлена генерация видео по изображению. Модель совместима с синтаксисом и параметрами конвейера Lightricks/LTX-Video и интегрируется с библиотекой diffusers. README заявляет быстрое создание временных последовательностей и настройку числа кадров, разрешения и соотношения сторон. В метаданных указаны форматы diffusers и safetensors, задача text-to-video и лицензия MIT. Размер модели, длина контекста и поддерживаемые языки не приведены.

SPARK.Chroma_preview — предварительная модель генерации реалистичных изображений по текстовым описаниям, созданная SG161222 как дообучение Chroma1-HD. Базовая модель основана на FLUX.1-schnell и содержит 8,9 млрд параметров. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для работы, в частности, через ComfyUI. Модель ориентирована на фотореалистичную генерацию и предлагает ограниченный набор стилей. Это предварительный выпуск: качество реализма и мелких деталей может быть ниже, чем у Chroma1-HD; возможны ошибки в анатомии и надписях. Для использования указана лицензия Apache 2.0.

Карточка модели WIBE-HuggingFace/stable-diffusion-2-1-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.