I.8Изображения и компьютерное зрение

Smogy/SMOGY-Ai-images-detector — дообученный командой Smogy классификатор изображений на базе Organika/sdxl-detector. Модель определяет, выглядит ли изображение созданным ИИ или реальным. Она построена на архитектуре Swin, содержит 58,7 млн параметров и распространяется в формате safetensors. Модель дообучали на наборе из более чем 50 тысяч сбалансированных изображений, собранных из Reddit, Kaggle и публичного достояния. Она предназначена для проверки происхождения изображений, включая изображения из популярных генераторов. В описанном тестовом разбиении указаны точность 98,18% и F1 98,19%; на изображениях вне обучающего домена точность различалась в зависимости от семейства генератора. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Результаты классификации не гарантируют достоверное определение происхождения для любых генераторов и типов изображений.

SPO-SD-v1-5_4k-p_10ep — модель генерации изображений по текстовому описанию, разработанная авторами метода Step-by-Step Preference Optimization (SPO). Она дообучена на базе runwayml/stable-diffusion-v1-5 и представляет собой объединённый чекпойнт базовой модели и LoRA-адаптера. Обучение проводилось на 4 000 промптах в течение 10 эпох с использованием данных предпочтений изображений. Модель предназначена для создания изображений по англоязычным текстовым запросам с улучшенным визуальным качеством и эстетикой при сохранении соответствия изображения запросу. Подход SPO оптимизирует детали на каждом шаге денойзинга; для запуска авторы показывают StableDiffusionPipeline из библиотеки diffusers с вычислениями в float16. Модель распространяется по лицензии Apache-2.0.

Карточка модели WIBE-HuggingFace/stable-diffusion-2-1 на Hugging Face совпадает с карточкой sd2-community/stable-diffusion-2-1, поэтому описание составлено по ней. Stable Diffusion 2.1 — модель генерации и редактирования изображений по текстовому описанию, разработанная Robin Rombach и Patrick Esser. Этот репозиторий — зеркало устаревшего репозитория Stability AI и не связан с этой организацией. Модель основана на Stable Diffusion 2 и дообучена: сначала на 55 тысячах шагов с параметром punsafe=0,1, затем ещё на 155 тысячах шагов с punsafe=0,98. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Она принимает текстовые запросы на английском языке и создаёт или изменяет изображения; запуск доступен через Diffusers. Лицензия — CreativeML Open RAIL++-M License (OpenRAIL++). Модель может быть полезна для художественной генерации, дизайна и творческих инструментов. Она не обеспечивает идеальный фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Качество запросов на языках, отличных от английского, ниже; модель также наследует смещения обучающих данных LAION и может выдавать вредный, стереотипный или нежелательный контент.

Stable Diffusion 2.1 UnCLIP Small — диффузионная модель генерации и изменения изображений, опубликованная как зеркало устаревшего репозитория Stability AI. В карточке разработчиками названы Робин Ромбах и Патрик Эссер; владелец зеркала отмечает, что не связан со Stability AI. Модель дообучена на Stable Diffusion 2.1 и использует латентную диффузию с фиксированным текстовым энкодером OpenCLIP-ViT/H. Модель принимает текстовый запрос и может дополнительно использовать зашумлённый эмбеддинг изображения. Это позволяет создавать варианты изображения или использовать модель в связке с текстово-изобразительными CLIP-prior-моделями; уровень шума задаётся параметром noise_level. Для работы предусмотрена библиотека Diffusers. Основной язык запросов — английский. Модель подходит для творческой генерации, дизайна и экспериментов с генеративными моделями. Она не гарантирует фотореализм, часто ошибается при отрисовке текста, сложных пространственных отношений, лиц и людей; качество запросов на других языках ниже. Лицензия — CreativeML Open RAIL++-M; карточка описывает ограничения и недопустимые сценарии использования.

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

stable-diffusion-3.5-medium-GGUF — квантизированная версия модели Stable Diffusion 3.5 Medium, разработанной Stability AI. Модель предназначена для генерации изображений по текстовому описанию и относится к классу text-to-image; указанный pipeline — text-to-image. В README также отмечена совместимость с экосистемой Diffusers и форматом GGUF. Модель ориентирована на сценарии синтеза изображений по англоязычным текстовым запросам: в метаданных указан язык en. Размер модели, точная архитектура, поддерживаемые модальности помимо текста и изображения, длина контекста и параметры квантизации не раскрыты. Квантизация выполнена компанией Second State Inc. с использованием stable-diffusion.cpp, версия master-c3eeb669, что может быть полезно для запуска в соответствующей инфраструктуре, однако конкретные требования к ресурсам не указаны. Модель распространяется по лицензии stabilityai-ai-community; в README приведена ссылка на файл LICENSE.md. Ограничения, связанные с применением модели, производительностью и качеством генерации, отдельно не описаны.

Карточка модели huchen123/stable-diffusion-v1-5 на Hugging Face совпадает с карточкой stable-diffusion-v1-5/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с предварительно обученным текстовым энкодером CLIP ViT-L/14. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; модель можно запускать через Diffusers и совместимые интерфейсы, например ComfyUI и AUTOMATIC1111. Модель подходит для создания иллюстраций и концептов, художественных и дизайнерских материалов, а также для изучения генеративных моделей. Она лучше работает с английскими запросами. Модель может ошибаться в фотореализме, композиции, изображении лиц и людей, а также обычно не создаёт разборчивый текст внутри изображений. Обучающие данные содержали взрослый контент, поэтому для безопасного применения важны фильтрация и дополнительные меры защиты; возможны смещения и запоминание дублированных изображений. Лицензия — CreativeML OpenRAIL-M. Карточка ограничивает применение исследованиями и описывает недопустимые сценарии использования, включая создание вредоносных или дискриминационных изображений. Репозиторий является зеркалом устаревшей карточки RunwayML и не связан с RunwayML.

Карточка модели Shantanu9744/stable-diffusion-v1.5 на Hugging Face совпадает с карточкой stablediffusiontutorials/stable-diffusion-v1.5, поэтому описание составлено по ней. Stable Diffusion v1.5 — латентная диффузионная модель генерации и редактирования изображений по текстовому запросу, разработанная Робином Ромбахом и Патриком Эссером. Эта копия репозитория — зеркало устаревшей модели runwayml/stable-diffusion-v1-5; её владельцы не связаны с RunwayML. Модель использует фиксированный текстовый энкодер CLIP ViT-L/14 и доступна в форматах Diffusers, PyTorch и Safetensors. Модель подходит для создания иллюстраций, художественных изображений и материалов для творческих инструментов. В карточке указана лицензия CreativeML OpenRAIL-M. Модель обучалась преимущественно на англоязычных описаниях, поэтому англоязычные запросы обычно подходят лучше. Она не гарантирует фотореализм, плохо справляется с композицией сложных сцен и разборчивым текстом; лица и люди могут получаться некорректно. Для применения предусмотрен Safety Checker в Diffusers; обучающие данные содержали материалы для взрослых, а изображения могли запоминаться моделью.

chs20/tecoa2-clip — модель CLIP ViT-L/14 из семейства TeCoA, разработанного по работе Mao et al. (2023). Она получена состязательным дообучением исходной модели OpenAI CLIP на ImageNet с ограничением возмущения по норме бесконечности радиусом 2/255. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения на каждом наборе классов: пользователь передаёт изображение и варианты текстовых меток, а модель оценивает их соответствие. Модель работает с изображениями и текстом и распространяется в формате PyTorch; для загрузки и обработки изображений используется библиотека open_clip. Состязательное дообучение повышает устойчивость к небольшим состязательным изменениям изображений. Лицензия — MIT. Качество зависит от формулировок текстовых меток и распределения данных; дообучение проводилось на ImageNet, поэтому специализация на других областях не заявлена.

Text2Video-Zero ControlNet Canny Avatar Style — модель генерации видео по текстовому описанию с управлением по контурам Canny и стилем аватара. Вариант подготовили Levon Khachatryan, Andranik Movsisyan, Vahram Tadevosyan, Roberto Henschel, Zhangyang Wang, Shant Navasardyan и Humphrey Shi; веса DreamBooth для стиля аватара взяты у Quiet_Joker с CIVITAI. Репозиторий содержит веса в форматах Diffusers и PyTorch и предназначен для использования с ControlNet в Text2Video-Zero. Модель подходит для генерации видео по тексту и контурам, а также для создания изображений в стиле аватара с управлением по контурам. Основана на подходе Text2Video-Zero и может работать с базовыми моделями Stable Diffusion. Карточка указывает английский язык и лицензию CreativeML OpenRAIL-M. Качество и визуальная согласованность результата зависят от базовой модели, текстового запроса и входных контуров; сведения о конкретной базовой модели и длине видео в карточке отсутствуют.

ToriiGate-v0.4-7B — мультимодальная модель зрения и языка, разработанная Minthy на базе Qwen2-VL-7B и дообученная на наборе более чем из 900 тысяч иллюстраций и художественных изображений с подписями. Она предназначена прежде всего для создания подписей к аниме-изображениям, цифровому арту и другим картинкам, включая описание персонажей, их действий, фона, композиции и текста на изображении. Модель имеет плотную архитектуру Qwen2-VL, около 7,1 млрд параметров и контекст до 32 768 токенов. Принимает изображения и текстовые запросы, поддерживает диалоговый режим и генерирует текстовые описания. Можно получать краткие или развёрнутые подписи, структурированный вывод, описания отдельных частей сцены и ограничивающие рамки персонажей и лиц; дополнительные сведения, например теги или имена персонажей, помогают точнее описывать сложные сцены. Модель рассчитана на аниме и цифровое искусство, хорошо учитывает персонажей и культурные детали и поддерживает описание контента для взрослых. Без дополнительных ориентиров модель может ошибаться в именах персонажей, поэтому для точной идентификации полезно передавать grounding-данные. Распространяется по лицензии Apache-2.0.

URPM v13 — модель для генерации изображений по текстовому описанию, опубликованная под аккаунтом stablediffusionapi и предназначенная для использования через API ModelsLab. В примере карточки указаны реалистичные портреты и детализированные сцены; запрос можно дополнить негативным промптом и параметрами генерации, включая размер изображения, число шагов и guidance scale. Метаданные указывают задачу text-to-image и форматы Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Карточка демонстрирует настройку отключения safety checker; доступные меры безопасности зависят от используемого API и параметров запроса.

memset0/vsqa-preview-1.3b — предварительная версия модели для генерации видео по текстовому запросу, созданная в рамках проекта VSQA на основе Wan2.1-T2V-1.3B от Wan-AI. Это трёхшаговая DMD-дистилляция с разреженным вниманием VSA и обучением с учётом NVFP4-квантизации внимания и линейных слоёв. Текстовый энкодер, токенизатор, VAE и планировщик унаследованы от базовой модели. Модель рассчитана на генерацию 61 кадра с разрешением 896×448 за три шага денойзинга. Для воспроизведения обученных численных режимов нужны ядра FastVideo VSA/QAT; запуск с обычными плотными BF16-слоями представляет собой непроверенную конфигурацию. Это предварительный чекпойнт для ранней оценки. Лицензия — Apache-2.0.

memset0 выпустил предварительный чекпойнт VSQA preview 14B v2 — производную Wan2.1-T2V-14B для генерации видео по тексту. Это студент после 200 шагов DMD-дистилляции; при обучении также применялись NVFP4 QAT для линейных слоёв и разреженное внимание VSA. В основе — диффузионный трансформер Wan2.1 с 14 млрд параметров. Модель рассчитана на генерацию 77 кадров размером 1280×768 за три шага денойзинга, с параметрами сэмплирования, указанными в README. Для воспроизведения обученной конфигурации нужны ядра VSA/QAT FastVideo и патч глобального масштаба 1; обычный плотный BF16-инференс не проверен. Чекпойнт обозначен как предварительный и ещё не оценён. Лицензия — Apache-2.0, как у базовой модели.

waiIllustriousSDXL_v150 — модель генерации изображений по текстовому описанию, опубликованная пользователем Joshua Frank на Hugging Face. Репозиторий содержит pipeline Stable Diffusion XL для Diffusers: текстовые энкодеры CLIP, условную UNet и VAE; веса доступны в формате safetensors. Метаданные указывают размер около 3 млрд параметров и тип данных F16. Модель предназначена для создания изображений по текстовым запросам. Карточка не содержит подробного описания специализации, данных обучения или результатов оценки качества; также в доступных источниках не удалось подтвердить лицензию и поддержку определённых естественных языков.

martineux/waiIllustriousSDXL_v160 — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем martineux на Hugging Face. Репозиторий содержит компоненты StableDiffusionXLPipeline: два текстовых энкодера с токенизаторами, U-Net, VAE и планировщик диффузии; веса представлены в safetensors. Модель принимает текстовый запрос и создаёт изображение. Карточка не содержит описания специализации или сведений о лицензии, поэтому определить целевой стиль и условия использования по доступным данным нельзя.

DFloat11/Wan2.2-T2V-A14B-2-DF11 — это квантованная и без потерь сжатая версия второй части модели Wan2.2-T2V-A14B от Wan-AI, опубликованная в формате DFloat11. Модель предназначена для генерации видео по текстовому описанию с использованием pipeline_tag text-to-video и интеграции с Diffusers. Ключевая особенность модели — сжатие весов BFloat16 с помощью Huffman-кодирования экспонент и аппаратно-ориентированной распаковки непосредственно на GPU. По данным README, сжатие сохраняет побитово идентичные результаты исходной модели и уменьшает размер примерно на 32%. Полная конфигурация архитектуры, число параметров и перечень поддерживаемых языков в README не указаны. В составе Wan2.2 модель может использоваться для создания 5-секундных видео в разрешении 720p; пример конфигурации предусматривает 81 кадр и 16 кадров в секунду. Основное преимущество — возможность запуска генерации на одной GPU с 24 ГБ видеопамяти при использовании CPU offloading, а также сохранение качества исходной модели благодаря заявленной потере без потерь. Без offloading требуется около 40 ГБ VRAM; с offloading пиковое потребление составляет около 22,49 ГБ, а без него — около 41,06 ГБ. На A100 генерация 5-секундного видео занимает примерно 42–44 минуты, поэтому модель ориентирована прежде всего на локальный GPU-инференс, а не на высокопроизводительную генерацию в реальном времени. Для работы необходимы CUDA-совместимая GPU, PyTorch, пакет DFloat11 и актуальная версия Diffusers. Лицензия в представленном README не указана.

X-CLIP Base Patch16 — видеоязыковая модель Microsoft, обученная с учителем на наборе Kinetics-600. Это расширение CLIP для понимания видео: модель сопоставляет видеокадры и текст в общем пространстве признаков и подходит для классификации видео с нулевым или малым числом примеров, а также для поиска соответствий между видео и текстом. Вариант обучен на 8 кадрах каждого видео с разрешением 224 × 224 пикселя; архитектура использует патчи размером 16 пикселей. Модель может оценивать соответствие текста видео и классифицировать видео по текстовым описаниям или размеченным категориям. На Kinetics-600 указаны точность top-1 85,3% и top-5 97,1%. Доступны веса в формате PyTorch. Модель распространяется по лицензии MIT. Результаты зависят от предобработки кадров и набора классов или текстовых описаний. Обучение на Kinetics-600 и использование 8 кадров могут ограничивать качество на видео, сценах и действиях, отличных от обучающих данных; карточка не приводит подробных ограничений и оценки переноса на другие домены.

X-CLIP — базовая модель семейства CLIP для понимания видео и текста, разработанная Microsoft и представленная Ni и соавторами. Она обучена контрастивным способом на парах «видео–текст» и полностью контролируемым образом на наборе Kinetics-400. Видеоклип обрабатывается по 8 кадрам с разрешением 224×224; модель использует архитектуру X-CLIP с визуальными патчами размером 32 пикселя. Модель предназначена для классификации видео с нулевым или малым числом примеров, а также для классификации с учителем и поиска соответствий между видео и текстом. Она может оценивать, насколько текст подходит к видео; для Kinetics-400 указана точность top-1 80,4% и top-5 95,0%. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

X-CLIP Large Patch14 — видеоязыковая модель Microsoft, представленная в статье Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Это расширение CLIP для работы с видео и текстом, обученное контрастным способом на парах «видео—текст» и полностью под наблюдением на наборе Kinetics-400. Модель предназначена для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствий между видео и текстом. При обучении использовались 8 кадров на видео с разрешением 224×224; для классификации на основе сходства модель оценивает, насколько текст подходит к видео. В оценке на Kinetics-400 указаны точности top-1 87,1% и top-5 97,6%. Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии MIT. Карточка описывает обучение на Kinetics-400; результаты и пригодность для других наборов данных могут отличаться.

sam749/0001SoftRealistic-v187xxx — модель генерации изображений по текстовому описанию, опубликованная пользователем sam749. Она предназначена для создания изображений из промптов и запускается через StableDiffusionPipeline из библиотеки Diffusers; карточка приводит пример генерации стилизованного портрета персонажа с детализированным освещением и рендерингом. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, базовый чекпойнт или список поддерживаемых языков.

Карточка модели A1497/AbsoluteReality на Hugging Face совпадает с карточкой Lykon/AbsoluteReality, поэтому описание составлено по ней. Lykon/AbsoluteReality — модель преобразования текста в изображение на базе Stable Diffusion, опубликованная разработчиком Lykon. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; в метаданных также указана библиотека Diffusers. Модель предназначена для создания изображений по текстовым запросам и отмечена тегами, связанными с художественными изображениями и фотографией. Карточка не приводит сведений о размере модели, контексте, обучающих данных или конкретных настройках генерации. Лицензия указана как other, поэтому условия использования следует проверить в репозитории перед применением.

AingDiffusion9.2 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Карточка содержит пример изображения, созданного через API Hugging Face, и промпт с упоминаниями девушки у озера, фотореалистичного стиля, чётких деталей и кинематографического освещения. Модель распространяется в формате Diffusers с весами Safetensors; в метаданных она отнесена к семейству Stable Diffusion. Её можно использовать для создания изображений по текстовым промптам, например портретов и фотореалистичных сцен. Размер модели, контекст и конкретные поддерживаемые языки в доступных данных не приведены. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

frankjoshua/albedobaseXL_v13 — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face. Репозиторий содержит веса в формате Diffusers и Safetensors и предназначен для запуска через StableDiffusionXLPipeline. Модель принимает текстовый запрос и генерирует изображение. Доступные сведения подтверждают задачу text-to-image и совместимость с архитектурой Stable Diffusion XL; подробные характеристики обучения, размер модели, поддерживаемые языки и условия лицензии в карточке, использованной для анализа, не описаны.

matt3ounstable/albedobaseXL_v31Large — копия AlbedoBase XL в формате Diffusers для удобного использования с библиотекой Diffusers. Автор карточки указывает, что исходная модель создана albedobond; этот репозиторий предназначен для генерации изображений по текстовым описаниям и содержит веса только в fp16. Модель относится к семейству Stable Diffusion XL. Репозиторий распространяется по лицензии CreativeML Open RAIL++-M Addendum. Доступных сведений о языковой специализации и ограничениях качества нет; лицензия задаёт условия использования модели.

BK-SDM-Small-2M — компактная модель генерации изображений по текстовому описанию из семейства BK-SDM, разработанного авторами проекта BK-SDM. Это архитектурно сжатая версия Stable Diffusion с удалёнными блоками U-Net и дистилляцией знаний; версия 2M обучалась на 2,3 млн пар изображение–текст из LAION-Aesthetics V2 6.25+. Модель предназначена для эффективного синтеза изображений по текстовым запросам и работает через библиотеку Diffusers. Увеличение обучающих данных по сравнению с предыдущим выпуском BK-SDM улучшает качество генерации и соответствие изображений запросам. В README приведены результаты оценки семейства на MS-COCO, но показанная строка относится к BK-SDM-Base-2M, поэтому её показатели нельзя напрямую приписывать версии Small. Модель распространяется по лицензии CreativeML Open RAIL-M; для использования следует соблюдать рекомендации Stable Diffusion v1.

bonsai-image-binary-4B-mlx-1bit — компактная версия модели генерации изображений Prism ML для устройств Apple Silicon. Это диффузионный трансформер MMDiT на архитектуре FLUX.2 Klein 4B примерно с 4 млрд параметров в трансформерном блоке. Веса основных линейных слоёв представлены значениями −1 и +1 с групповым масштабированием FP16; некоторые вспомогательные тензоры сохранены в FP16. Размер трансформера составляет около 0,93 ГБ, а полный набор компонентов для развёртывания — 3,42 ГБ. Модель преобразует текстовые запросы в изображения и предназначена для локальной генерации на Mac, iPhone и iPad, а также для приватных и ресурсоограниченных сценариев. Рекомендуются sampler FlowMatch-Euler на 4 шагах, guidance 1.0 и разрешение 1024×1024; поддерживаются соотношения сторон с размерами, кратными 32. README приводит показатели скорости для iPhone 17 Pro Max и M4 Pro. Лицензия — Apache-2.0. Качество зависит от запроса и рабочего процесса: точность мелкого текста, деталей, количества объектов и строгой композиции требует проверки под конкретную задачу. Бинарная версия не идентична FP16 FLUX.2 Klein 4B; для Apple Silicon используется путь MLX, а для CUDA указана сопутствующая реализация на Gemlite.

bonsai-image-ternary-4B-mlx-2bit — компактная модель генерации изображений по тексту от Prism ML, основанная на архитектуре FLUX.2 Klein 4B с MMDiT-диффузионным трансформером примерно на 4 млрд параметров. Веса основных линейных слоёв представлены в троичном виде {−1, 0, +1} с групповым масштабированием FP16; формат MLX упаковывает их в 2-битные значения. Трансформер занимает 1,21 ГБ в представлении Bonsai и 1,43 ГБ в развёрнутом MLX-пакете. Модель предназначена для локальной генерации изображений по текстовым запросам на Mac, iPhone и iPad с Apple Silicon. В README также упомянуто сопутствующее CUDA-развёртывание для NVIDIA GPU. Используется 4-шаговый FlowMatch-Euler с guidance 1.0; для описанного режима не требуются CFG и отрицательные запросы. Компактное представление рассчитано на снижение размера и памяти при сохранении практического поведения базовой модели. Качество зависит от запроса и рабочего процесса; мелкий текст, тонкие детали, точный подсчёт объектов и строгую композицию следует проверять отдельно. Модель не побитово идентична варианту FP16. Репозиторий распространяется по лицензии Apache-2.0.

kevinoli/clip-finetuned-csu-p14-336-e4l58-l — дообученная модель CLIP на базе openai/clip-vit-large-patch14-336, опубликованная пользователем kevinoli. Она сопоставляет изображения с текстовыми описаниями и поддерживает классификацию изображений по категориям, заданным пользователем, без отдельного обучения на этих категориях. Модель реализована как CLIPModel и распространяется в формате safetensors для Transformers. Карточка сообщает значение Loss 0,8028 на оценочном наборе, но не раскрывает датасет, детали обучения и сценарии применения. Поэтому нельзя надёжно определить её специализацию, качество на конкретных данных или языки текстовых запросов. Базовая модель CLIP предназначена для сопоставления изображений и текста; лицензия в доступных данных не указана.

DaSiWa MiniMax H3 Hybrid — это набор немодифицированных чекпойнтов SafeTensors на 4 и 8 шагов, размещённых brurpo как зеркала для загрузки в BRP Canvas. Гибридная модель предназначена для генерации коротких видео в рабочих процессах ComfyUI: по текстовому запросу, с опорой на изображение, а также по первому и последнему кадрам. Метаданные относят её к семейству MiniMax H3 и указывают связь дообучения с MiniMaxAI/MiniMax-H3. Для генерации используются отдельные настройки видео и аудио; README приводит рекомендации по сэмплерам, планировщику, числу шагов и параметрам сдвига. Варианты на 4 и 8 шагов рассчитаны на ускоренную генерацию. Модель не является официальной поставкой MiniMax или DaSiWa. Лицензия указана как other; перед использованием следует изучить лицензию MiniMax, включённую в исходную поставку.