I.8Изображения и компьютерное зрение

MCG-NJU/DMM — модель генерации изображений по текстовому описанию, созданная авторами DMM. Она объединяет с помощью дистилляции по score несколько предварительно обученных моделей Stable Diffusion, чтобы генерировать изображения в разных стилях: реалистичные портреты, азиатские портреты, аниме, иллюстрации и другие. Среди исходных моделей указаны JuggernautReborn, MajicmixRealisticV7, EpicRealismV5, RealisticVisionV5, MajicmixFantasyV3, MinimalismV2, RealCartoon3dV17 и AWPaintingV1.4. Модель предназначена для создания изображений по текстовым промптам с использованием библиотеки Diffusers; файлы представлены в форматах Diffusers и safetensors. Лицензия — Apache-2.0. README не сообщает размер модели, длину контекста или конкретные параметры генерации.

jzli/DreamShaper-3.3 — модель преобразования текстовых запросов в изображения в формате Diffusers/PyTorch. В метаданных она отнесена к Stable Diffusion Pipeline и задаче text-to-image. README не содержит сведений о разработчике, архитектурных деталях, размере модели, поддерживаемых языках или рекомендуемых сценариях применения. Модель можно искать для генерации изображений по текстовому описанию. Сведения о лицензии и ограничениях использования в предоставленных данных отсутствуют.

DreamShaper 3.3 baked VAE — модель генерации изображений по текстовому описанию, размещённая пользователем jzli. Это версия DreamShaper 3.3 со встроенным VAE, поэтому при запуске не требуется отдельно подключать VAE. Метаданные указывают на использование StableDiffusionPipeline и форматов Diffusers и PyTorch. Модель предназначена для создания изображений по текстовым запросам. README не содержит дополнительных сведений о стиле генерации, рекомендуемых настройках или конкретных сценариях применения. Условия лицензии в предоставленных данных не описаны.

redstonehero/epicrealism_pureevolutionv5-inpainting — модель генерации изображений, опубликованная пользователем redstonehero на Hugging Face. Она предназначена для создания изображений по текстовому описанию и работает через StableDiffusionPipeline в библиотеке Diffusers. Модель распространяется в формате Safetensors; в метаданных указано около 0,9 млрд параметров. Карточка Hugging Face классифицирует её как text-to-image и не подтверждает отдельный режим редактирования изображений или набор поддерживаемых естественных языков. Практический сценарий — локальная генерация изображений по промптам с использованием Diffusers. Лицензия модели — CreativeML OpenRAIL-M. Ограничения и точные сведения о датасете, архитектурной базе, контексте, языках промптов и качестве результатов в доступной карточке модели не описаны.

FastHunyuan — ускоренная модель Hao AI Lab для генерации видео по текстовому описанию, полученная дистилляцией HunyuanVideo. Она создаёт видео за 6 шагов диффузии; авторы заявляют примерно о восьмикратном ускорении относительно исходной HunyuanVideo с 50 шагами. Для инференса в репозитории Hunyuan Video README рекомендует 6 шагов, параметр shift 17, разрешение 720×1280×125 и CFG выше 6. Модель можно запускать на одной RTX 4090; для инференса с квантованием NF4 указана потребность в 20 ГБ видеопамяти. Также поддерживается LLM-INT8-квантование через BitsAndBytes. Модель предназначена для синтеза видеоклипов по текстовым запросам. README указывает лицензию tencent-hunyuan-community; условия её применения следует сверять с текстом этой лицензии.

FastWan2.2-TI2V-5B-FullAttn-Diffusers — модель генерации видео по текстовому описанию от команды FastVideo, дообученная на базе Wan-AI/Wan2.2-TI2V-5B-Diffusers. В карточке указано, что для этой версии обучение проводилось с использованием DMD; заявленная для серии Sparse-distill схема здесь не применялась. Модель поддерживает генерацию за три шага и обучена для разрешения 121×704×1280; можно задавать и другие разрешения, но качество при этом может снижаться. Модель предназначена для ускоренного создания видеороликов по текстовым запросам и исследовательских экспериментов с генерацией видео. Репозиторий содержит веса в формате Diffusers и Safetensors и распространяется по лицензии Apache-2.0. Для запуска доступны скрипты инференса и дообучения; карточка упоминает поддержку GPU от H100 до RTX 4090, а также Mac.

Fluently V4.0-LCM — модель генерации изображений по текстовому описанию, созданная автором Fluently путём слияния нескольких чекпойнтов и LoRA для Stable Diffusion 1.5. Репозиторий подготовлен для Diffusers и содержит веса в формате safetensors; в метаданных базовой моделью указана latent-consistency/lcm-lora-sdv1-5. Модель предназначена для быстрого создания изображений по промптам. Автор отмечает реалистичную анатомию, детализированные лица и глаза, художественные стили, а также генерацию изображений в стилях аниме и комиксов. Также заявлена пригодность для дорисовки и расширения изображений. Для генерации автор рекомендует 4–8 шагов, сэмплер Euler a и CFG Scale 1,2–1,5. Лицензия в метаданных обозначена как other; конкретные условия использования в предоставленных сведениях не раскрыты. Качество и перечисленные возможности описаны автором и не сопровождаются результатами независимой оценки.

FLUX.1-dev-LoRA-AntiBlur — функциональная LoRA-адаптация базовой модели FLUX.1-dev, разработанная Vadim_Fedenko при поддержке Shakker AI. Модель предназначена для генерации изображений по текстовому описанию и усиления глубины резкости с уменьшением нежелательного размытия. Она подходит для фотореалистичных и художественных сценариев, включая изображения людей, городских сцен, природы и других объектов. LoRA можно применять совместно с дополнительными компонентами, например ControlNet. Модель распространяется в формате Safetensors и используется через библиотеку Diffusers поверх FLUX.1-dev. Специальное trigger word не требуется; для diffusers рекомендован коэффициент LoRA от 1,0 до 1,5. По заявлению авторов, адаптация лишь незначительно влияет на качество исходных изображений при улучшении глубины резкости. В README не указаны точный размер LoRA, поддерживаемые языки, отдельные модальности или максимальная длина контекста. Модель распространяется по лицензии flux-1-dev-non-commercial-license, унаследованной от FLUX.1-dev, и предназначена для некоммерческого использования. Для работы требуется базовая модель FLUX.1-dev и совместимое окружение Diffusers; в качестве примера приведены 24 шага генерации, guidance scale 3,5 и разрешение 768×1024.

Disty0/FLUX.1-dev-qint4 — квантизированная до INT4 версия модели FLUX.1-dev от Black Forest Labs, подготовленная с помощью Optimum Quanto. Она предназначена для генерации изображений по текстовым описаниям и используется через библиотеку Diffusers. Карточка указывает поддержку английского языка и лицензию «other».

Alex7575/Flux2-Klein-9B-Consistency — это адаптер LoRA для модели black-forest-labs/FLUX.2-klein-9B, предназначенный для использования в задачах image-to-image через библиотеку Diffusers. По данным карточки, адаптер повышает согласованность результатов Klein без необходимости использовать специальные ключевые слова или cue words. Модель ориентирована на генерацию и преобразование изображений, где важны более стабильный визуальный результат и сохранение согласованности между изображениями. В версии V2 заявлены исправления цветового оттенка, уменьшение эффекта «грязных» изображений из-за чрезмерного добавления деталей и снижение чрезмерной насыщенности, характерной для базовой модели. Архитектура, языки, поддерживаемые модальности помимо image-to-image и размер контекста отдельно не указаны; о результатах следует судить с учетом зависимости от базовой FLUX.2-klein-9B и параметров применения LoRA. Адаптер распространяется по лицензии Apache-2.0. В карточке отсутствуют точные рекомендации по весу LoRA, аппаратным требованиям, ограничениям использования и количественной оценке качества.

digiplay/GhostMix — модель генерации изображений по текстовому описанию, размещённая пользователем digiplay на Hugging Face. Метаданные относят её к семейству Stable Diffusion и указывают на использование Diffusers; файлы представлены в форматах PyTorch и safetensors. Карточка упоминает версию v2.0 и Bake VAE, но не раскрывает назначение версии, настройки генерации, размер модели, поддерживаемые языки или контекст. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

microsoft/git-large-r — большая версия модели GIT (GenerativeImage2Text), разработанная Microsoft и представленная в статье Wang и соавторов. Это плотный трансформерный декодер, который получает токены изображения от CLIP и генерирует текст по одному токену, используя изображение и предшествующие текстовые токены. Веса модели содержат около 80,1 млн параметров; максимальная длина контекста — 1024 токена. Модель обучена на 20 миллионах пар изображение–текст и предназначена прежде всего для создания подписей к изображениям. Архитектура также подходит для визуальных вопросов и ответов, описания видео и классификации изображений через генерацию текстовой метки, но для прикладного использования этих задач может потребоваться подходящая настройка. Суффикс R означает, что модель переобучена после удаления некоторых оскорбительных подписей из датасета CC12M. Модель принимает изображения и выдаёт текст; карточка указывает английский язык. Для подготовки изображений при валидации используются изменение размера, центральное кадрирование и нормализация каналов RGB. Модель распространяется по лицензии MIT. В README рекомендация для исходного чекпойнта — генерация подписей к изображениям; качество на конкретных задачах следует сверять с результатами статьи или подходящими дообученными версиями.

martintomov/Hyper-FLUX.1-dev-gguf — это модель генерации изображений по текстовому описанию в формате GGUF. Она представляет собой прямую конвертацию black-forest-labs/FLUX.1-dev, объединённую с ByteDance/Hyper-Flux из семейства Hyper-SD. Автором конвертации указан пользователь Hugging Face @city96, а данная публикация размещена martintomov. Модель предназначена для text-to-image сценариев и может использоваться для генерации изображений на основе текстовых промптов. Файлы рассчитаны на работу с пользовательским узлом ComfyUI-GGUF; в README также указано, что их следует размещать в каталоге ComfyUI/models/unet. Архитектура, число параметров, поддерживаемые языки, размер контекста и точные модальности в README не раскрыты. К потенциальным ограничениям относятся зависимость от совместимой конфигурации ComfyUI и отсутствие в предоставленных данных подробных сведений о качестве, производительности и требованиях к оборудованию. Модель распространяется по лицензии flux-1-dev-non-commercial-license; указан тип лицензии other и ссылка на файл LICENSE.md.

x1101/IllustXL — модель генерации изображений по текстовому описанию, размещённая пользователем x1101 на Hugging Face. Репозиторий содержит файл Illustrious-XL-v1.0.safetensors и поддерживает запуск через Diffusers StableDiffusionXLPipeline. По названию чекпойнта модель относится к семейству Illustrious-XL; доступные сведения не раскрывают её точную архитектуру, число параметров, контекст или языковой охват. Модель предназначена для создания изображений по текстовым промптам. В примере Hugging Face изображение генерируется из описания сцены; файл модели имеет размер около 6,94 ГБ. Лицензия и конкретные ограничения использования по доступным сведениям не установлены.

InterDiffusion-3.5 — модель генерации изображений по текстовому описанию, опубликованная пользователем cutycat2000x и рассчитанная на запуск через библиотеку Diffusers. В README указано, что модель основана на InterDiffusion-3, занимает около 6,5 ГБ и частично использует текстовую составляющую. Рекомендуются запросы в форме предложений длиной до 200 слов, разрешение 1920×1088 и 70 шагов генерации. Модель предназначена для создания изображений по развернутым текстовым промптам. Репозиторий содержит веса в формате Safetensors для Diffusers; лицензия — MIT. Количество параметров и поддерживаемые языки в предоставленных данных не указаны.

Intern-S2-397B-GGUF — квантизированная версия модели Intern-S2-397B, разработанной internlm и подготовленной пользователем bartowski в формате GGUF для llama.cpp. Модель содержит около 403 млрд параметров и предназначена для задач генерации текста и обработки изображений совместно с файлом mmproj, то есть поддерживает мультимодальные сценарии text-to-image-text. Также заявлена поддержка speculative decoding через MTP и квантизация с использованием imatrix. Модель может применяться в локальных системах и других средах, совместимых с llama.cpp, для мультимодального анализа и генерации контента. Доступны варианты квантизации от Q8_0 до IQ1_M; размеры файлов составляют примерно от 101,82 до 428,62 ГБ. В README рекомендуются Q6_K, Q6_K_S, Q5_K_M, Q5_K_S и Q4_K_M как варианты с хорошим соотношением качества и размера, причём Q4_K_M обозначен как стандартный вариант для большинства сценариев. К сильным сторонам относятся очень большой параметрический объём, поддержка изображений, высокий потенциал качества при использовании старших вариантов квантизации и совместимость с llama.cpp. Ограничениями являются крайне высокие требования к дисковому пространству и ресурсам, а также возможное снижение качества у компактных вариантов; некоторые из них отмечены как низкокачественные или нерекомендуемые. Формат промпта, поддерживаемые языки, архитектурные особенности и контекстное окно в представленном README не указаны. Модель распространяется по лицензии Apache-2.0.

MLXBits/Krea-2-mlx-q8 — 8-битная квантованная версия Krea-2-Turbo, подготовленная для локальной генерации изображений по текстовым запросам на компьютерах Apple Silicon. Модель распространяется в формате MLX safetensors и запускается через библиотеку mflux; веса уже квантованы, поэтому повторная квантование при загрузке не требуется. В основе лежит одно-поточная архитектура MMDiT с 28 слоями. Текстовые запросы обрабатывает энкодер Qwen3-VL-4B, а для латентного представления изображений используется VAE Qwen-Image. Turbo-вариант дистиллирован и рассчитан на создание изображений за 8 шагов. Базовая модель описана как 12-миллиардная текстово-графическая модель, работающая с английскими описаниями. Модель предназначена для быстрого локального создания изображений и рассчитана на запуск на Apple Silicon с помощью mflux. Репозиторий указывает лицензию «other», поэтому конкретные условия использования следует сверять с лицензией базовой модели и материалами разработчика.

calcuis/krea-gguf — это GGUF-квантизированная версия модели FLUX.1-Krea-dev, разработанной Black Forest Labs и адаптированной для распространения calcuis. Модель предназначена для генерации изображений по текстовому описанию через pipeline_tag text-to-image. Она может использоваться с diffusers, ComfyUI и gguf-node; в README приведены примеры генерации изображений размером 1024×1024, включая сцены с персонажами, животными, предметами и пейзажами. Заявлен английский язык текстовых запросов. Доступны варианты квантования Q2_K, Q4_0 и Q8_0, а также упоминается экспериментальная lite-модель для работы за 8 шагов, потенциально сокращающая время загрузки до 70 процентов. README не содержит сведений о точном числе параметров, архитектурных деталях исходной модели, максимальной длине контекста или систематических результатах оценки качества. Квантование облегчает запуск модели и снижает требования к памяти, но может влиять на качество по сравнению с полной версией; конкретные компромиссы для каждого варианта не описаны. Модель распространяется по лицензии FLUX.1-dev Non-Commercial License, поэтому её использование ограничено некоммерческими сценариями в соответствии с условиями лицензии. Для запуска требуются совместимые компоненты text encoder и VAE, а также соответствующее программное окружение; README указывает возможность CPU offload и использования GPU.

LingBot_ComfyUI — подготовленная realrebelai сборка LingBot Video Dense 1.3B для работы в ComfyUI через набор узлов ComfyUI_Rebels_LingBot. Это дообученная модель генерации видео из изображения и текста (TI2V); исходные веса не изменялись, а файлы Diffusers были объединены и переименованы для размещения в папках ComfyUI. В состав входят диффузионная модель DiT на 1,3 млрд параметров в bf16, текстовый энкодер Qwen3-VL и VAE. Метаданные указывают библиотеку Diffusers и формат safetensors. Модель рассчитана на генерацию коротких видеоклипов по текстовому запросу и изображению-условию, в том числе на видеокарте RTX 3070 с 8 ГБ памяти при загрузке текстового энкодера на CPU. Рекомендованы разрешение 832×480 и длительность до 81 кадра; изображения требуются одновременно для визуального кодирования и задания первого кадра в workflow узлов. Лицензия указана как other, конкретные условия в карточке не приведены.

LongCat-Image-GGUF — квантованная версия LongCat-Image в формате GGUF, разработанного командой Meituan LongCat. Это двуязычная китайско-английская foundation-модель для генерации изображений по текстовому описанию. Вариант предназначен для локального и более доступного по ресурсам развертывания, в том числе в ComfyUI; файлы для ComfyUI находятся в папке comfy. Модель содержит около 6 миллиардов параметров и ориентирована на эффективное сочетание качества и размера. Ключевые заявленные преимущества — фотореалистичная генерация, высокая точность и стабильность отображения китайских иероглифов, а также широкое покрытие китайского словаря. Поддерживаемые языки — китайский и английский; задача относится к text-to-image. Сведения об архитектуре, размере контекста, конкретных вариантах квантования и поддержке других модальностей в README не указаны. Модель подходит для создания изображений по текстовым промптам, особенно когда важны китайские надписи, двуязычная работа и фотореалистичный результат. Ограничения и результаты независимых оценок подробно не приведены, поэтому требования к оборудованию, скорость работы и качество в конкретных сценариях следует проверять отдельно. Указана лицензия Apache 2.0.

fairy322/LTX-2.3-Sulphur2-Distilled-Diffusers — это версия Sulphur 2 в формате Diffusers на основе LTX 2.3. Автор README указывает поддержку генерации видео по тексту и по изображению; в метаданных основной задачей обозначена генерация видео по тексту. В репозитории используются Diffusers и safetensors. Модель предназначена для создания видео по текстовым запросам и исходным изображениям. README сообщает, что модель не ограничивает содержание генерируемого видео. Она получена слиянием SulphurAI/Sulphur-2-base и OzzyGT/LTX-2.3-Distilled-1.1; карточка называет её дистиллированной. В README также упомянут отдельный prompt enhancer, но его формат и назначение не меняют основную задачу этого репозитория. Используйте модель с библиотекой Diffusers. Размер, длина контекста и лицензия в предоставленных источниках не указаны.

MiniMax-H3 Turbo LoRAs for ComfyUI — это набор адаптеров LoRA для базовой модели Comfy-Org/MiniMax-H3, опубликованный пользователем drbaph и преобразованный для работы в ComfyUI. Набор предназначен для ускоренной генерации видео и синхронизированного аудио, включая сценарии text-to-video, reference-to-video, T2VA, FL2VA и Ref2VA. Адаптеры сокращают необходимое число шагов сэмплирования и ориентированы на few-step и turbo-инференс. В состав входят варианты HyperFlow на 8 шагов, экспериментальные TaoMate на 3 шага и VDN-H3 на 8 шагов, а также LightX2V-адаптеры на 4 или 8 шагов для FL2V и Ref2V. Доступны полные и pruned/curve-form версии, BF16-файлы и компактные варианты с уменьшенным динамическим рангом; отдельные варианты рассчитаны на генерацию в разрешении 768p. Для разных адаптеров требуются совместимые полные или pruned-версии базовой MiniMax-H3, а некоторые используют специальные расписания sigma. Набор рассчитан на ускорение инференса, однако выбор неправильной версии базы или расписания может привести к некорректной работе. Лицензия Apache-2.0.

lambda/miniSD-diffusers — модель генерации изображений по текстовому описанию в формате Diffusers, использующая StableDiffusionPipeline. Карточка приводит пример загрузки через библиотеку Diffusers и запуска на CUDA. Репозиторий создан 24 ноября 2022 года; модель распространяется по лицензии CreativeML OpenRAIL-M. Модель предназначена для создания изображений по текстовым запросам. README не сообщает размер модели, длину контекста, поддерживаемые языки или особенности качества, поэтому эти характеристики здесь не уточняются.

Open Diffusion V2 (OD-v2) — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Она предназначена для создания изображений по запросу пользователя. Модель опубликована в форматах Diffusers и PyTorch с весами Safetensors; метаданные также отмечают поддержку ONNX. В карточке указаны английский, французский и русский языки. Используется лицензия CreativeML-OpenRAIL-M.

ridcl/paperwerk-vqa — дообученная мультимодальная модель для визуальных вопросов и ответов (VQA), основанная на Qwen3-VL-4B-Instruct. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; также поддерживает выдачу ограничивающих рамок объектов в формате [xmin, ymin, xmax, ymax] с координатами в диапазоне 0–1000. Модель предназначена для диалога по изображениям и сценариев, где требуется указать расположение объектов. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и распространяется в формате safetensors для Transformers. В README приведён запуск через vLLM с максимальной длиной последовательности 32768 токенов. Лицензия и целевые языки в предоставленных данных не указаны, поэтому условия использования по ним определить нельзя.

ProteusV0.3-Lightning — модель генерации изображений по текстовому описанию от dataautogpt3. Она основана на Proteus, дообученной версии OpenDalleV1.1, и использует метод Lightning от ByteDance для ускоренной генерации с небольшим снижением качества и понимания запросов. Модель работает с StableDiffusionXLPipeline и распространяется в форматах Diffusers, PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым запросам, включая реалистичные портреты с детализированными чертами лица и текстурой кожи, а также сюрреалистические, аниме- и мультяшные изображения. В README рекомендуются CFG 1–2, 4–10 шагов генерации и разрешение 1024×1024 или 1280×1280. Proteus была дообучена примерно на 220 тысячах изображений с подписями GPTV, а также оптимизирована с помощью DPO на 10 тысячах пар изображений. Для версии Lightning указано ускорение вывода с минимальной потерей качества и понимания запросов. Модель распространяется по лицензии GPL-3.0. Количественные оценки качества и дополнительные ограничения в карточке не приведены.

Qwen2.5-VL-Abliterated-Caption-GGUF — набор GGUF-квантований мультимодальной модели, разработанный prithivMLmods на основе Qwen2.5-VL-Instruct и базовой модели Qwen2.5-VL-7B-Abliterated-Caption-it. В репозитории представлены варианты на 3B и 7B параметров, предназначенные прежде всего для генерации подробных описаний изображений. Модель принимает визуальные данные и текстовые инструкции, поддерживает английский и китайский языки, а выбор языка вывода может управляться промптом. Модель ориентирована на высокодетальное описание разнообразных изображений, включая художественные и технические сцены, изображения с нестандартными соотношениями сторон, стилизованные или содержащие мало контекста визуальные материалы. Возможные сценарии включают творческое повествование, обогащение датасетов, исследование модерации контента и оценку безопасности генеративных систем. Версия 3B рассчитана на более быстрый и экономичный инференс, тогда как 7B должна обеспечивать большую детализацию, согласованность и способность к рассуждению. Доступны квантования от Q2_K до Q8_0, IQ4_XS и F16, а также отдельные MMProj-файлы. Ключевое ограничение — модель является abliterated и может генерировать явные или чувствительные описания, поэтому не рекомендуется для производственных систем со строгими требованиями к модерации. README не указывает размер контекста и конкретные аппаратные требования. Лицензия — Apache-2.0.

Qwen3-VisionCaption-2B — мультимодальная модель PrithivMLmods для создания подробных подписей к изображениям и анализа их содержимого. Это дообученная версия prithivMLmods/Qwen3-VL-2B-Instruct-abliterated-v1 на архитектуре Qwen3-VL с плотной моделью и форматом весов safetensors. Модель принимает изображения и текстовые инструкции, выдаёт текстовые описания и рассуждения; заявлена поддержка английского и китайского языков, а также возможность многоязычного вывода при подходящих инструкциях. Модель предназначена для описания обычных, художественных, технических, синтетических и абстрактных изображений, включая изображения с нестандартным соотношением сторон. Можно задавать краткий или более детальный стиль ответа. Разработчик также указывает сценарии творческого описания, визуального анализа и оценки модерации. Лицензия — Apache-2.0. Модель может формировать откровенные, чувствительные или оскорбительные описания в зависимости от изображения; разработчик не рекомендует её для производственных сценариев со строгими требованиями безопасности. Качество может снижаться на сильно абстрактных или синтетических изображениях, а тон и детализация зависят от формулировки запроса.

Rin247/Qwen-Image-2.1-FP4 — пакет модели генерации изображений из текста на основе Qwen-Image-2.1. Автор репозитория подготовил его в формате safetensors для библиотеки diffusers; пакет включает денойзер, текстовый энкодер и VAE. Модель предназначена для создания изображений по текстовым запросам. Веса денойзера и текстового энкодера представлены в FP4; VAE использует FP8, а не 4-битное представление. Карточка называет пакет экспериментальным. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

SirSahOl/Qwen-Image-mlx-16bit — преобразованный набор 16-битных весов диффузионной модели Qwen-Image для запуска через mflux на устройствах Apple Silicon. В основе — 60-блочная архитектура Diffusion Transformer Qwen/Qwen-Image-2512; общий размер конвейера с текстовым энкодером и VAE составляет около 8,2 млрд параметров. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации изображений по текстовым описаниям. 16-битная версия служит вариантом с полной точностью весов; для неё заявлено потребление около 72,6 ГБ памяти. Для использования требуется совместимая среда Apple Silicon и библиотека mflux. Лицензия — Tongyi Qianwen License.