I.8Изображения и компьютерное зрение

Reka Edge — компактная мультимодальная модель на 7 млрд параметров от Reka AI для анализа изображений и видео с генерацией текстовых ответов. Она построена на плотной архитектуре Yasa2 и работает через Transformers; для загрузки требуется включить trust_remote_code из-за пользовательской реализации архитектуры. Модель предназначена для визуальных вопросов и ответов, анализа видео, обнаружения объектов по текстовому запросу и сценариев с использованием инструментов. Также поддерживает текстовые запросы без изображения. Разработчик заявляет о высокой скорости и экономном использовании токенов; в README приведены результаты бенчмарков по VQA, видеоанализу, обнаружению объектов и использованию инструментов. Модель не поддерживает reasoning. Для локального запуска указаны требования от 24 ГБ памяти, а квантование позволяет использовать её на устройствах с меньшими ресурсами. Весами можно пользоваться коммерчески при годовой выручке менее 1 млн долларов США; это ограничение лицензии следует учитывать при внедрении. Для macOS в README рекомендована версия Transformers 4.57.3: другие версии могут вызывать ошибки загрузки или некорректную работу.

Kernel/sd-nsfw — модель генерации изображений по тексту на основе Stable Diffusion v1.5, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; исходный чекпойнт Stable Diffusion v1.2 был дообучен на 595 тысячах шагов при разрешении 512×512 на наборе laion-aesthetics v2 5+. Модель принимает текстовые запросы на английском языке и создаёт изображения; репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для генерации фотореалистичных изображений и художественных материалов по описанию, а также для исследований генеративных моделей. Название и метка «not-for-all-audiences» указывают на ориентацию на NSFW-контент. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование. Модель не гарантирует фотореализм, плохо передаёт текст внутри изображений и сложные пространственные композиции, может ошибаться при генерации лиц и людей. Английские запросы работают лучше других языков; возможны смещения и запоминание изображений из обучающих данных. Для практического применения авторы рекомендуют использовать Safety Checker.

SDXSv3 — компактная модель генерации изображений по тексту, разработанная recoilme и опубликованная как дообученная версия FLUX.2-klein-4B. Это однотоковый диффузионный трансформер с зацикленным средним блоком: при 1,652 млрд уникальных параметров он выполняет 28 проходов, повторно используя часть весов. Для текстового условия объединяются состояния трёх слоёв текстового энкодера Qwen3.5-2B; модель обучалась дистилляцией от квантованного учителя FLUX.2-klein. Модель предназначена для генерации изображений по текстовым запросам. В README описаны веса в формате Diffusers и safetensors, сохранённые в bf16. Указанная лицензия — Apache-2.0. Карточка подробно описывает архитектуру и обучение, но не приводит оценок качества или ограничений по использованию; результатам следует уделить проверку в целевом сценарии.

segAll tamper localiser — модель для локализации подделок в документах, разработанная автором репозитория mymani. Она принимает изображение страницы документа и формирует карту логитов вероятности подделки для каждого пикселя, различая области с подделкой и чистые области. В основе лежит SegFormer-B2 с энкодером nvidia/mit-b2, дообученный для бинарной семантической сегментации и расширенный до шести входных каналов: RGB и три канала высокочастотных остаточных признаков SRM, вычисляемых из яркости. Модель предназначена для поиска изменённых участков на отрисованных страницах документов. Перед подачей нужно самостоятельно подготовить шестиканальное pixel_values с RGB и тремя SRM-каналами согласно препроцессингу из связанной обёртки; обычного трёхканального изображения недостаточно. Репозиторий содержит веса safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в карточке модели.

Stable Diffusion v1.5 — модель генерации изображений по тексту, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; версия 1.5 основана на весах Stable Diffusion v1.2 и дополнительно обучена на 595 тысячах шагов с разрешением 512×512 на данных LAION-Aesthetics v2 5+. Репозиторий содержит веса в формате Diffusers, PyTorch и Safetensors. Модель предназначена для создания и редактирования изображений по текстовым запросам, например для иллюстраций, дизайна и творческих инструментов. Лучше всего она работает с английскими подсказками. Лицензия CreativeML OpenRAIL-M задаёт ограничения на использование. Модель может ошибаться в деталях и фотореализме, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Результаты по неанглоязычным запросам слабее; обучающие данные содержат материалы для взрослых, а также возможна меморизация дублированных изображений. В карточке рекомендуется использовать Safety Checker из Diffusers и дополнительные меры безопасности для развёртывания.

Карточка модели glowforge-prod/stable-diffusion-2-1-custom на Hugging Face совпадает с карточкой glowforge-dev/stable-diffusion-2-1-base-custom, поэтому описание составлено по ней. Это пользовательская реализация базовой модели Stable Diffusion 2.1 для Glowforge, созданная на основе модели Stable Diffusion 2.1 Робина Ромбаха и Патрика Эссера. Модель принимает текстовые описания и генерирует изображения; в метаданных указана задача text-to-image и форматы Diffusers, PyTorch и safetensors. Карточка не сообщает о дополнительных настройках реализации, поддерживаемых языках, размере модели, длине контекста или лицензии, поэтому эти характеристики нельзя уточнить. Условия использования следует сверять с лицензией базовой модели и репозитория; конкретная лицензия в доступных данных не указана.

stable-diffusion-3.5-large-GGUF — квантизированная версия модели Stable Diffusion 3.5 Large, разработанной Stability AI и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена для генерации изображений по текстовому описанию и ориентирована на сценарии text-to-image. В README указана поддержка английского языка. Доступны варианты с разной точностью квантизации: Q4, Q5 и Q8 для основного файла модели, а также FP16-версии. Размер основного файла составляет от 5,11 ГБ для Q4_0 до 16,5 ГБ для FP16. В комплект также входят текстовые энкодеры CLIP и T5-XXL в форматах GGUF и safetensors. Точная архитектура, размер контекстного окна, производительность, требования к оборудованию и качество генерации в предоставленных данных не указаны. Ключевое преимущество модели — наличие нескольких вариантов квантизации, позволяющих выбирать между экономией памяти и сохранением качества. Ограничения включают отсутствие подробных сведений о поддерживаемых языках помимо английского, характеристиках генерации и готовности серверного запуска: для sd-api-server версия обозначена как находящаяся в разработке. Модель распространяется по лицензии Stability AI Community License; дополнительные условия следует уточнять в файле LICENSE.md.

lovis93/testllm — репозиторий с весами FLUX.1 [dev], модели Black Forest Labs для генерации изображений по текстовому описанию. Это трансформер rectified flow с 12 млрд параметров, распространяемый в форматах Diffusers и safetensors и запускаемый через FluxPipeline. Модель предназначена для создания изображений по промптам, в том числе в локальных творческих и экспериментальных рабочих процессах. В карточке заявлены высокое качество изображений, хорошее следование промптам и обучение с guidance distillation для повышения эффективности. Основной язык карточки — английский. Модель не предназначена для выдачи фактической информации; результат может не соответствовать промпту, а стиль промпта заметно влияет на генерацию. Возможна передача общественных предубеждений в результатах. Указана лицензия FLUX.1 [dev] Non-Commercial License; README также приводит ограничения на отдельные виды использования.

TurboWan2.2-I2V-A14B-Diffusers — модель генерации видео по изображению, представленная в формате Diffusers для запуска через SGLang. README описывает её как конверсию TurboWan2.2-I2V-A14B-720P; метаданные связывают репозиторий с дообучением TurboDiffusion/TurboWan2.1-T2V-14B-720P и указывают совместимость с WanImageToVideoDmdPipeline. Заявлены задачи генерации видео по изображению и по текстовому описанию. Модель распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. README содержит пример запуска на двух GPU, но не приводит сведения о качестве, поддерживаемых разрешениях или ограничениях применения. Метаданные указывают семейство Wan 2.1, тогда как название и README относят модель к Wan 2.2.

Это пакет моделей MiniMax H3, подготовленный T8star для запуска рабочих процессов OpenVDN в ComfyUI. В репозитории находятся INT8-варианты базовой модели, конфигурации DMD и Stage B, а также адаптеры, включая Turbo; базовая модель — MiniMaxAI/MiniMax-H3, пакет обозначен как её дообучение. Указанный формат весов — safetensors. Модель предназначена для генерации видео по текстовому запросу в рабочих процессах T2VA. Пользовательский узел T8star также поддерживает генерацию с первым, последним или обоими ключевыми кадрами, по одиночным и нескольким изображениям-референсам, референсному видео со звуком и аудиореференсу. Для DMD применяются 8 шагов Euler/native-flow; Stage B использует 50 шагов. Автор описывает проверки совместимости на RTX 4060 Ti с 16 ГБ VRAM, в том числе прогоны с уменьшенной INT8-базой, но отмечает, что тесты не гарантируют одинаковое качество или расход памяти на других запросах и конфигурациях. В проверенной матрице минимальный запас VRAM составил 290 МиБ, и только два режима уложились в заданный запас 512 МиБ. Лицензия указана как other, конкретные условия в карточке не раскрыты.

facebook/vjepa2-vitg-fpc64-384-ssv2 — модель классификации видео, разработанная FAIR подразделения Meta на основе V-JEPA 2. Это вариант ViT-g с разрешением 384 и классификационной головой, дообученный на наборе Something-Something-V2; число параметров составляет 1,3 млрд. Модель предназначена для присвоения видео меток классов и понимания действий и событий в видеороликах. Модель принимает видео и выдаёт классовые предсказания. Она использует архитектуру VJEPA2ForVideoClassification и доступна в формате safetensors для библиотеки Transformers. Лицензия — MIT. Карточка не приводит измерений качества или подробностей о поддерживаемых языках; применимость к другим наборам классов может требовать дополнительной настройки.

Wan2.1-Fun-V1.1-1.3B-InP — модель семейства Wan2.1-Fun, представленная в карточке Alibaba PAI и распространяемая по лицензии Apache 2.0. Это вариант для генерации видео по тексту и изображениям; в README он описан как модель с обучением на нескольких разрешениях и поддержкой задания начального и конечного кадров. В репозитории указаны веса в формате safetensors и библиотека videox_fun. Модель подходит для создания коротких видеосцен по текстовому описанию, а также анимации изображения с управлением начальным и конечным кадрами. README проекта также описывает сценарии image-to-video, однако конкретные возможности зависят от выбранной модели и файла запуска. Вариант 1,3B требует значительных вычислительных ресурсов: документация предлагает режимы переноса модели в CPU, а квантование float8 может снизить качество генерации.

X-CLIP base с размером патча 16 — модель для понимания видео и текста, основанная на подходе CLIP и разработанная авторами работы Expanding Language-Image Pretrained Models for General Video Recognition. Эта версия обучена в few-shot режиме с K=2 на наборе HMDB-51. Модель сопоставляет видео с текстом и предназначена для классификации видео в zero-shot, few-shot и supervised сценариях, а также для поиска видео по текстовому описанию и текста по видео. При обучении использовались 32 кадра на видео с разрешением 224×224; указана точность top-1 53,0%. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Оценка приведена для HMDB-51; модель обучена на небольшом числе примеров и может хуже работать на видео из других областей или при отличающейся предобработке.

Карточка модели kas1293/xclip-base-patch32 на Hugging Face совпадает с карточкой microsoft/xclip-base-patch32, поэтому описание составлено по ней. 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.

gimly13 публикует квантизированные в формате GGUF веса диффузионной модели CyberRealistic Catalyst для Z-Image Turbo. Модель предназначена для генерации фотореалистичных изображений по текстовым запросам и основана на архитектуре Lumina2. В репозитории есть варианты квантования от Q3_K до Q8_0; Q4_K занимает около 5,15 ГБ и рассчитан на запуск при ограниченной видеопамяти. В README приведён пример генерации изображений 1024×1024 на GTX 1070 с 8 ГБ VRAM. Репозиторий содержит только диффузионную часть составной модели: для генерации также нужны текстовый энкодер Qwen3-4B и VAE Z-Image. Для работы в ComfyUI автор проверил ComfyUI-ZImagePowerNodes; совместимость со стандартными GGUF-узлами зависит от их версии. Метаданные указывают лицензию CreativeML Open RAIL-M, тогда как README заявляет Apache 2.0 для компонентов; условия использования следует сверять с лицензией исходной модели CyberRealistic Catalyst.

Apply Texture LoRA — адаптер LoRA, разработанный автором tarn59 для базовой модели Qwen/Qwen-Image-Edit-2509. Модель предназначена для редактирования изображений и наложения описанных пользователем текстур на объекты, здания, растения и спрайты, в том числе на выбранную часть изображения. Она поддерживает рекурсивные сценарии, когда созданный объект или текстура также содержит повторяющийся объект с текстурой. Для активации рекомендуется использовать запрос в формате «Apply {описание текстуры} texture to {объект или уточнение области}», например для применения деревянной обшивки к стенам здания или текстуры лосося к листьям и стеблям. Ключевые характеристики включают архитектуру LoRA, работу в сценарии image-to-image и зависимость от Qwen-Image-Edit-2509; размер модели, окно контекста, поддерживаемые языки и точный набор модальностей в README не указаны. Сильная сторона модели — специализированное управление текстурированием конкретных объектов и областей. Ограничения связаны с необходимостью использовать базовую модель и рекомендуемый формат триггерной фразы, а также с отсутствием подробных данных о качестве, производительности и совместимости. Модель распространяется по лицензии Apache-2.0.

architecture-tuned-model — модель генерации изображений по текстовому описанию, доступная через сервис ModelsLab и API stablediffusionapi. Карточка демонстрирует запрос на создание реалистичного изображения с заданными параметрами и негативным промптом, а метаданные указывают на совместимость с StableDiffusionPipeline и форматами Diffusers, PyTorch и Safetensors. Модель предназначена для генерации архитектурных изображений по текстовым запросам. README также показывает пример портрета в киберпанк-стиле, поэтому её можно использовать для создания реалистичных иллюстраций и концептов. В примере заданы разрешение 512×512, 30 шагов инференса и guidance scale 7,5; это параметры запроса, а не подтверждённые ограничения модели. Лицензия — CreativeML OpenRAIL-M.

AsymFLUX.2-klein-9B — модель генерации изображений по тексту, разработанная LakonLab и дообученная на black-forest-labs/FLUX.2-klein-base-9B методом AsymFlow, предложенным в исследовательской работе Stanford University. Модель работает в пиксельном пространстве и предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Diffusers. README предлагает установить LakonLab версии 0.2. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

big-asp-v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем fancyfeast на Hugging Face. Репозиторий использует формат Diffusers и safetensors, а архитектура обозначена как StableDiffusionXLPipeline. Модель принимает текстовый запрос и генерирует изображение; карточка показывает пример запуска через Diffusers. Подтверждённых сведений о точном размере, обучающих данных, поддерживаемых языках, контекстном окне и лицензии в доступных источниках нет. Модель рассчитана на создание изображений по текстовым промптам; рекомендации по формулированию запросов и подробные ограничения в карточке не описаны.

Midu/chinese-style-stable-diffusion-2-v0.1 — модель генерации изображений в китайском стиле, созданная дообучением Stable Diffusion 2.1. По карточке, её автор обучил UNet на 5 млн отфильтрованных примеров с китайскими описаниями в течение 150 тыс. шагов, применяя EMA для сохранения части исходных возможностей Stable Diffusion. Замороженный текстовый энкодер основан на lyua1225/clip-huge-zh-75k-steps-bs4096; используется специализированный токенизатор. Модель предназначена для создания изображений по текстовым запросам, прежде всего на китайском языке, с сочетанием китайской стилистики и возможностей исходной модели. В обучающих данных использовались открытые наборы LAION-5B, Noah-Wukong и Zero, а также данные из интернета. Репозиторий содержит модель в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; условия её применения следует учитывать при использовании и распространении результатов.

Copax-TimeLessXL-SDXL1.0 — чекпойнт для генерации изображений по текстовому описанию, опубликованный на imagepipeline.io. В метаданных указан конвейер StableDiffusionXLPipeline; веса доступны в форматах Diffusers и safetensors. Карточка рекомендует 40–60 шагов генерации, CFG 7–10 и сэмплеры DPM++ SDE Karras или Euler a; для доработки изображений предлагаются Hires Fix и After Detailer. Модель ориентирована на создание ультрареалистичных изображений по текстовым промптам. В качестве негативного промпта приведены пожелания избегать низкого качества, иллюстративного и 2D/3D вида, а также некоторых особенностей лица. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или языки промптов.

CuriousMerge2.5D_v40E — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. В карточке модели нет сведений о разработчике, архитектуре, размере, поддерживаемых языках или контексте; метаданные подтверждают задачу text-to-image и формат safetensors. Модель предназначена для создания изображений по текстовым запросам. Лицензия указана как other, поэтому конкретные условия использования следует сверять с файлами репозитория. README не сообщает об ограничениях качества или целевых сценариях.

Карточка модели flax-community/dalle-mini на Hugging Face совпадает с карточкой apol/dalle-mini, поэтому описание составлено по ней. DALL·E mini — модель генерации изображений по текстовому описанию, созданная как упрощённая открытая попытка воспроизвести OpenAI DALL·E. Она объединяет энкодер на основе BART, преобразующий токены текста в последовательность кодов изображения, и декодер на основе VQGAN, который превращает эти коды в пиксели. Модель содержит 252,8 млн параметров, построена на Flax/JAX и распространяется в формате Flax; для работы декодера требуется отдельная модель flax-community/vqgan_f16_16384. Модель предназначена для создания изображений по текстовым запросам. По сравнению с OpenAI DALL·E качество результатов ниже, зато модель проще и может обучаться и запускаться на менее мощном оборудовании. В карточке описаны англоязычные запросы и контекст до 1024 токенов. Лицензия в предоставленных данных не указана.

Карточка модели Muapi/deliberate-v2 на Hugging Face совпадает с карточкой stablediffusionapi/deliberate-v2, поэтому описание составлено по ней. Deliberate v2 — модель генерации изображений по текстовому описанию, представленная через ModelsLab и опубликованная на Hugging Face аккаунтом stablediffusionapi. Пример API показывает передачу основного и отрицательного промптов, настройку размера изображения, числа шагов и guidance scale; модель позиционируется для создания фотореалистичных изображений и портретов. В сценарии использования пользователь описывает сцену и при необходимости задаёт отрицательный промпт, чтобы исключить нежелательные детали. README демонстрирует генерацию квадратного изображения 512×512 за 30 шагов, а также параметры улучшения промпта, апскейлинга, панорамы, LoRA и эмбеддингов. Модель работает через API ModelsLab; формат и архитектурный класс указаны в метаданных как Diffusers StableDiffusionPipeline с весами Safetensors. Лицензия — CreativeML OpenRAIL-M. В карточке не приведены точный размер модели, длина контекста и перечень поддерживаемых языков. Качество результата зависит от формулировки промпта; готовые веса и локальный способ запуска в README не описаны.

DocShield-7B — мультимодальная модель компьютерного зрения и языка от автора репозитория vankey, дообученная на базе Qwen2.5-VL-7B-Instruct для криминалистического анализа подделок документов и изображений. Она принимает изображение и формирует текстовый отчёт о признаках изменения: проверяет согласованность шрифтов, глифов, интервалов и базовых линий, ищет артефакты копирования и вставки, ореолы по краям, несоответствия сжатия и нарушения шумового рисунка. Также модель оценивает логическую согласованность содержимого, локализует подозрительные области рамками и выдаёт итоговую оценку вероятности подделки. Модель построена на архитектуре Qwen2_5_VLForConditionalGeneration, содержит 7,1 млрд параметров и использует контекст до 128 000 токенов. В README указано разрешение инференса 1344 × 896; веса представлены в bfloat16 и занимают около 16 ГБ, а для вычислений автор рекомендует загружать их с преобразованием в float32. Модель рассчитана на китайский и английский языки. Лицензия — Apache-2.0. Для загрузки требуется базовая модель Qwen2.5-VL-7B-Instruct, которая не включена в репозиторий.

fantasticmix — модель преобразования текста в изображение в формате Diffusers, опубликованная пользователем Hugging Face emilianJR. Это чекпойнт Stable Diffusion, который запускается через StableDiffusionPipeline из библиотеки diffusers: пользователь задаёт текстовый запрос, а модель генерирует изображение. Репозиторий содержит веса в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели или длине контекста.

city96/FastHunyuan-gguf — это прямое преобразование модели FastVideo/FastHunyuan в формат GGUF, выполненное пользователем city96. Модель предназначена для генерации видео по текстовому описанию и рассчитана на использование со встроенными нодами HunyuanVideo в ComfyUI, а также с пользовательской нодой ComfyUI-GGUF. Это квантизированная версия исходной модели, а не дообученная модификация, поэтому сохраняет ограничения и условия оригинальной модели. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках, длине контекста или конкретных типах квантизации. Для работы также требуется VAE HunyuanVideo, который необходимо загрузить отдельно. Лицензия обозначена как tencent-hunyuan-community; применяются исходные условия и ограничения этой лицензии. Модельные файлы предназначены для размещения в каталоге ComfyUI/models/unet.

digiplay/Fish_2343GBH — модель для генерации изображений по текстовому описанию, размещённая пользователем digiplay на Hugging Face. Метаданные указывают на использование Diffusers и StableDiffusionPipeline; карточка содержит пример промпта с фотореалистичным городским фоном и персонажем с крыльями на голове. Модель предназначена для создания изображений по промптам. В репозитории указаны файлы в формате safetensors и лицензия «other», поэтому условия использования следует уточнять по самой лицензии репозитория. Карточка не сообщает размер модели, базовую модель, поддерживаемые языки или ограничения качества.

FishMix_v1.1 — модель генерации изображений по текстовому описанию, опубликованная digiplay. В карточке показан пример сцены с девушкой и котятами; метаданные указывают на использование Stable Diffusion и Diffusers. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и правообладателем.

Eviation/Flex.2-preview — набор квантованных вариантов модели Flex.2-preview, разработанной на базе ostris/Flex.2-preview. Модель предназначена для генерации изображений по текстовому описанию и распространяется в форматах GGUF и Safetensors для использования с совместимыми инструментами инференса. Указана категория text-to-image. Доступны варианты Safetensors с 8-битными форматами F8_E4M3FN и F8_E5M2, а также версии GGUF от BF16 до низкоразрядных Q3_K_S. Pure GGUF использует архитектуру flex.2; веса в основном квантованы согласно типу файла, а смещения и нормализационные параметры сохранены в F32. Также представлены fluxified-варианты с архитектурой flux, рассчитанные на замену моделей FLUX. Их ограничение — потеря возможности выполнять inpainting и обрабатывать управляющее изображение из-за усечения тензора img_in.weight. Размер файлов зависит от варианта и составляет примерно от 3,52 до 16,3 ГБ. README не содержит сведений о числе параметров, поддерживаемых языках, размере контекста, качестве генерации или рекомендуемых аппаратных требованиях. Лицензия — Apache-2.0.