I.8Изображения и компьютерное зрение

AE-SDXL-v1 — модель Stable Diffusion XL для генерации изображений по текстовому запросу, представленная через ModelsLab и опубликованная в репозитории stablediffusionapi. README показывает вызов модели через API ModelsLab: можно задавать основной и отрицательный запросы, размер изображения, число шагов и другие параметры генерации. Метаданные указывают на использование Diffusers, PyTorch и формата safetensors; заявленная лицензия — CreativeML OpenRAIL-M. Модель предназначена для создания изображений, в том числе фотореалистичных портретов и сцен: пример в карточке ориентирован на детализированный киберпанк-портрет с кинематографическим освещением. Указанные параметры API включают размер 512 × 512 и 30 шагов генерации. Карточка не сообщает размер весов, длину контекста или языки, поэтому их нельзя уточнить. Пример API позволяет отключить safety checker; это настройка сервиса, а не подтверждение встроенных ограничений самой модели.

Minachist разработала бинарный классификатор иллюстраций, определяющий, создано ли изображение ИИ или человеком. Модель дообучена на визуальном энкодере SigLIP2 so400m NaFlex от Google с линейной классификационной головой; текстовая часть исходной модели удалена. Она принимает изображения и выдаёт оценки для классов «ai» и «human». Вариант NaFlex сохраняет пропорции изображения и обрабатывает до 1024 патчей, что помогает избежать искажений при приведении к квадратному размеру. Модель предназначена для проверки происхождения иллюстраций и сортировки коллекций по признаку генерации ИИ. В README приведены высокие результаты на отложенной выборке, однако порог для решения «ai» настроен на 0,9151; стандартный argmax в Transformers использует границу 0,5 и может давать иное соотношение точности и полноты. Вероятности не откалиброваны относительно порога 0,5. Это исследовательский артефакт с лицензией Apache-2.0. Качество на изображениях из других предметных областей и от новых генераторов не гарантируется; постобработка и сильное сжатие могут ухудшать точность. Результаты проверки на одной выборке могут быть оптимистичны для изображений из реального мира, поэтому модель не следует использовать как единственное основание для важных или карательных решений.

digiplay/AniDosMix_VAE — репозиторий модели генерации изображений по текстовому описанию в формате Stable Diffusion. В README указан файл anidosmix_2G-VAE.safetensors и сообщается, что в него встроен VAE 84000VAE. Модель предназначена для создания изображений по текстовым запросам. Данных о разработчике, архитектуре, размере и поддерживаемых языках в карточке нет. Репозиторий использует форматы Diffusers и safetensors. Лицензия обозначена как other; конкретные условия использования по имеющимся сведениям определить нельзя.

CetusMix — модель генерации изображений по текстовому описанию, опубликованная StableDiffusionAPI. Карточка показывает использование через API ModelsLab: запрос может содержать prompt и negative prompt, а также параметры размера изображения, числа шагов генерации и guidance scale. Пример в README использует разрешение 512×512 и 30 шагов; это пример настройки, а не гарантированное ограничение модели. Модель предназначена для создания изображений по текстовым запросам, в том числе портретов и цифровых иллюстраций. В примере API также доступны параметры подключения LoRA и эмбеддингов. Метаданные указывают форматы Diffusers и PyTorch и лицензию CreativeML OpenRAIL-M. README не раскрывает архитектурный размер модели и языковой охват; пример промпта англоязычный.

Chipoint v2 — модель геолокации изображений с открытыми весами, разработанная chiikabu-labs. Она извлекает признаки изображения для поиска похожих фотографий в галерее и предсказания места съёмки. Репозиторий содержит отдельные ветви для уличных панорам и обычных фотографий, а маршрутизатор выбирает ветвь для входного изображения. Модель включает индекс из 4,89 млн кадров OSV-5M для уличной ветви, галерею из 14,5 млн фотографий для общей ветви, проекционные головы и конвейер переоценки кандидатов с 23 признаками. В README заявлены медианная ошибка 32 км на тестовом наборе OSV-5M и превосходство над перечисленными моделями сравнения. Веса опубликованы в формате PyTorch; лицензия — MIT. Для использования нужны изображение и совместимые веса с соответствующей галереей. Результаты и заявленные показатели относятся к описанным наборам данных и конвейеру; точность для произвольных изображений и регионов в карточке не характеризуется.

Counterfeit-v3-0 — неофициальная версия весов в формате Diffusers на основе Stable Diffusion v1.5. Модель предназначена для генерации изображений по текстовым описаниям и запускается как StableDiffusionPipeline. Модель принимает текстовые запросы и создаёт изображения. Карточка не приводит специализированные сценарии, поддерживаемые языки или сведения о контексте. Условия лицензии в доступных данных не указаны.

CyberRealistic v3.2 — модель генерации изображений по текстовому описанию, опубликованная под именем stablediffusionapi и предназначенная для использования через API ModelsLab. В карточке приведён пример запроса с положительным и отрицательным промптами; модель ориентирована на фотореалистичные портреты и киберпанк-сцены. Пример показывает настройку размера изображения, числа шагов генерации, guidance scale, seed и дополнительных параметров, включая подключение LoRA и эмбеддингов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Указанная лицензия — CreativeML OpenRAIL-M.

DeciDiffusion 1.0 — модель генерации изображений по текстовому описанию, разработанная Deci. Модель диффузионная, содержит 820 млн параметров и обучена на LAION-v2 с дополнительной настройкой на LAION-ART. В архитектуре используются VAE и текстовый энкодер CLIP на основе Stable Diffusion, а стандартный U-Net заменён на более эффективный U-Net-NAS. Модель рассчитана на английские запросы и генерацию изображений с разрешением 512×512. Модель предназначена для создания иллюстраций и визуальных концепций по текстовым запросам. По оценке авторов, 30 шагов генерации дают качество, сопоставимое со Stable Diffusion 1.5 при 50 шагах, хотя точность следования запросу зависит от содержания и остаётся ограниченной для сложных композиций. Модель плохо справляется с разборчивым текстом, фотореалистичными изображениями, лицами и фигурами людей; англоязычные запросы работают лучше других. Веса распространяются по лицензии CreativeML Open RAIL++-M, код репозитория — по Apache 2.0.

DeCorruptor-DPM — модель генерации изображений по текстовому описанию, опубликованная под именем Anonymous-12. Карточка связывает её с работой Efficient Diffusion-Driven Corruption Editor for Test-Time Adaptation, но подробности реализации и документация вынесены на GitHub. По метаданным модель использует StableDiffusionPipeline и доступна в форматах Diffusers и Safetensors. Её основная задача — создание изображений по текстовым запросам; дополнительные сценарии применения и поддерживаемые языки в доступных материалах не описаны. Условия лицензии в метаданных и README не приведены.

Dreamshaper 8 — модель генерации изображений по текстовому описанию, опубликованная Yntec и связанная с Lykon. Карточка содержит примеры промптов с персонажами и художественными сценами; метаданные указывают на применение для общего, аниме- и фотореалистичного изображения, а также пейзажей и иллюстраций. Модель распространяется в форматах Diffusers, PyTorch и safetensors и использует библиотеку Diffusers. Лицензия — CreativeML Open RAIL-M. Подробности об архитектуре, размере и контексте в предоставленных данных отсутствуют.

Dreamsphere — модель генерации изображений по текстовому описанию, опубликованная Yntec. Автор указывает, что это смесь Noosphere v3 от skumerz и других выбранных им моделей; в неё встроен VAE Color 101. Модель распространяется в форматах Diffusers, PyTorch и SafeTensors и использует библиотеку Diffusers. Она предназначена для создания изображений по текстовым запросам. В метаданных указан pipeline text-to-image. Модель основана на Stable Diffusion; карточка не сообщает её размер, длину контекста или поддерживаемые языки. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении.

jboone100 подготовил вариант FastWan2.2-TI2V-5B для MLX, предназначенный для локальной генерации видео на компьютерах Apple Silicon. В репозитории 8-битно квантован текстовый энкодер umT5-XXL с размером группы 64; трансформер и VAE сохранены без изменений относительно конверсии lBroth/FastWan2.2-TI2V-5B-MLX. Модель генерирует видео по текстовому описанию, используя архитектуру TI2V семейства Wan 2.2 и библиотеку MLX. Квантованный энкодер занимает 6,0 ГБ вместо 11,4 ГБ, а весь репозиторий — около 18,8 ГБ. По замерам автора на Apple M2 Max кодирование одного промпта занимает 1,1 секунды; сходство эмбеддинга с версией float32 составляет 0,995 по косинусной мере. Указана лицензия Apache-2.0. Для загрузки нужна поддержка квантованных весов энкодера; README предупреждает, что mlx-video напрямую ожидает bfloat16-энкодер и для него следует использовать исходный репозиторий.

Карточка модели BestModelsv2/FLUX на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-dev, поэтому описание составлено по ней. FLUX.1 [dev] — модель генерации изображений по тексту от Black Forest Labs. Это 12-миллиардный rectified flow transformer, обученный с помощью дистилляции guidance; веса доступны в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым описаниям и локального использования в творческих и исследовательских рабочих процессах. Модель обеспечивает высокое качество изображений и хорошо следует запросам, хотя результат зависит от формулировки промпта и может ему не соответствовать. Она не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется условиями лицензии.

Clybius/FLUX.1-Krea-dev-scaled-fp8 — вариант FLUX.1 Krea [dev], опубликованный Clybius. Это модель генерации изображений по текстовым описаниям на архитектуре rectified flow transformer с 12 млрд параметров, основанная на FLUX.1 [dev] от Black Forest Labs. Веса представлены в формате safetensors и масштабированы до FP8 методом, основанным на AdaRound и включающим коррекцию смещения. Модель подходит для создания изображений по промптам и может использоваться как замена FLUX.1 [dev] в совместимых системах, в том числе ComfyUI. Точность следования промпту зависит от стиля формулировки; модель может не передать запрос точно и не предназначена для предоставления фактической информации. Лицензия указана как other; README ссылается на FLUX.1 [dev] Non-Commercial License. Она разрешает использование результатов в личных, научных и коммерческих целях при соблюдении условий лицензии, включая ограничения на незаконное и вредоносное применение. Автор предупреждает о возможном усилении общественных предубеждений и рекомендует применять фильтры или ручную проверку.

FLUX.2-klein-9B-GGUF — это квантизированные файлы модели FLUX.2-klein-9B, разработанной Black Forest Labs и преобразованные leejet с использованием проекта stable-diffusion.cpp. Модель предназначена для генерации изображений по текстовому описанию и может использоваться через stable-diffusion.cpp. Модель имеет размер 9 млрд параметров и распространяется в формате GGUF. В карточке указана поддержка английского и китайского языков. Архитектура, доступные варианты квантования, размер контекста и дополнительные модальности не описаны. К преимуществам относятся возможность локального запуска и интеграция с stable-diffusion.cpp, однако качество и требования к ресурсам могут зависеть от выбранного уровня квантования и аппаратной конфигурации. Лицензия квантизированных файлов соответствует лицензии оригинальной модели FLUX.2-klein-9B; точные условия необходимо уточнять в LICENSE.md оригинальной модели на Hugging Face.

GAR-1B — мультимодальная модель на архитектуре GAR, разработанная авторами работы «Grasp Any Region: Towards Precise, Contextual Pixel Understanding for Multimodal LLMs». Она дообучена на базе facebook/Perception-LM-1B и предназначена для детального понимания выделенных областей изображения и видео. Модель описывает заданную область, обозначенную точками, рамками, штрихами или масками, а также анализирует несколько областей одновременно, моделирует взаимодействия между ними и выполняет сложные рассуждения. Это подходит для вопросов о частях сцены и связях между объектами. Карточка указывает английский язык; модель принимает изображения или видео с текстовыми инструкциями и выдаёт текстовые описания и ответы. Модель распространяется по лицензии fair-noncommercial-research-license, ограничивающей коммерческое использование.

Hassaku v13 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi и доступная через API ModelsLab. В карточке показан пример генерации реалистичного портрета с настройками ширины и высоты, числа шагов, guidance scale, seed и negative prompt; также упомянута возможность подключать embeddings и LoRA. Модель предназначена для создания изображений по промптам, включая портреты с детализированным стилем и кинематографическим освещением. Метаданные указывают формат Diffusers и использование PyTorch. Лицензия — CreativeML OpenRAIL-M; карточка не раскрывает архитектуру, число параметров, длину контекста или перечень поддерживаемых языков.

HiDream-I1-Dev-gguf — это прямое преобразование модели HiDream-I1-Dev в формат GGUF, выполненное пользователем city96. Базовая модель разработана HiDream.ai и предназначена для генерации изображений по текстовому описанию; в карточке указана модальность text-to-image и английский язык. Размер, архитектура, максимальная длина контекста и другие внутренние характеристики в README не указаны. Модель рассчитана на использование в ComfyUI через пользовательский узел ComfyUI-GGUF. Для работы могут потребоваться VAE и дополнительные файлы из отдельного репозитория Comfy-Org/HiDream-I1_ComfyUI, поэтому конфигурация требует совместимой среды и корректно установленных компонентов. Формат GGUF предоставляет варианты квантования, однако конкретный тип квантования для данного набора файлов не указан, как не приведены и результаты тестов качества или производительности. Лицензия модели — MIT.

VK246/IC_ver6F_coco_swin_gpt2_50B_1e — модель генерации текстового описания изображения, разработанная как дообученная версия VK246/IC_ver6e_coco_swin_gpt2_50Apc_1e. Она использует архитектуру vision-encoder-decoder: визуальный Swin-энкодер связан с GPT-2-декодером, а задача модели — преобразовывать изображение в текстовое описание. Модель дообучена на датасете COCO и предназначена для автоматического создания подписей к изображениям. В README приведены метрики оценки: CIDEr 5.8986, ROUGE-1 42.1787 и BLEU-4 10.5042. Эти результаты относятся к указанному набору оценки и сами по себе не гарантируют качество на других типах изображений. В репозитории указаны веса PyTorch. Условия лицензии в предоставленных данных отсутствуют.

Juggernaut XL v7 — дообученная на базе Stable Diffusion XL Base 1.0 модель генерации изображений по текстовому описанию, созданная KandooAI совместно с RunDiffusion. Она относится к поколению RunDiffusion Photo v1 и рассчитана на создание фотореалистичных изображений; в карточке рекомендованы портретное разрешение 832 × 1216 или альбомное 1216 × 832, sampler DPM++ 2M Karras и 30–40 шагов. Версия v7 занимает промежуточное место между v6 и v8. Её имеет смысл использовать с LoRA и пайплайнами, проверенными именно на v7, а также при изучении линейки релизов Juggernaut; для новых проектов автор рекомендует более поздние модели. Модель принимает текст и выдаёт изображения. Вариант FP16 может давать чёрные изображения или ошибки NaN; для него автор рекомендует отдельный вариант v7-fp16-vae-fix. Лицензия CreativeML Open RAIL-M разрешает личное и творческое использование. Развёртывание за платными API требует отдельного разрешения RunDiffusion.

Juggernaut X v10 — модель генерации изображений по текстовым запросам, созданная KandooAI совместно с RunDiffusion на базе Stable Diffusion XL. Это заново обученная версия линейки Juggernaut SDXL: набор изображений расширили, а подписи к нему переработали с помощью GPT-4 Vision. Модель работает через Diffusers и поддерживает запросы как на естественном языке, так и в виде тегов. Модель предназначена прежде всего для фотореалистичных и кинематографичных изображений, портретов и сцен с управлением типом кадра. Среди заявленных улучшений — точнее следование запросу и генерация коротких читаемых надписей, например вывесок и меток. В README рекомендованы разрешения 832 × 1216 и 1216 × 832, 30–40 шагов и семплер DPM++ 2M Karras. Для личного и творческого использования модель доступна по лицензии CreativeML Open RAIL-M. Размещение за платными API без отдельного разрешения запрещено; для коммерческого лицензирования нужно обратиться к разработчикам. Модель ориентирована на генерацию изображений и не является вариантом SAFE, который предлагается отдельно.

ChrisColeTech/krea2-turbo-uncensored-v1.1-FP8 — это модифицированная и предварительно объединённая версия Krea 2 Turbo, разработанная ChrisColeTech на основе Krea-2-Turbo и conradlocke/krea2-identity-edit. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображений и сохранения идентичности персонажей. Веса включают пять объединённых адаптеров LoRA: для детализации лица и чувствительных областей, усиленного редактирования и сохранения идентичности, ускорения генерации в четыре шага, детализации кожи и снижения ограничений на NSFW-контент. При этом заявлены ограничения для незаконного контента, а сама модель ориентирована преимущественно на взрослые сценарии. Модель использует новую Transformer-архитектуру и рассчитана на работу в ComfyUI через папку diffusion_models. В составе указаны Transformer в формате GGUF размером около 7,22 ГБ, текстовый энкодер Qwen3-VL 4B в FP8 размером около 5,24 ГБ и VAE Qwen Image размером около 254 МБ. Рекомендуемое разрешение — 1024×1024, минимальное — 512×512; обычно используется CFG 1.0 и 8 шагов, при этом поддерживаются режимы от 4 до 16 шагов. FP8 позиционируется как быстрый вариант, включая работу на видеокартах с небольшим объёмом памяти. Сильными сторонами являются высокая скорость, поддержка текстовой генерации и image-to-image, детализированная кожа, усиленное редактирование и сохранение идентичности. Ограничения включают возможные изменения лиц между генерациями и несовершенство редактирования; для стабильности требуются подробные и прямые промпты. Лицензия в карточке указана как unknown, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

Lumina GGUF — это квантизированная в формате GGUF версия модели Lumina-Image-2.0, опубликованная пользователем или организацией calcuis/lumina-gguf. Модель предназначена для генерации изображений по текстовым описаниям и может использоваться как самостоятельно через gguf-connector, так и в ComfyUI с узлами gguf-node. В репозитории доступны варианты квантования lumina2-q2_k.gguf, lumina2-q4_0.gguf и lumina2-q8_0.gguf. В качестве текстового энкодера используется Gemma 2 2B, а для декодирования изображений — VAE на основе FLUX.1-dev; также упоминается архитектура pig. README демонстрирует генерацию детализированных сцен и подчёркивает возможность запуска на видеокартах начального уровня, однако точные требования к памяти, разрешение, размер контекста, поддерживаемые языки и характеристики качества не указаны. Модель подходит для создания изображений по промптам в локальных приложениях и рабочих процессах ComfyUI. Выбор степени квантования позволяет балансировать между размером файлов, требованиями к ресурсам и, предположительно, качеством, но количественные различия не приведены. Ограничения включают отсутствие подробных технических характеристик и результатов оценки. Для модели указана лицензия Apache-2.0.

MaMMUT2 moderntext ViT-B/32 — исследовательский мультимодальный чекпойнт для сопоставления изображений и текста, обученный rwightman на CC12M. Задача модели — классификация изображений по текстовым описаниям без дообучения; её также можно применять для поиска изображений по тексту и текстов по изображению. Архитектура включает визуальную башню ViT-B/32 и современный текстовый декодер с RoPE, RMSNorm, SwiGLU, gated attention и qk-нормализацией. Текстовая часть использует токенизатор tiktoken r50k с контекстом 128 токенов. Модель обучалась 32 эпохи на pixparse/cc12m-wds с целью InfoNCE и дополнительным caption loss. В сравнении с другими вариантами MaMMUT2 этот запуск показал сильные результаты в zero-shot оценке и поиске изображений по тексту; автор отмечает, что результаты также зависят от размера батча, функции потерь и оптимизатора. Это исследовательский чекпойнт, не предназначенный автором для производственного использования. Распространяется по лицензии Apache-2.0.

mann-e/mann-e_flux — модель генерации изображений по текстовому описанию, опубликованная пользователем mann-e и предназначенная для запуска через Diffusers FluxPipeline. Карточка рекомендует для инференса guidance_scale от 3,5 до 5 и от 8 до 16 шагов; добавление строки «mj-v6.1-style» в запрос может улучшить кинематографические и фотореалистичные результаты. Модель принимает текстовые запросы и создаёт изображения. В карточке нет сведений о размере модели, длине контекста или поддерживаемых языках. Репозиторий содержит веса в формате safetensors для библиотеки Diffusers; лицензия в доступных данных не указана.

Sawfwair публикует самостоятельный пакет инференса MiniMax-H3 FastH3 VSA DataFree для Apple Silicon. Модель предназначена для генерации видео по текстовому описанию; README показывает пример создания короткого ролика с синхронизированными ветром и шумом прибоя. Пакет включает трансформер, текстовый энкодер, два VAE, токенизатор, VSA-компрессионные слои и таблицы AdaLN, поэтому для инференса не требуется загружать отдельную базовую модель, адаптер, энкодер или кэш. Это компактная производная модель MiniMax-H3: обновления FastH3 объединены со студенческой моделью BF16, а веса инференсного ядра и VSA-слои представлены в MLX affine Q8 с группами по 64. Запуск рассчитан на Apple Silicon через сборку mere.run с поддержкой FastH3 Q8. В README приведён пример генерации видео размером 512×320 и длительностью 22 кадра. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Motif-Video-2B GGUF — набор GGUF-квантизованных вариантов модели Motif-Video-2B, разработанной Motif-Technologies. Это диффузионный трансформер с 2 млрд параметров для генерации видео по текстовому описанию, интегрируемый с библиотекой diffusers. В карточке указано, что модель поддерживает английский язык и относится к pipeline text-to-video; другие языки и размер контекстного окна не заявлены. Доступны варианты квантизации от Q4_0 до Q8_0, а также BF16, с размером файлов примерно от 1,1 до 3,7 ГБ. Квантизация трансформера позволяет снизить требования к VRAM, сохраняя остальные компоненты исходного пайплайна в исходной точности. Q4_K_M ориентирован на минимальное потребление памяти, Q5_K_M и Q6_K рекомендуются как компромисс между качеством и размером, а Q8_0 наиболее близок к качеству BF16. По приведённому бенчмарку скорость вариантов на NVIDIA H200 почти одинакова, а экономия зарезервированной видеопамяти по сравнению с BF16 составляет примерно 1,8–2,8 ГБ. Модель предназначена для локальной генерации видеороликов из текстовых промптов, включая сцены с движением, освещением и кинематографическими эффектами. Ограничениями являются зависимость от CUDA-совместимого PyTorch и компонентов diffusers, необходимость использовать исходный пайплайн Motif-Video-2B, а также возможное снижение качества у более агрессивных вариантов квантизации. Модель распространяется по лицензии Apache-2.0.

Это профиль распространения видеомодели Wan2.2-TI2V-5B, опубликованной командой Wan Team. Репозиторий Optima-Tools содержит исходные файлы модели без изменения весов и предназначен для установки и использования компонента генерации видео в Optima-Tools. Модель преобразует текстовые запросы в видео. В метаданных указаны английский и французский языки. Файлы представлены в формате Safetensors, лицензия — Apache-2.0. Для локального запуска README указывает Windows x64, совместимый выделенный GPU с CUDA или ROCm, не менее 16 ГБ видеопамяти и 48 ГБ оперативной памяти; рекомендуется 24 ГБ видеопамяти.

Overall V1 — модель генерации изображений по текстовому описанию от OpenSkyML. Она дообучена методом DreamBooth на базе Stable Diffusion 1.5 и предназначена для создания изображений по текстовым запросам. Модель распространяется в форматах Diffusers, ONNX, PyTorch и Safetensors. В карточке указана Overall License; её условия следует проверить перед использованием.

pai-diffusion-artist-large-zh — китайская диффузионная модель компании Alibaba PAI для генерации художественных изображений по текстовым запросам на китайском языке. Она предназначена для создания иллюстраций по описанию сцены, объектов и стиля; в карточке приведены примеры с фэнтези-пейзажами, цветами, китайской архитектурой и живописью в китайском стиле. Модель работает через StableDiffusionPipeline в библиотеке diffusers и по умолчанию создаёт изображения размером 512 × 512 пикселей. Репозиторий содержит веса в форматах diffusers и PyTorch. Лицензия — Apache 2.0; README также требует соблюдать специальные условия распространения AIGC-моделей.