I.8Изображения и компьютерное зрение

CommonCanvas-XL-C — версия 0.1 семейства латентных диффузионных моделей CommonCanvas, разработанного для генерации изображений по текстовым запросам. Модель основана на архитектуре Stable Diffusion XL и использует конвейер StableDiffusionXLPipeline. Она обучена на подмножестве CommonCatalog — датасета изображений с лицензиями Creative Commons и синтетическими англоязычными подписями, созданными BLIP-2. Репозиторий предоставляет форматы Diffusers, Flax, ONNX, OpenVINO и safetensors. Модель подходит для создания иллюстраций и визуальных материалов для дизайна, творческих инструментов и исследований генеративных моделей. Она ориентирована прежде всего на английские запросы. По карточке модели используется лицензия CC-BY-SA-4.0. Модель уступает в генерации лиц, обычной фотографии и живописи, а также испытывает трудности со сложной композицией и читаемым текстом внутри изображений. Обучающие данные основаны на старых материалах Flickr и недостаточно представляют некоторые регионы; модель может хуже работать с современными понятиями, именами и конкретными людьми. Она также может генерировать нежелательный контент.

CoTyle — модель генерации изображений со стилем, разработанная командой Kolors компании Kuaishou совместно с исследователями университетов Бэйхан и Южно-Китайского педагогического университета. Она предназначена для создания изображений по текстовому запросу и числовому коду стиля: код управляет воспроизводимым визуальным стилем, а текст задаёт содержание сцены. Метод использует дискретный словарь стилевых кодов, диффузионную модель text-to-image и авторегрессионный трансформер для моделирования распределения кодов. Для инференса предусмотрен ускоренный режим piFlow на четыре шага, который может снизить качество изображений; ускоренный режим также используется в Gradio-приложениях. Модель работает через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Лицензия — Apache-2.0.

Dreamshaper 7 — модель Stable Diffusion для генерации изображений по текстовому описанию, разработанная Lykon и дообученная на runwayml/stable-diffusion-v1-5. Она предназначена для создания художественных изображений, в том числе в стилях аниме и реализма, а также поддерживает использование LoRA. Модель распространяется в форматах Diffusers и Safetensors и предназначена для работы через StableDiffusionPipeline. В версии 7 улучшена поддержка LoRA, генерация реалистичных изображений и NSFW-контента. Лицензия — CreativeML Open RAIL-M.

DreamShaper XL v2 Turbo — GGUF — это квантизированная версия модели DreamShaper XL v2 Turbo, первоначально созданной Lykon. Сборка подготовлена Off Grid AI для локальной генерации изображений на устройстве и предназначена для работы с stable-diffusion.cpp. Модель относится к семейству Stable Diffusion XL и работает в режиме text-to-image, преобразуя текстовые запросы в изображения. Доступны варианты Q8_0 с наилучшим качеством и Q4_K с меньшими требованиями к оперативной памяти, но потенциально более заметными потерями качества. В README приведён сценарий генерации изображений размером 1024×1024 с использованием 6 шагов, CFG scale 1.5 и сэмплера Euler. Модель ориентирована на полностью локальное и приватное выполнение без обязательной передачи данных во внешние сервисы. Поддерживаемые языки, точный размер модели, максимальный контекст и дополнительные модальности не указаны. Файлы корректно конвертированы в формат GGUF для загрузки через stable-diffusion.cpp; README отдельно отмечает совместимость с этим инструментом и проблемы у некоторых сторонних GGUF-конвертаций. Ограничения включают компромисс между качеством и потреблением памяти при выборе квантизации, зависимость от stable-diffusion.cpp и отсутствие сведений о качестве на конкретных типах запросов. Модель распространяется по лицензии openrail++, унаследованной от оригинальной модели; установленные ею ограничения использования применяются.

Это версия DreamShaper-XL-V2-Turbo, подготовленная HelloSun для запуска через OpenVINO на CPU. Она основана на Lykon/dreamshaper-xl-v2-turbo — модели Stable Diffusion XL, дистиллированной для быстрой генерации изображений примерно за 6 шагов. Модель принимает текстовые описания и создаёт изображения; в README показана генерация в разрешении до 1024×1024. Веса преобразованы в формат OpenVINO IR и подвергнуты весовой INT4-квантизации. Размер основных файлов весов составляет около 2,06 ГБ против примерно 6,5 ГБ у исходной FP16-версии. Репозиторий рассчитан на CPU и использует Diffusers с StableDiffusionXLPipeline; тесты автора проведены на сервере с 192 виртуальными CPU. Загрузка и компиляция при первом запуске занимают около 12 секунд. Модель подходит для создания художественных изображений, иллюстраций и визуальных концепций по текстовым запросам. README рекомендует 6 шагов и guidance_scale 2.0: увеличение числа шагов может ухудшить результат. INT4 может давать небольшие отличия от FP16, а скорость на обычном настольном CPU будет ниже опубликованных серверных результатов. Указанная лицензия — OpenRAIL++; следует соблюдать также условия лицензии и политики использования исходной модели.

fantasticmix_v30_test — модель генерации изображений по текстовым запросам, опубликованная пользователем digiplay. В карточке указана третья версия модели, а метаданные Hugging Face относят её к Stable Diffusion Pipeline и формату Diffusers с весами Safetensors. Модель предназначена для создания изображений по текстовым описаниям. README не содержит подробностей о настройке, рекомендуемых сценариях, поддерживаемых языках или характеристиках генерации. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

Fluently XL V3 Lightning — модель генерации изображений по текстовому описанию, представленная автором Fluently. По карточке это обученная версия SDXL-Lightning, рассчитанная на быструю генерацию; в метаданных указаны Diffusers и формат SafeTensors, а также базовая модель ByteDance/SDXL-Lightning. Автор рекомендует 4–6 шагов сэмплирования, DPM++ SDE и CFG 1,5–2 для Automatic1111 и ComfyUI. В карточке заявлены генерация реалистичных и художественных изображений, работа с контрастом, природой и лицами. Модель предназначена для создания изображений по текстовым запросам; язык запросов и максимальное разрешение для этой версии в доступных сведениях не определены. Лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице репозитория.

FLUX.1 [dev] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs и переизданная Unsloth как зеркало без ограничений доступа Hugging Face. Веса не изменялись. Это трансформер rectified flow с 12 млрд параметров, доступный в форматах Diffusers и Safetensors; для запуска поддерживается библиотека Diffusers и пайплайн FluxPipeline. Модель предназначена для создания изображений по запросам, творческих рабочих процессов и научных экспериментов. В карточке заявлены высокое качество генерации и хорошее следование запросам; результат зависит от формулировки промпта. Модель не предназначена для предоставления фактических сведений, может воспроизводить социальные предубеждения и иногда не соответствует запросу. Репозиторий указывает лицензию other и отсылает к условиям FLUX.1 [dev] Non-Commercial License; README при этом описывает разрешённое использование для личных, научных и коммерческих целей в рамках этой лицензии. Перед применением следует свериться с полным текстом лицензии и ограничениями на использование.

Карточка модели f5aiteam/Flux1Dev 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.

camenduru/FLUX.1-dev-diffusers — вариант модели FLUX.1 [dev] от Black Forest Labs, опубликованный в формате Diffusers. Это 12-миллиардная rectified flow transformer для генерации изображений по текстовым описаниям; репозиторий содержит веса BF16 и пример запуска через Diffusers. Модель предназначена для создания изображений по запросам, в том числе для творческих рабочих процессов и экспериментов. Разработчик FLUX.1 [dev] отмечает высокое качество изображений и следование промптам; результат зависит от формулировки запроса, а модель может не точно ему соответствовать. Она не предназначена для предоставления фактической информации и может воспроизводить общественные предубеждения. Условия распространения — некоммерческая лицензия FLUX.1 [dev].

Disty0/FLUX.1-dev-qint8 — версия модели генерации изображений black-forest-labs/FLUX.1-dev, квантованная до INT8 с помощью Optimum Quanto. Она принимает текстовые запросы и создаёт изображения; запуск предусмотрен через Diffusers и FluxPipeline. Модель предназначена для генерации изображений по описаниям на английском языке. Квантование снижает точность весов до 8 бит; README не сообщает о влиянии этого изменения на качество. Лицензия указана как other, поэтому условия использования следует сверить с лицензией исходной модели.

thedeoxen/FLUX.2-klein-9B-manga-colorization-by-reference-LORA — это LoRA-адаптер для Black Forest Labs FLUX.2 Klein Base 9B, предназначенный для раскрашивания манги и комиксов по цветовой референсной картинке. Он принимает первым изображением чёрно-белую или линейную страницу манги, а вторым — цветной референс с персонажами и их палитрами, после чего переносит цвета волос, глаз, кожи, одежды и аксессуаров на целевую сцену, стараясь сохранить структуру линейного рисунка и идентичность персонажей. Модель поддерживает несколько персонажей в одном референсе и относится к семейству RefControl для управляемого редактирования изображений по образцу. Адаптер рассчитан на сценарии колоризации новых глав, поддержания единообразной палитры в серии, работы с цветными обложками, разворотами и листами персонажей. Для активации требуется триггерное слово mngclranm; к запросу можно добавлять краткое текстовое описание освещения, атмосферы или оттенка фона. Рекомендуемый вес LoRA составляет 0,8–1,0. Для использования необходима базовая модель black-forest-labs/FLUX.2-klein-base-9B; README указывает для её недистиллированного варианта около 50 шагов генерации и guidance_scale около 4,0. Наилучшие результаты ожидаются, когда референс чётко показывает персонажей, присутствующих на целевой странице. При недостаточно информативном референсе, избыточной насыщенности цветов или сложных сценах может потребоваться настройка веса адаптера и параметров запроса. Архитектура самого LoRA-адаптера, точный размер его весов, поддерживаемые языки и контекст не указаны; модель предназначена для обработки изображений, а не для текстовой генерации. Распространяется по лицензии Apache-2.0.

HiDream-I1-Fast-gguf — это конвертированная в формат GGUF версия модели HiDream-ai/HiDream-I1-Fast. Конвертацию выполнил city96. Модель предназначена для генерации изображений по текстовому описанию и относится к pipeline text-to-image. В качестве основного сценария использования указана работа через ComfyUI с пользовательским узлом ComfyUI-GGUF. В README не указаны архитектура, количество параметров, размер контекста, поддерживаемые модальности и точный набор языков. В метаданных заявлен английский язык, однако это не является подробным описанием языковых возможностей модели. Формат GGUF и доступность различных вариантов квантования могут упростить запуск и снизить требования к ресурсам, но потенциально влияют на качество генерации в зависимости от выбранного варианта. Для работы требуются файлы модели, ComfyUI и соответствующий пользовательский узел; дополнительные компоненты, включая VAE, необходимо загрузить отдельно из репозитория Comfy-Org/HiDream-I1_ComfyUI. Модель распространяется по лицензии MIT. README не содержит подробных сведений о сильных сторонах, ограничениях качества и аппаратных требованиях.

jimmycarter/krea2-turbo-bbox — дообученная модель генерации изображений на основе Krea 2 Raw, созданная автором репозитория jimmycarter. Она предназначена для управления композицией по тексту: помогает размещать объекты и надписи в заданных областях, создавать многопанельные комиксы, сохранять узнаваемость персонажей между панелями и задавать расположение реплик внутри них. Модель использует диффузионный трансформер; в репозитории опубликован только трансформер, а остальные компоненты берутся из Krea 2 Raw. Большая часть обучения использовала текстовый DSL с координатными рамками объектов на сетке 0–1000, хотя поддерживаются и обычные текстовые запросы. Это дистиллированный вариант для генерации за 8 шагов без CFG. Обучающая выборка включала фотографии, комиксы и иллюстрации. Лицензия в предоставленных данных не указана.

Krea-2-Turbo MLX 4-bit — это квантизированная конверсия модели Krea-2-Turbo, разработанной Krea, для локальной генерации изображений по текстовому описанию. Конверсия подготовлена в формате MLX компанией или сообществом mflux и оптимизирована для работы на устройствах с Apple Silicon через Metal и MLX. Модель предназначена для text-to-image-сценариев, включая создание изображений по промптам и локальную генерацию с низким потреблением памяти. Это single-stream MMDiT-модель на стеке Qwen-Image: она использует Qwen-Image VAE и текстовый энкодер Qwen3-VL-4B, а Turbo-версия после дистилляции обычно генерирует изображения за 8 шагов. В составе — примерно 13 млрд плотных параметров, 28-слойный трансформер со скрытым размером 6144, GQA, SwiGLU, Flux-style RoPE и адаптером объединения текстовых признаков. Поддерживается текстовая модальность; сведения о языках и максимальной длине контекста в README не указаны. 4-битная квантизация уменьшает размер снимка примерно до 7 ГБ и снижает требования к памяти, но может немного ухудшать точность и визуальную детализацию по сравнению с 8-битной версией. Рекомендуемые настройки Turbo — 8 шагов, guidance 1.0 без CFG и sampler er_sde; доступен также Euler. Генерация с изображениями-условиями, редактирование и использование референсных изображений пока не реализованы. Конверсия наследует лицензию базовой модели Krea-2-Turbo; перед использованием необходимо ознакомиться и согласиться с исходными условиями Krea.

misri/leosamsHelloworldXL_helloworldXL60 — модель генерации изображений по текстовому описанию в формате Diffusers на архитектуре Stable Diffusion XL. Репозиторий содержит веса в формате safetensors и компоненты пайплайна SDXL. Поиск по названию связывает веса с HelloWorld XL 6.0 от LeoSam; автор карточки — misri. Модель предназначена для создания изображений по текстовым промптам. Карточка показывает пример генерации изображения через Diffusers. Данных о поддерживаемых языках промптов, размере параметров, контексте и подробных сильных сторонах нет. Лицензия в карточке указана как unknown, поэтому условия использования по доступным сведениям определить нельзя.

Rabinovich/LongLive-2.0-5B-Diffusers — перекладка модели LongLive-2.0-5B в структуру каталогов Diffusers для непосредственной загрузки в SGLang Diffusion. Весовые параметры генератора взяты из Efficient-Large-Model/LongLive-2.0-5B, а планировщик, текстовый энкодер, токенизатор и VAE — из Wan-AI/Wan2.2-TI2V-5B-Diffusers; архитектура использует LongLive2Pipeline. Модель предназначена для генерации видео по текстовому описанию. В качестве примера README показывает создание ролика по запросу о роботе в лаборатории с 61 кадром, разрешением 480×832 и четырьмя шагами инференса. Репозиторий распространяется по лицензии NVIDIA Open Model License. Метаданные указывают на объединение LongLive-2.0-5B и Wan2.2-TI2V-5B-Diffusers; формат файлов — Diffusers и safetensors.

Make-A-Video SD JAX — диффузионная модель для генерации видео по текстовому описанию, разработанная Lopho и Chavinlo. Она расширяет Stable Diffusion v1.5 Inpaint временными свёртками и временным self-attention, перенесёнными из Make-A-Video, и распространяется для работы с Diffusers, включая реализацию на JAX/Flax и PyTorch. Модель обучалась на подписях на английском языке: сначала на видео с танцами, затем с добавлением общих видеоданных. Модель предназначена для творческой генерации коротких видео и разработки образовательных или творческих приложений. Она также подходит для изучения ограничений генеративного видео. Контекстные лимиты в карточке не приводятся. Лицензия — GNU Affero General Public License 3.0 (AGPL-3.0).

MaMMUT2 moderntext ViT-B/32 — исследовательский чекпойнт модели для сопоставления изображений и текстов, обученный rwightman на pixparse/cc12m-wds. Модель сочетает визуальную архитектуру ViT-B/32 с современным текстовым декодером на RoPE, RMSNorm, SwiGLU и gated attention; текстовый модуль использует токенизатор r50k и контекст до 128 токенов. Обучение продолжалось 32 эпохи на задаче InfoNCE с дополнительной функцией потерь для генерации подписей. Модель предназначена для zero-shot классификации изображений по текстовым меткам, поиска изображений по текстовому запросу и поиска текстовых описаний по изображению. В README этот запуск назван самым слабым среди вариантов moderntext по всем метрикам и экспериментальной точкой для изучения чувствительности к learning rate: значение 3e-3 оказалось выше стабильного диапазона. Для практического применения автор рекомендует рассматривать более сильные варианты серии. Лицензия — Apache-2.0.

zeromodels/metaclip2_mt5_worldwide_s16_224 — конверсия MetaCLIP 2 от Meta в формате Keras 3, подготовленная проектом zeromodels. Это модель с архитектурой CLIP и двумя энкодерами, предназначенная для классификации изображений по текстовым описаниям без обучения на целевых метках: она сопоставляет изображение с предложенными пользователем классами и оценивает соответствие каждого описания. Вариант worldwide обучен на многоязычных данных; текстовый энкодер использует SentencePiece, а промпты можно задавать на разных языках без отдельного мультиязычного чекпойнта. Модель поддерживает zero-shot классификацию изображений. Реализация Keras 3 работает с бэкендами TensorFlow, PyTorch и JAX; в репозитории представлены веса TensorFlow. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях. Для работы нужно подавать изображение и текстовые описания классов; качество зависит от формулировок промптов и языка. README не приводит подробных результатов оценки или ограничений по размеру изображения.

MiniMax-H3 Combined — сборка модели MiniMaxAI/MiniMax-H3 от addlabsviral для генерации видео и синхронной звуковой дорожки за один проход денойзинга. Репозиторий использует модульную раскладку Diffusers: 50-блочный трансформер с объединёнными весами Turbo LoRA в формате bfloat16, текстовый кондиционер Qwen3-VL, квантованный до 8 бит через bitsandbytes LLM.int8, а также видео- и аудиодекодеры float32. Сборка рассчитана на четырёхшаговый инференс и развёртывание в Hugging Face ZeroGPU Spaces. В README приведён замер около 40 секунд на клип длительностью 5 секунд при разрешении 960×544 и 124 кадрах на RTX PRO 6000; кондиционирование занимает около 45 секунд. Указаны теги генерации видео по тексту, изображению и видео, а также синхронного аудио-видео, однако подтверждённая задача каталога и основной pipeline — image-text-to-video. Для ускорения на RTX PRO 6000 включён пакет AOT-Inductor, собранный для sm120 и torch 2.11; на других конфигурациях этот компонент может не применяться. Репозиторий занимает около 112 ГБ, а для загрузки квантованного кондиционера требуются bitsandbytes и transformers 5.8.0. Лицензия обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

MiniMax H3 OrbitQuant W4A4 — это конверсия MiniMaxAI/MiniMax-H3, подготовленная для запуска через OrbitQuant и ComfyUI. Модель предназначена для генерации коротких видео по текстовому описанию и, в режиме image-to-video, по изображению и тексту. В карточке показан также пример T2VA — генерации видео со стереозвуком. Линейные веса в transformer, transformer_ref и текстовом энкодере Qwen3-VL хранятся и исполняются в упакованном формате W4A4; некоторые граничные слои работают с BF16, а визуальный и аудио VAE оставлены в исходном FP32. README приводит результаты генерации 608×480 и 124 кадров на RTX 3090 с разными профилями использования памяти и скорости. Для работы предусмотрены готовый ComfyUI workflow и отдельный runner. Модель основана на MiniMaxAI/MiniMax-H3 и предназначена для runtime OrbitQuant; её веса не являются полностью четырёхбитными. Лицензия указана как other, поэтому условия использования следует сверять с лицензией и карточкой базовой модели. Результаты разных путей вычислений могут различаться даже при одинаковом seed.

misri/noobaiXLNAIXL_epsilonPred10Version — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face. Репозиторий совместим с StableDiffusionXLPipeline и Diffusers; карточка показывает размер 3 млрд параметров и формат Safetensors с тензорами F16. Для генерации подают текстовый запрос, на выходе получается изображение. Карточка не описывает специализированные сценарии, языки или дополнительные сильные стороны модели. Лицензия указана как unknown, поэтому условия использования по доступным данным определить нельзя.

ddalcu/Qwen-Image-2.1-MLX-Serve-8bit — 8-битная квантованная версия Qwen/Qwen-Image-2.1, подготовленная ddalcu для запуска через mlx-serve на компьютерах Mac с 32 ГБ памяти. Это модель преобразования текста в изображения; также поддерживается сценарий image-to-image с передачей исходного изображения и параметра strength. Текстовый энкодер и линейные слои DiT квантованы до 8 бит с группой 64, а VAE, embed_tokens, нормализации и некоторые небольшие или общие линейные слои сохранены в плотном виде. Зрительная башня Qwen3-VL и lm_head удалены, поскольку модель предназначена только для генерации изображений. Размер пакета составляет 17,6 ГБ. Согласно измерениям на Mac с M1 Pro и 32 ГБ памяти, генерация изображения 1024×1024 за 40 шагов занимает около 985 секунд, а пиковое потребление памяти достигает 12,95 ГБ. mlx-serve загружает текстовый энкодер отдельно для каждого запроса и освобождает его перед денойзингом, поэтому постоянно используемая память приходится главным образом на DiT и VAE. При задании guidance_scale выше 1 вместе с negative_prompt применяется полноценный CFG, требующий двух проходов на шаг. Модель подходит для локальной генерации изображений по текстовым описаниям на совместимых Mac-системах, но на момент публикации README не поддерживается выпущенными версиями mlx-serve или MLX Core и требует специальной ветки feat/qwen-image-2.1. Лицензия — Apache-2.0, такая же, как у базовой модели.

Realisian_v6 — модель генерации изображений по текстовому описанию, размещённая пользователем digiplay на Hugging Face. Репозиторий использует Diffusers и StableDiffusionPipeline и содержит веса в формате safetensors; карточка связывает модель со страницей Realisian на Civitai. Модель предназначена для создания изображений по текстовым запросам. Данные подтверждают задачу text-to-image, но не дают надёжных сведений об архитектурной версии базовой модели, размере параметров, поддерживаемых языках и особенностях генерации. Указана лицензия other; её конкретные условия следует сверять с источником модели.

Instruction-tuning-sd/scratch-cartoonizer — модель преобразования изображений на базе Stable Diffusion v1.5, разработанная с применением методики InstructPix2Pix. Её обучали следовать текстовым инструкциям, связанным с преобразованием изображения; в частности, она предназначена для мультяшной стилизации входного изображения по запросу пользователя. Модель использует конвейер StableDiffusionInstructPix2PixPipeline из библиотеки Diffusers и принимает изображение вместе с текстовой инструкцией, выдавая преобразованное изображение. В карточке указан датасет instruction-tuning-sd/cartoonization. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии MIT. Модель ориентирована на стилизацию и другие преобразования изображений по инструкциям; качество за пределами описанного сценария мультяшной стилизации не охарактеризовано.

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.

Модель ali-vilab/text-to-video-ms-1.7b-legacy разработана ModelScope и предназначена для генерации видео по текстовому описанию. Это диффузионная модель примерно с 1,7 млрд параметров, состоящая из извлечения текстовых признаков, диффузии в латентном пространстве видео и преобразования латентного представления в визуальное видео. В диффузионной части используется архитектура UNet3D; модель постепенно формирует видео из гауссовского шума. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель принимает текст на английском языке и выдаёт видео; карточка описывает генерацию роликов по произвольным текстовым запросам и оптимизацию, позволяющую создавать видео длительностью до 25 секунд при использовании менее 16 ГБ видеопамяти. Она не создаёт чёткий текст в кадре и испытывает трудности со сложными композиционными запросами; качество не достигает уровня готового кинематографического видео, а результаты могут отражать смещения обучающих данных. Для обучения использовались, в частности, LAION-5B, ImageNet и WebVid. README указывает лицензию CC-BY-NC-ND, тогда как метаданные Hugging Face указывают CC-BY-NC-4.0, поэтому условия лицензирования в источниках расходятся; проверьте лицензию перед использованием.

The Truality Engine PRO — модель генерации изображений по текстовому описанию, опубликованная пользователем sam749. Она основана на Stable Diffusion и распространяется в формате Diffusers с весами Safetensors; для запуска в README приведён пример с библиотекой Diffusers и StableDiffusionPipeline. Автор рекомендует генерировать изображения размером 512 × 768, использовать 35 шагов и сэмплер DPM++ 2M SDE Karras. Для повышения разрешения описаны отдельные настройки Hires Fix и апскейлеров. Модель предназначена для создания детализированных иллюстраций и фотореалистичных изображений по промпту. README описывает управление CFG: значения выше 7 сильнее усиливают детали промпта, а при использовании textual inversion и LoRA рекомендуется не превышать 4,5. Модель распространяется по лицензии CreativeML Open RAIL-M. Карточка не приводит сведений о размере модели, контекстном окне или языках; для текстовых промптов указан пример на английском.

TianNimaNoobAIXLvpred1_0_eqb7_26042026 — дообученная модель на базе StarkEater/NoobAIXLvpred10EQB7 для генерации изображений по текстовому запросу. Модель предназначена для прямой генерации в разрешении 1536 пикселей; специальное триггерное слово не обязательно, но автор рекомендует при необходимости добавлять `tiannima123`. Модель распространяется в формате safetensors и рассчитана на использование с библиотекой diffusers. Карточка не описывает конкретный стиль, предметную область или дополнительные возможности. Условия лицензии в предоставленных данных не указаны.