I.8Изображения и компьютерное зрение

TimePLE-8B — модель KlingTeam на базе Qwen3-VL-8B-Instruct, дообученная для временной локализации событий в видео. По видео и текстовому описанию события она предсказывает его начальный и конечный моменты с помощью адаптивного к длительности кодека TimePLE. Модель имеет плотную мультимодальную архитектуру Qwen3-VL с кодеком временных интервалов и интерфейсным MLP-адаптером; веса опубликованы в формате safetensors с точностью bfloat16. Для подготовки видео, декодирования временных интервалов и инференса требуется реализация из отдельного репозитория TimePLE. Модель предназначена для экспериментов и оценки методов temporal grounding и moment retrieval, а также для дальнейшей настройки под локализацию событий. Обучающие данные и запросы преимущественно англоязычные. Качество границ зависит от выборки кадров, метаданных длительности и предобработки видео; неоднозначные, повторяющиеся и очень короткие события могут локализоваться нестабильно. Модель распространяется по лицензии Apache-2.0; для базовой модели, видео и используемых датасетов могут действовать отдельные условия.

ToonYou — модель Stable Diffusion для генерации изображений по текстовому описанию. Репозиторий stablediffusionapi/toonyou содержит веса в форматах Diffusers и PyTorch и предоставляет пример вызова через API ModelsLab. В примере можно задавать текстовый запрос, негативный запрос, размер изображения, число шагов генерации и другие параметры. Модель предназначена для создания изображений по промптам; пример демонстрирует портретную сцену с кинематографическим освещением, но карточка не подтверждает специализацию только на портретах или конкретном художественном стиле. Лицензия — CreativeML Open RAIL-M.

toooajk-yagurumagiku-v3-dreambooth — модель генерации изображений по текстовому описанию, размещённая пользователем swl-models на Hugging Face. По названию и карточке каталога это версия Stable Diffusion, обученная методом DreamBooth; точная базовая модель и конкретная специализация обучения в доступных источниках не подтверждены. Модель работает с библиотекой Diffusers и распространяется в форматах Diffusers, PyTorch и safetensors. Она принимает текст на английском языке и генерирует изображения. Для репозитория указана лицензия CreativeML OpenRAIL-M. Данных о размере, контекстном окне и иных характеристиках обучения в просмотренных источниках нет.

UniPortrait — модель для генерации изображений по текстовому описанию, опубликованная пользователем hejunjie9666 и представленная в репозитории UniPortrait. Модель предназначена для сценариев text-to-image и запускается с использованием библиотеки Diffusers. В метаданных указаны поддержка английского языка и лицензия Apache-2.0. Дополнительные сведения об архитектуре, размере модели, модальностях помимо текста и изображения, длине контекста, специальных сценариях применения и ограничениях в доступных материалах отсутствуют.

URSA-0.6B-IBQ1024 — модель генерации и редактирования изображений по текстовым запросам, разработанная BAAI в семействе BAAI-Vision-URSA. Модель размером 0,6 млрд параметров использует FP16, токенизатор Emu3.5-Vision-Tokenizer и библиотеку Diffusers; заявленное разрешение изображений — 1024×1024. В метаданных указана донастройка Qwen/Qwen3-0.6B. Модель предназначена для экспериментов с генеративными моделями, а также для творческих и образовательных инструментов, иллюстрации и дизайна. Лицензия — Apache-2.0. Разработчик отмечает, что модель не предназначена для достоверного изображения реальных людей и событий; среди ограничений — трудности с разборчивым текстом, сложными деталями вроде пальцев и фотореализмом. Обучающие данные включали материалы с контентом для взрослых, насилием и сексуальными темами, а генерация может усиливать социальные предубеждения.

Это модель VideoMAE для классификации видео, разработанная на основе shossain11/videomae-base-finetuned-inhard-finetuned-inhard2 и дополнительно дообученная на неизвестном наборе данных. Архитектура VideoMAEForVideoClassification содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для присвоения классов видеозаписям. В README приведены результаты оценки: accuracy 0,6987 и loss 1,1820; названия классов и состав оценочного набора не раскрыты. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

MCG-NJU VideoMAE Small — видеомодель для классификации действий и событий в роликах. Разработана командой MCG-NJU на основе архитектуры VideoMAE и дообучена с учителем на наборе Something-Something V2 после 2400 эпох предварительного самообучения. Модель обрабатывает видео как последовательность патчей размером 16×16 с помощью Transformer-энкодера, основанного на Vision Transformer. Она классифицирует ролик по одному из 174 классов Something-Something V2. На тестовой выборке этого набора указаны top-1 точность 66,8 и top-5 точность 90,3. Модель подходит для распознавания действий в коротких видео и экспериментов с классификацией видео. В карточке не приведены ограничения по длительности входного ролика или его предобработке. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

city96/Wan2.1-T2V-14B-gguf — это прямое преобразование модели Wan-AI/Wan2.1-T2V-14B в формат GGUF, выполненное автором city96. Модель предназначена для генерации видео по текстовому описанию и может использоваться в рабочих процессах ComfyUI через пользовательский узел ComfyUI-GGUF. Доступны варианты квантования, созданные на основе FP32-версии базовой модели; в README отдельно отмечено, что загружен вариант FP16 из-за ограничения размера файлов и отсутствия поддержки загрузки gguf-split в ComfyUI-GGUF. Сведения о конкретной архитектуре, числе параметров, поддерживаемых языках, модальностях и размере контекста не указаны. Для работы также требуется VAE Wan2_1_VAE_bf16.safetensors из репозитория Kijai. Модель удобна для запуска Wan2.1-T2V-14B в окружении, совместимом с GGUF и ComfyUI, однако применимость зависит от поддержки соответствующего пользовательского узла и доступной аппаратной памяти. Лицензия — Apache-2.0.

digiplay/2-KWI — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная на Hugging Face. README содержит ссылку на демонстрационное изображение с описанием девушки в поле, поэтому модель предназначена для создания изображений по текстовым запросам. В метаданных указаны форматы PyTorch и Safetensors, а также лицензия other. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или подробности обучения. Пример в README показывает художественный сюжет с персонажем и цветами, но сам по себе не подтверждает специализацию модели. Условия лицензии следует сверять с файлами репозитория, поскольку метаданные содержат только обозначение other.

Anima-2.9B-GGUF — это квантизированная версия модели Anima-2.9B для генерации изображений по текстовому описанию. Исходная модель разработана Gazingstars123 на базе circlestone-labs/Anima, а преобразование весов в формат GGUF выполнено vanes430. Модель предназначена прежде всего для эффективного запуска в ComfyUI с использованием ComfyUI-GGUF. Модель относится к text-to-image и поддерживает английский язык. Варианты Q8_0, Q5_0 и Q4_0 имеют размер примерно 3,15, 2,10 и 1,75 ГБ соответственно; рекомендуемые требования к видеопамяти составляют от 6 ГБ для Q8_0 и от 4 ГБ для Q5_0 и Q4_0. Квантизация позволяет снизить требования к ресурсам, при этом Q8_0 обеспечивает качество, близкое к исходному, Q5_0 предлагает баланс качества и производительности, а Q4_0 ориентирован на более быстрый запуск при ограниченной видеопамяти. В предоставленных данных не указаны подробности архитектуры, максимальное разрешение, длина контекста, поддерживаемые дополнительные модальности и результаты оценивания. Основные ограничения связаны с поддержкой только английского языка, зависимостью от совместимого рабочего процесса ComfyUI и возможными потерями качества при более агрессивной квантизации. Модель распространяется по CircleStone Labs Non-Commercial License, то есть её использование ограничено некоммерческими сценариями.

anythingelse-v4 — модель генерации изображений по текстовому описанию, размещённая stablediffusionapi и доступная через ModelsLab API. Карточка показывает вызов модели по идентификатору anythingelse-v4 с параметрами текстового запроса и негативного запроса, размера изображения и числа шагов генерации. Пример запроса ориентирован на создание стилизованного портрета с чертами аниме и цифровой иллюстрации. В метаданных указаны pipeline text-to-image и форматы Diffusers и PyTorch. README описывает доступ к модели через API ModelsLab с ключом API; лицензия в метаданных — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или конкретные гарантии качества, поэтому их нельзя оценить по предоставленным сведениям.

Anything v3.0 — модель генерации изображений из текстовых описаний, размещённая пользователем ckpt на Hugging Face. Репозиторий поддерживает запуск через Diffusers StableDiffusionPipeline; размер модели на карточке Hugging Face указан как 0,9 млрд параметров. Модель предназначена для создания изображений по текстовому запросу. Семейство Anything ассоциируется с генерацией иллюстраций в стиле японской анимации; эта характеристика подтверждается упоминанием Anything V3.0 как дообученной Stable Diffusion в исследовательской публикации. Данных о языках обучения, контексте и лицензии в доступных источниках нет.

Карточка модели 12-tz3/anything-v5 на Hugging Face совпадает с карточкой stablediffusionapi/anything-v5, поэтому описание составлено по ней. Anything V5 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi. Карточка показывает её использование через ModelsLab API и указывает идентификатор модели anything-v5. Пример запроса задаёт текстовый prompt и negative prompt, разрешение изображения, число шагов генерации и guidance scale. Модель предназначена для создания изображений по текстовым запросам; пример ориентирован на аниме и цифровую иллюстрацию, включая портреты и концепт-арт. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M.

Карточка модели qyfh258/basil_mix на Hugging Face совпадает с карточкой nuigurumi/basil_mix, поэтому описание составлено по ней. basil_mix — объединённая модель генерации изображений по текстовому описанию, опубликованная пользователем nuigurumi на Hugging Face. Она построена для работы с Diffusers и ориентирована на реалистичные текстуры, азиатские лица и отклик на промпты в стиле Danbooru. Модель принимает текстовые промпты и создаёт изображения. Автор рекомендует простые промпты и VAE vae-ft-mse-840000 от StabilityAI; большое количество тегов качества и негативных промптов может ухудшать результат. Репозиторий распространяется с лицензией other, конкретные условия которой в предоставленных данных не раскрыты.

CausalForcing-Long-Wan2.1-T2V-1.3B-Diffusers — конвертированный в формат Diffusers чекпойнт Rolling Forcing на основе Wan2.1-T2V-1.3B. Модель создаёт видео по текстовому описанию и предназначена для генерации длинных роликов, вплоть до минутного уровня, с использованием скользящего окна и совместного пошагового денойзинга фрагментов. Для работы требуется совместимый конвейер WanRollingForcingPipeline; стандартный конвейер Causal Forcing для роликов длительностью около пяти секунд не подходит. Модель использует 3-кадровый блок attention sink, буфер KV на 24 латентных кадра и окно внимания на 21 кадр. Не-трансформерные компоненты унаследованы от Wan2.1-T2V-1.3B. Репозиторий распространяется по лицензии Apache-2.0. README описывает применение через среду выполнения SGLang.

KamCastle/CyberRealistic42 — модель для генерации изображений по текстовому описанию, опубликованная пользователем или разработчиком KamCastle на Hugging Face. Она предназначена для сценариев text-to-image и может использоваться через библиотеку Diffusers с конвейером StableDiffusionPipeline, а также в совместимых локальных приложениях. Известно, что модель содержит около 0,9 млрд параметров, распространяется в формате Safetensors с тензорами F32 и поддерживает работу через Diffusers. В карточке модели приведён англоязычный пример текстового запроса, однако сведения о поддерживаемых языках, максимальном разрешении или размере контекста не указаны. Модель не развернута у Inference Providers. По доступным данным, её ключевая возможность — синтез изображений из текста. Подробные сведения об архитектуре, обучающих данных, сильных сторонах, ограничениях, фильтрах безопасности и качестве на отдельных типах запросов отсутствуют; поэтому нельзя надёжно утверждать наличие специализированной оптимизации для фотореализма, несмотря на название модели. Лицензия в карточке модели не указана, поэтому условия коммерческого и иного использования требуют отдельной проверки.

DreamLite-Mobile — дистиллированная одноканальная версия DreamLite-base от carlofkl для быстрой генерации изображений по текстовым описаниям на устройстве. Модель использует пайплайн Diffusers и рассчитана на работу примерно за 4–8 шагов при разрешении 1024×1024 без CFG. Для запуска требуются Qwen3VLForConditionalGeneration и Qwen3VLProcessor; README указывает на совместимую версию Transformers 4.57.3. При Transformers версии 5.0 и выше возникают заметные артефакты в виде блочных узоров. Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование.

DreamShaper v7 — модель Stable Diffusion для генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi/dreamshaper-v7. Она предназначена для создания реалистичных и художественных изображений по промптам; в примере карточки используются портрет, киберпанк-сцена и негативный промпт для ограничения нежелательных деталей. В метаданных указаны формат Diffusers/PyTorch и лицензия CreativeML OpenRAIL-M. Карточка репозитория помечена как устаревшая и рекомендует перейти к идентичному репозиторию автора оригинальной модели. В примере API можно задавать размер 512×512, число шагов генерации, guidance scale и негативный промпт, однако доступ к интерфейсу ModelsLab требует API-ключа. Карточка не сообщает точный размер модели, контекст или поддерживаемые естественные языки; параметр multi_lingual в API установлен в «no».

digiplay/epi_2.5Dphotogodess_diffusers — модель Stable Diffusion в формате Diffusers для генерации изображений по текстовому описанию. В карточке указана версия 3 и приведено изображение из демонстрации автора; сведения о разработчике и происхождении модели не раскрыты. Модель предназначена для создания изображений по промптам. Метаданные указывают форматы Diffusers, PyTorch и safetensors, а также лицензию «other»; конкретные условия лицензии в карточке не описаны.

Eruku — авторегрессионная модель генерации изображений текста, разработанная авторами проекта Eruku. По изображению-образцу и заданной строке она создаёт рукописный или печатный текст, стараясь воспроизвести стиль образца. Транскрипция текста на образце необязательна, но может помочь модели точнее передать стиль. Поддерживаются перенос стиля без дополнительного обучения, генерация текста произвольной длины и настройка следования условию с помощью Classifier-Free Guidance. Архитектура сочетает T5-Large encoder-decoder для работы с текстом, VAE для кодирования и декодирования изображений и специальные эмбеддинги стиля и управляющих токенов. Модель описана как многоязычная, но обучалась преимущественно на английском; метаданные также указывают английский язык. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Лицензия — Apache-2.0. Качество и читаемость могут зависеть от исходного изображения и параметров генерации: слишком высокий CFG Scale способен приводить к артефактам. Заявления о высокой точности и генерации текста произвольной длины приведены в карточке модели и не сопровождаются в предоставленных материалах количественными оценками.

FabricDiffusion - Print Model — модель на базе Stable Diffusion InstructPix2Pix, опубликованная Yuanhao-Harry-Wang. Карточка README содержит только название проекта, поэтому назначение и характеристики модели можно определить лишь ограниченно: метаданные классифицируют её как модель преобразования текста в изображение и указывают библиотеку Diffusers и форматы safetensors и Diffusers. Модель может подойти для генерации изображений по текстовому запросу, однако данных о её специализации на печатных изображениях, архитектурных деталях, размере, контексте, поддерживаемых языках и условиях лицензии нет.

Fluently-v3 — слитая модель для генерации изображений по текстовым запросам, созданная автором Fluently на основе нескольких чекпойнтов и LoRA. В README среди источников слияния названы Juggernaut Final, Deliberate V2, RPG, Realistic Vision V1.3 и DreamDrop V1; метаданные связывают модель с дообучением runwayml/stable-diffusion-v1-5. Файлы модели представлены в форматах Diffusers и safetensors. Модель предназначена для генерации изображений с реалистичной анатомией, детализированными лицами и глазами, а также для художественных, аниме- и комиксных стилей. Автор также отмечает пригодность для inpainting и outpainting. В README рекомендуются 20–30 шагов, сэмплеры DPM++ 2M Karras или Euler a и CFG Scale 5–7. Лицензия указана как other, без конкретных условий в предоставленных данных. Заявления о качестве основаны на описании автора; независимые оценки и ограничения не приведены.

FLUX.1 [dev] — модель генерации изображений по текстовому описанию, представленная в карточке frankjoshua/FLUX.1-dev. Это трансформер rectified flow с 12 млрд параметров, распространяемый в форматах Diffusers и safetensors. Модель обучалась с дистилляцией guidance; её веса доступны для локального использования, в том числе через Diffusers и ComfyUI. Модель предназначена для создания изображений по текстовым промптам в творческих, личных и исследовательских сценариях, а также для коммерческого использования на условиях лицензии FLUX.1 [dev] Non-Commercial License, условия которой следует учитывать перед применением. В README заявлены высокое качество генерации и конкурентное следование промптам; результат зависит от формулировки запроса. Модель не предназначена для предоставления фактической информации. Она может воспроизводить общественные предубеждения и создавать изображения, не соответствующие промпту. README также перечисляет запрещённые сценарии, включая незаконное использование, причинение вреда и создание недобровольной обнажённости.

akonukbay/FLUX.1-schnell-me — репозиторий модели генерации изображений по тексту, основанный на FLUX.1 [schnell] от Black Forest Labs; собственная карточка репозитория недоступна для проверки. Исходная модель — трансформер rectified flow с 12 млрд параметров, обученный с дистилляцией latent adversarial diffusion и рассчитанный на генерацию за 1–4 шага. Метаданные указывают на формат Diffusers и веса Safetensors. Модель подходит для быстрого создания изображений по текстовым запросам. Для базовой FLUX.1 [schnell] разработчик указывает лицензию Apache-2.0; условия именно этого производного репозитория отдельно не подтверждены. Известные ограничения базовой модели: изображения могут не соответствовать запросу, а следование промпту зависит от его формулировки; модель не предназначена для выдачи фактической информации.

gguf-org/flux-dev-gguf — это GGUF-квантизированная версия модели FLUX.1-dev для генерации изображений по текстовому описанию. Базовая модель разработана Black Forest Labs, а данный вариант включает GGUF-версии самой diffusion-модели, текстовых энкодеров и VAE-декодера для использования в ComfyUI с поддержкой gguf-node. Модель предназначена для сценариев text-to-image: создания художественных изображений, персонажей, предметных сцен и сложных композиций по подробным промптам. В README приведены примеры генерации аниме-персонажа в детализированном викторианском интерьере. Указан английский язык; другие языки не заявлены. Архитектура, количество параметров, размер контекста и точные характеристики модальностей в описании не приведены. К ключевым особенностям относятся обновлённый комплект GGUF, заявленная более быстрая загрузка, а также версии модели, энкодера и декодера в FP32, которые, согласно README, сохраняют сопоставимый размер файлов и могут улучшать качество. Ограничения и системные требования подробно не указаны; для работы требуется раздельно разместить diffusion-модель, CLIP-L и T5XXL в качестве text encoders и VAE в каталогах ComfyUI. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть её использование ограничено некоммерческими условиями.

Eviation/flux-imatrix — набор экспериментальных GGUF-квантизованных вариантов модели FLUX.1-dev, разработанной Black Forest Labs. Модель предназначена для генерации изображений по текстовому описанию и запуска в совместимых средах, включая ComfyUI-GGUF и, в зависимости от варианта, stable-diffusion.cpp на CPU, CUDA или Vulkan. В репозитории представлены динамически квантизованные версии с форматами IQ, TQ и Q, размерами примерно от 2,41 до 5,05 ГБ; квантизация выполнена с использованием importance matrix для снижения размера и требований к ресурсам при сохранении качества насколько это возможно. Ключевые характеристики исходной архитектуры, число параметров, поддерживаемые языки и максимальный контекст в README не указаны. Доступны разные уровни квантизации, что позволяет выбирать компромисс между размером файла, скоростью и качеством генерации. По приведённой оценке некоторые варианты дают приемлемые результаты, тогда как наиболее агрессивно сжатые версии могут заметно ухудшать качество; автор отдельно предупреждает, что элементы набора могут быть неисправными или экспериментальными. Модель распространяется по лицензии flux-1-dev-non-commercial-license, обозначенной как other, поэтому перед использованием необходимо учитывать ограничения этой лицензии. Совместимость с Forge в README указана как неопределённая.

Sa1i/gakki-mix-768 — модель преобразования текста в изображения для Stable Diffusion, распространяемая в форматах Diffusers, PyTorch и Safetensors. Карточка рекомендует использовать её с VAE. Модель подходит для создания изображений по текстовым запросам. В README указано, что коммерческое использование и применение в незаконных целях запрещены. Модель распространяется по лицензии CreativeML OpenRAIL-M.

GIT-base-VQAv2 — модель семейства GenerativeImage2Text (GIT), разработанная Microsoft и дообученная на наборе VQAv2 для ответов на вопросы по изображениям. Она использует декодер Transformer, который получает визуальные токены изображения от CLIP и текстовые токены, а затем генерирует ответ по одному токену. Размер модели — 80,1 млн параметров; нативный контекст — 1024 токена. Модель предназначена прежде всего для визуального вопросно-ответного поиска: пользователь задаёт вопрос о содержимом изображения, модель отвечает текстом. Архитектура GIT также подходит для описания изображений и видео и генерации текстовых меток классов, однако этот чекпойнт специально дообучен на VQAv2. Модель поддерживает английский язык. README отмечает, что она обучалась на парах изображение–текст, а этот вариант дообучен на VQAv2. Доступны веса PyTorch и Safetensors. Лицензия — MIT. Качество зависит от изображения и формулировки вопроса; результаты оценки в карточке не приведены.

Репозиторий Patarapoom/h3-vbvr содержит неизменённую копию шести файлов весов для MiniMax H3 ref2va + VBVR subset. Автор репозитория сообщает, что файлы размещены в структуре категорий ComfyUI и собраны из нескольких источников, чтобы загружать только компоненты, нужные для рендеринга, вместо полного набора вариантов моделей. В доступной части README перечислены гибридная diffusion-модель MiniMax H3 для генерации видео по изображению с опорными кадрами, текстовый энкодер Qwen3-VL 32B и video VAE; суммарный размер набора указан как 40,77 ГБ. Это набор компонентов для сценария image-to-video в ComfyUI, а не самостоятельный универсальный чекпойнт. README заявляет, что файлы побитово скопированы из upstream-репозиториев и не переобучались, не квантизировались, не конвертировались и не редактировались. Для запуска нужны совместимая среда ComfyUI и соответствующие компоненты MiniMax H3; точные требования и лицензия исходных файлов в доступном тексте не раскрыты. В метаданных указана лицензия other.

HassanBlend1.5.1.2 — модель генерации изображений по текстовому описанию, созданная автором hassan. Она дообучена на базе Stable Diffusion 1.5 на наборе из тысяч изображений; автор также добавил несколько небольших слияний моделей, чтобы смягчить результат и повысить творческую вариативность. Модель предназначена для создания изображений по промптам. Автор продолжает выпускать обновления и предоставляет примеры промптов и результатов. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M.