I.8Изображения и компьютерное зрение

jayn7/HunyuanVideo-1.5_T2V_720p-GGUF — это набор квантованных версий модели HunyuanVideo 1.5 T2V 720p, разработанной Tencent и опубликованной в формате GGUF. Модель предназначена для генерации видео по текстовому описанию (text-to-video) с целевым разрешением 720p. Репозиторий содержит варианты квантования Q4_K_S, Q8_0 и FP16, что позволяет выбирать между требованиями к ресурсам и качеством генерации. Модель ориентирована на сценарии локального запуска и может использоваться через ComfyUI-GGUF. README не содержит подробных сведений об архитектуре, размере, поддерживаемых языках, длине контекста или точных требованиях к оборудованию, поэтому эти характеристики нельзя уточнить по представленным данным. К сильным сторонам относятся поддержка генерации видео из текста, разрешение 720p и наличие нескольких вариантов квантования. Ограничения и особенности качества зависят от исходной HunyuanVideo 1.5 и выбранного формата квантования. Репозиторий распространяется на условиях той же лицензии, что и оригинальная HunyuanVideo 1.5; конкретные условия в README не приведены.

Insane Realistic 2 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. В карточке приведены примеры промптов для реалистичных портретов, сцен с людьми и младенцем, космических сюжетов и пейзажей; метаданные указывают на использование Diffusers и формата Safetensors, а также на связь со Stable Diffusion. Модель подходит для создания реалистичных иллюстраций по текстовым запросам, включая портреты, сцены повседневной жизни и природные или фантастические композиции. Лицензия — CreativeML Open RAIL-M; её условия регулируют разрешённое использование и распространение модели. В карточке нет сведений о точном размере модели, контексте или языках промптов.

LegoStyle1.5 — дообученная методом DreamBooth модель Stable Diffusion, созданная на изображениях наборов LEGO. Для генерации эффекта LEGO в промпт добавляют токен «LegoStyle style». Модель распространяется в форматах Diffusers и PyTorch и рассчитана на создание изображений и преобразование изображений в стилизованные сцены с помощью текстовых запросов. Модель подходит для стилизации изображений под LEGO и для генерации гладких объектов в этом стиле. В README приведён пример промпта с запросом на высокое разрешение; фактическое качество и детализация зависят от запроса и исходного изображения. Лицензия — CreativeML OpenRAIL-M.

tera0711/lora — адаптер LoRA для генерации изображений из текстовых описаний, разработанный пользователем или организацией с идентификатором tera0711. Модель предназначена для использования в экосистеме Diffusers и подключается к базовой модели stabilityai/stable-diffusion-3.5-large. По имеющимся данным, адаптер может применяться для получения фотореалистичных изображений людей и сцен с соответствующими характеристиками через текстовые промпты. Модель не является самостоятельной полноразмерной генеративной системой: для работы требуется указанная базовая модель и совместимый пайплайн text-to-image. В карточке не указаны размер адаптера, точная архитектура LoRA, поддерживаемые языки, максимальный контекст, рекомендуемые параметры генерации и подробные ограничения качества. В качестве примера приведён вес адаптера 0,7, однако это не подтверждает оптимальность данного значения для всех сценариев. Модель распространяется по лицензии creativeml-openrail-m. Дополнительные условия использования, включая возможные ограничения на создаваемый контент и коммерческое применение, следует уточнять в тексте этой лицензии.

mlx-community/ltx-2.5-mlx — это конверсия LTX-2.5 от Lightricks в формат MLX для запуска на компьютерах Apple Silicon. В репозитории представлены совместная диффузионная трансформерная модель для аудио и видео размером 22 млрд параметров в полной и дистиллированной версиях, а также текстовый энкодер Gemma-4 размером 12 млрд параметров. Веса переупакованы и разделены на компоненты; дообучения или изменения численных значений весов не проводилось. Модель предназначена для генерации видео по текстовому описанию. README описывает генерацию роликов с заданными разрешением, числом кадров и частотой кадров; для дистиллированной версии указаны фиксированные 8 шагов и CFG=1. Основа поддерживает совместную генерацию аудио и видео и работу с изображениями, однако карточка этого репозитория указывает только задачу text-to-video. Для запуска нужны MLX-совместимое ПО и значительный объём объединённой памяти; приведённый в README пример измерений использует 128 ГБ на Apple Silicon. Порт обозначен авторами как исследовательский, а лицензия унаследована от Lightricks и указана как other.

Lustify SDXL NSFW/SFW v4 — модель преобразования текста в изображение на базе Stable Diffusion XL, опубликованная пользователем John6666; исходная модель создана coyotte. Модель предназначена для генерации реалистичных и фотореалистичных изображений по текстовым описаниям, включая контент общего назначения и NSFW. Модель использует архитектуру StableDiffusionXLPipeline и библиотеку Diffusers, распространяется в формате SafeTensors и поддерживает английские текстовые запросы. Она подходит для создания реалистичных сцен, персонажей, фотографий и художественных концептов по промптам. Модель имеет маркировку not-for-all-audiences и NSFW, поэтому требует контроля содержимого и соблюдения правил площадки или приложения, где она используется. Условия использования определяются лицензией CreativeML OpenRAIL-M.

Mann-E Dreams — модель генерации изображений на основе Stable Diffusion XL от стартапа Mann-E из Ирана. По карточке, её разработали основатель Muhammadreza Haghiri и команда из четырёх человек, используя тысячи изображений, созданных Midjourney, для обучения модели создавать качественные изображения. Модель предназначена для генерации изображений по текстовым описаниям. В карточке рекомендованы 6–10 шагов, CFG Scale 2–4 и разрешения 768×768 или 832×832; авторы заявляют о высокой скорости генерации. Для работы подходят LoRA для SDXL 1.0, ControlNet, IP-Adapter и InstantID. В карточке модель названа «mostly uncensored» и протестирована с Automatic1111. Репозиторий распространяется в формате Diffusers и Safetensors по лицензии MIT.

MysticXXX_KREA2_v2.safetensors — это LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией uzumix. Модель предназначена для использования с базовой моделью krea/Krea-2-Turbo в совместимых инструментах и библиотеках, включая Diffusers. Из доступных данных известно, что адаптер относится к семейству diffusion LoRA и работает в сценариях text-to-image. README не содержит сведений о размере адаптера, архитектуре базовой модели, поддерживаемых языках, длине контекста, конкретном визуальном стиле, рекомендуемых параметрах генерации или ограничениях качества. Лицензия и условия коммерческого либо некоммерческого использования также не указаны, поэтому их следует уточнить по лицензии базовой модели и странице репозитория.

Ninja — модель для генерации изображений по текстовым описаниям, опубликованная пользователем Yntec в формате Diffusers. В репозитории доступны веса Safetensors для использования с библиотекой Diffusers; метаданные относят модель к семейству Stable Diffusion. Модель предназначена для создания изображений по текстовым запросам. Репозиторий указывает лицензию CreativeML OpenRAIL-M. README содержит только краткое название и ссылку на Discord, поэтому конкретные особенности генерации и рекомендованные сценарии не описаны.

Pika_v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. В карточке показаны примеры изображений ангела на фоне радужного неба с настройками реалистичности и широкоугольной перспективы; модель распространяется в формате Diffusers с весами PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым запросам. В карточке нет сведений о размере, базовой модели, архитектуре помимо Stable Diffusion, поддерживаемых языках или длине контекста. Указана лицензия other, поэтому конкретные условия использования следует проверять в репозитории.

Project K (Kawai) — модель для генерации изображений по текстовому описанию, представленная Yntec. Это версия с разрешением 768×768 для inference API; в README также упоминается версия v5 с разрешением 512×512. Метаданные указывают на библиотеку diffusers, формат safetensors и совместимость с Stable Diffusion Pipeline. Модель предназначена для создания изображений в аниме-стиле, включая персонажей и сцены, а также пейзажи. В примерах показаны как аниме-персонажи, так и городские виды; среди стилевых ориентиров есть чиби и акриловая живопись. Язык тегов модели — английский. Лицензия обозначена как other; README просит проверять условия на исходной странице модели, поэтому условия использования этой копии следует уточнить там. По приведённым сведениям нельзя установить точный размер модели или её базовый чекпойнт.

ProteusV0.2 — модель генерации изображений по текстовому описанию от автора dataautogpt3. Она основана на OpenDalleV1.1, дообученной на наборах подписей к изображениям и предпочтений, а затем объединённой с RealCartoonXL для улучшения понимания запросов об аниме и мультяшном стиле. Модель использует архитектуру Stable Diffusion XL и распространяется в форматах Diffusers, PyTorch и Safetensors. Модель предназначена для создания изображений в разных стилях, включая фотореализм, сюрреализм, аниме и мультфильмы. В карточке отмечены улучшенное следование текстовым запросам, детализация лиц и реалистичные текстуры кожи. Автор рекомендует CFG 7–8, 20–60 шагов, сэмплер DPM++ 2M SDE и разрешение 1024×1024 или 1280×1280. Лицензия — GPL-3.0. Качество результата зависит от формулировки запроса и настроек генерации; заявленные преимущества основаны на описании автора.

immanuelpeter/Qwen3.8-27B-Vision — репозиторий с визуальной частью модели Qwen3.8-27B: визуальным энкодером и обученным модулем объединения признаков. Он предназначен для извлечения признаков изображений и подготовки визуальных представлений для языковой части исходной мультимодальной модели. Архитектура включает 27 слоёв, размер скрытого состояния 1152, 16 голов внимания и обработку изображений с патчами размером 16; модуль объединения группирует пространственные токены 2×2 и преобразует признаки к ширине языковой модели 5120. Модель выдаёт исходные токены энкодера и объединённые признаки. Репозиторий содержит веса в формате safetensors и конфигурации Transformers для визуального энкодера и предобработки изображений. По README веса извлечены из Qwen/Qwen3.8-27B, а проверки показали побитовое совпадение тензоров и выходов с родительской реализацией на CPU и NVIDIA A100 в BF16. Лицензия — Apache-2.0. Это визуальный компонент, а не самостоятельная диалоговая модель; его применение предполагает интеграцию с остальной системой Qwen.

tlennon-ie/QwenEdit2509-FlatLogColor — это LoRA-адаптер для Qwen-Image-Edit-2509, разработанный пользователем или организацией tlennon-ie. Модель предназначена для редактирования изображений по текстовой инструкции и преобразования исходного изображения в плоский, ненасыщенный и низкоконтрастный вид, напоминающий лог-профиль камеры, с сохранением деталей в светлых и тёмных областях. Адаптер работает в сценариях image-to-image и используется совместно с базовой моделью Qwen/Qwen-Image-Edit-2509 через экосистему Diffusers. Для активации в примерах применяется триггерное слово «flatcolor». Поддерживается обработка изображений с текстовым управлением; сведения о размере адаптера, точной архитектуре, языках, максимальном контексте и вычислительных требованиях не указаны. Сильная сторона модели — специализированная цветокоррекция с сохранением деталей и воспроизводимым визуальным эффектом. Ограничение состоит в узкой специализации и зависимости от базовой модели Qwen-Image-Edit-2509. Лицензия в README не указана.

Janchan123/Qwen-Image-2.1-Uncensored-GGUF — это набор GGUF-квантизаций модели Qwen-Image-2.1, опубликованный для локальной генерации изображений. В основе используются оригинальные веса Qwen/Qwen-Image-2.1; сопутствующие текстовый энкодер и VAE взяты из Comfy-Org/Qwen-Image-2.1. Модель предназначена для сценариев text-to-image и image editing в ComfyUI с использованием расширения ComfyUI-GGUF. Доступны варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 ГБ. Разработчики рекомендуют Q4_K_M размером около 4,60 ГБ как оптимальный баланс размера и качества. Для работы требуются отдельные файлы текстового энкодера Qwen3-VL 8B в форматах BF16 или Int8 и VAE в BF16; Int8-вариант энкодера позволяет снизить потребление памяти. Архитектура, точное число параметров, поддерживаемые языки и размер контекста в README не указаны. Сильными сторонами являются локальный запуск, несколько уровней квантизации и отсутствие встроенного safety checker или фильтра контента, поэтому модель напрямую генерирует взрослые, NSFW и чувствительные изображения. Это одновременно является ограничением и требует осторожного применения. Вариант Q8_0 в текущей реализации ComfyUI вызывает ошибку несовпадения размеров тензоров и не рекомендуется до появления исправленной версии; проверены варианты Q4_K_M, Q5_K_M и Q6_K. Лицензия указана как other с названием qwen-research.

Qwen-Image-Edit-semi-realistic-detailer — LoRA-адаптер от rzgar для модели Qwen/Qwen-Image-Edit-2509. Он предназначен для редактирования изображений с переводом аниме- и мультяшных исходников в полу реалистичный стиль: сохраняет выразительные черты, добавляет более естественные текстуры, фотореалистичные детали и ощущение трёхмерной глубины. Для реалистичных изображений адаптер усиливает детализацию кожи, добавляя поры, текстуру и лёгкие естественные несовершенства. Для активации рекомендуется использовать фразу «transform the image to semi-realistic image». Это модель для работы с изображениями; сведения о поддерживаемых языках и размере контекста не указаны. Адаптер поддерживает различные аниме-стили, однако результат зависит от исходного изображения. Для плоских и малодетализированных изображений рекомендуется сила воздействия 0,2–0,5, для более проработанных или сглаженных 3D-стилей — 0,5–1,0, а для реалистичных изображений при улучшении детализации кожи — 0,6–0,8. Рекомендуемые параметры генерации: sampler dpmpp_2m_sde с scheduler karras; также заявлена совместимость с Lightning LoRA на 8–10 шагах. Ограничения включают зависимость качества от стиля и детализации исходника, а также риск чрезмерной обработки при высокой силе воздействия. Модель обучалась на наборах данных, содержащих NSFW-контент, поэтому может генерировать откровенные или suggestive-результаты, особенно для изображений с открытой или облегающей одеждой; её следует применять ответственно. Лицензия — MIT.

matttrent/sd-image-variations-diffusers — версия Stable Diffusion для создания вариаций по входному изображению, подготовленная в формате Diffusers на основе CompVis/stable-diffusion-v1-3-original. Модель дообучена принимать эмбеддинг изображения CLIP вместо текстового эмбеддинга: изображение кодируется энкодером ViT-L/14 с проекцией в общее пространство CLIP, после чего модель генерирует новые изображения, сохраняющие связь с исходным. Репозиторий содержит веса в форматах Diffusers и PyTorch; для использования с Diffusers в карточке упомянут Lambda Diffusers. Модель подходит для художественных вариаций изображений, творческих инструментов и изучения генеративных моделей. В README её назначение ограничено исследовательскими целями. Лицензия указана как other, поэтому конкретные условия следует проверять отдельно. Модель может плохо передавать сложные композиции, лица и читаемый текст; реалистичность не гарантирована. Данные обучения преимущественно англоязычные, содержали материалы для взрослых и не были дедуплицированы, поэтому возможны смещения, снижение качества на неанглийских запросах и запоминание изображений. Авторы рекомендуют использовать Diffusers Safety Checker.

SegMoE-SD-4x2-v0 — модель генерации изображений по текстовому описанию, разработанная Segmind. Это диффузионная смесь экспертов, созданная без дополнительного обучения из четырёх моделей Stable Diffusion 1.5. Модель предназначена для генерации изображений с учётом текстового запроса; её можно использовать через библиотеку segmoe и Diffusers. Подход объединяет знания нескольких дообученных экспертных моделей и призван улучшать соответствие изображения запросу и его визуальную точность. При этом качество зависит от выбранных экспертов, а без обучения модель не обязательно заметно превосходит каждый из них. Скорость и потребление памяти не оптимизированы. Модель не предназначена для создания достоверных изображений людей, событий или фактов о реальном мире и не подходит для задач, требующих высокой точности. Лицензия — Apache 2.0.

Карточка модели Faketrevor/sophie_rain 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.

Stable Diffusion 2.1 — модель генерации и редактирования изображений по текстовому описанию, разработанная Robin Rombach и Patrick Esser. Этот репозиторий — зеркало устаревшего репозитория Stability AI и не связан с этой организацией. Модель основана на Stable Diffusion 2 и дообучена: сначала на 55 тысячах шагов с параметром punsafe=0,1, затем ещё на 155 тысячах шагов с punsafe=0,98. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Она принимает текстовые запросы на английском языке и создаёт или изменяет изображения; запуск доступен через Diffusers. Лицензия — CreativeML Open RAIL++-M License (OpenRAIL++). Модель может быть полезна для художественной генерации, дизайна и творческих инструментов. Она не обеспечивает идеальный фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Качество запросов на языках, отличных от английского, ниже; модель также наследует смещения обучающих данных LAION и может выдавать вредный, стереотипный или нежелательный контент.

Stable Diffusion XL Alchemist — дообученная Yandex модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion XL 1.0 с использованием датасета Alchemist. Она предназначена для создания изображений с улучшенной эстетикой и большей визуальной сложностью по сравнению с базовой моделью. Модель работает через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Модель подходит для генерации иллюстраций и концепт-артов по текстовым запросам. В карточке указаны английский язык и лицензия Apache-2.0. Контекстные и количественные характеристики в доступных материалах не приведены.

Sulphur 2 — базовая модель для генерации видео, опубликованная SulphurAI и основанная на Lightricks/LTX-2.3. Она предназначена для преобразования текста в видео (t2v) и изображения в видео (i2v), а также поддерживает остальные форматы, доступные в LTX 2.3. Модель интегрируется с библиотекой Diffusers и позиционируется как модель без ограничений по содержанию. В состав модели входит prompt enhancer, который можно использовать в LM Studio для улучшения текстовых запросов, в том числе с изображениями. Для начала работы рекомендуется использовать одну из dev-версий в форматах fp8mixed или bf16 вместе с предоставляемой distill LoRA; одновременное применение LoRA и полной модели не рекомендуется. Официальный способ инференса на момент публикации ещё не представлен, а подробные инструкции по настройке и дообучению планируются позднее. В README не указаны точный размер модели, архитектурные параметры, поддерживаемые языки, размер контекста и лицензия, поэтому эти характеристики нельзя определить по имеющимся данным.

Sweet-mix_v2.2_flat — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем digiplay на Hugging Face. Карточка показывает пример генерации девушки на пикнике в солнечный день. В репозитории представлены веса safetensors и два варианта VAE, добавленные автором публикации для удобства использования; исходная версия автора модели VAE не включала. Модель предназначена для создания изображений по текстовым запросам. В карточке нет сведений о базовой модели, архитектуре сверх совместимости со Stable Diffusion, размере, контексте, языках запросов или условиях лицензии, поэтому эти характеристики нельзя уточнить. Указана лицензия other.

Openjourney — модель генерации изображений по текстовому описанию, созданная PromptHero на основе Stable Diffusion и дообученная на изображениях Midjourney. Для получения характерного стиля в запрос рекомендуется добавлять фразу «mdjrny-v4 style». Модель подходит для создания иллюстраций и концепт-арта по текстовым промптам; её можно запускать через Diffusers и использовать в интерфейсе Gradio. В репозитории доступны форматы Diffusers и PyTorch, а README также описывает экспорт в ONNX, MPS и FLAX/JAX. Указана лицензия CreativeML Open RAIL-M.

Copax TrueSight v1 — модель генерации изображений по текстовому описанию, опубликованная Yntec. Карточка содержит примеры запросов для создания фотореалистичных сцен и портретов: фестиваль, рыцарь в доспехах, Лондон времён промышленной революции и стилизованный кадр из фильма 1986 года. Модель распространяется в форматах Diffusers и safetensors; метаданные относят её к семейству Stable Diffusion. Лицензия указана как other, поэтому перед использованием следует проверить условия на исходной странице модели. README не сообщает размер модели, длину контекста или конкретные ограничения качества.

ultra-v9-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Карточка указывает, что исходную модель создал AIA_civit; она доступна в формате Diffusers с весами Safetensors и использует StableDiffusionXLPipeline. Размер модели — около 3 млрд параметров. Модель предназначена для создания изображений по текстовым запросам; теги карточки указывают на фотореалистичные изображения и тематику азиатской и японской эстетики. Для запуска в карточке приведён пример с Diffusers. Указанный язык — английский. Модель распространяется по лицензии Fair AI Public License 1.0 — SDXL (faipl-1.0-sd).

URPMPonyXL-HybridV1 — гибридная модель генерации изображений от автора saftle, созданная на основе Pony и объединяющая элементы Pony и SDXL. Она предназначена для генерации реалистичных изображений по текстовым запросам; автор отмечает, что реалистичный стиль получается без специальных указаний в промпте. Модель совместима с LoRA для Pony и SDXL, а также с ControlNet для SDXL. Модель распространяется в формате Diffusers с весами safetensors и рассчитана на конвейер StableDiffusionXLPipeline. В карточке указана совместимость с оценочными токенами Pony, например score_9 и score_8_up. Лицензия в предоставленных данных не указана. Автор предупреждает о возможных проблемах совместимости отдельных дополнений и просит использовать модель ответственно.

Yntec/Vintedois — версия модели для генерации изображений по текстовым описаниям, подготовленная в формате Safetensors для inference API. Карточка показывает примеры фотореалистичных и художественных изображений: персонажей, сцен, пейзажей и предметов; среди примеров есть стилизация и подробные композиции по простым промптам. Метаданные указывают на использование Diffusers и лицензию CreativeML OpenRAIL-M. Модель принимает текст и выдаёт изображения размером 768 × 768 пикселей. В метаданных она обозначена как Stable Diffusion, однако точная базовая модель и сведения о дообучении не приведены. Примеры в карточке показывают широкий диапазон визуальных стилей, но не дают формальной оценки качества или гарантий результата.

XenoGASM Mark II — дообученная модель Yntec для генерации изображений по текстовому описанию. Она основана на Yntec/XenoGASM и распространяется в формате Diffusers с весами SafeTensors. В карточке упомянут вариант со встроенным VAE 840K, предназначенный для улучшения детализации, а также исправление ошибки совместимости с Diffusers и графическими интерфейсами, включая EasyDiffusion. Модель подходит для создания стилизованных иллюстраций и изображений по составным запросам: примеры включают персонажей, предметы, фантастические сцены и ретро-фотографии. Указанная лицензия — CreativeML Open RAIL-M. README не приводит размер модели, длину контекста или конкретный набор поддерживаемых языков; примеры промптов даны на английском.

wangqixun/YamerMIX_v8 — модель генерации изображений по текстовому описанию, основанная на модели civitai-Yamer и опубликованная пользователем wangqixun на Hugging Face. Репозиторий использует StableDiffusionXLCommonPipeline и распространяет веса в формате Diffusers с файлами Safetensors. Модель предназначена для создания изображений по текстовым запросам. В README автор характеризует её как качественную модель и предлагает обращаться по вопросам коммерческого лицензирования, пользовательских моделей и других услуг. В метаданных указана лицензия MIT. Сведения о размере модели, контекстном окне и поддерживаемых языках карточка не содержит.