I.8Изображения и компьютерное зрение

Generate Me! — модель генерации изображений по текстовому описанию на базе Stable Diffusion для создания персонажей и стилизованных иллюстраций. Веса представлены в формате Diffusers и SafeTensors; в модель встроен VAE MoistMixV2. Примеры в карточке охватывают портреты, манга-арт, фотореалистичные сцены и милых фантастических персонажей. Модель подходит для генерации изображений по промптам с описанием внешности, одежды, стиля и окружения. Лицензия — CreativeML OpenRAIL-M; её условия следует учитывать при использовании и распространении результатов.

GroundSet-LLaVA-1.6-7B — мультимодальная модель RogerFerrod для пространственного анализа аэрофотоснимков и других изображений Земли. Это официальный базовый чекпойнт проекта GroundSet, дообученный на 1,8 млн инструкций датасета GroundSet на основе LLaVA-1.6 с языковой моделью Vicuna 7B. Архитектура LLaVA-NeXT использует динамическое разрешение AnyRes для обработки изображений высокого разрешения. Модель отвечает на визуальные вопросы и обучена описывать сцены, классифицировать заданные регионы, находить объекты по классам, сегментировать их и локализовать по текстовым описаниям. Она рассчитана на детализированные категории, включая типы сельскохозяйственных культур, объекты наследия и инфраструктуру; в карточке также заявлена проверка наличия объектов. Основной сценарий — пространственное понимание данных дистанционного зондирования Земли. В README приведены результаты оценки на GroundSet и VRSBench, но они относятся к указанным тестовым наборам и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

calcuis/illustrious — это набор квантованных в формате GGUF и масштабированных FP8 версий модели Illustrious-XL, основанной на OnomaAIResearch/Illustrious-xl-early-release-v0. Модель предназначена для генерации изображений по текстовому описанию и ориентирована на использование в ComfyUI, в том числе с gguf-node. Доступны варианты GGUF с разными уровнями квантования, включая q4_0 и q8_0, а также версии, полученные из FP8- и BF16-весов. Для работы требуются соответствующие текстовые энкодеры, включая illustrious_g_clip и illustrious_l_clip, а также VAE-декодер. README указывает на поддержку запуска на устаревших видеокартах и режимов low VRAM, однако фактическая производительность зависит от конкретной конфигурации и варианта модели. Модель подходит для создания детализированных, стилизованных и преимущественно аниме-ориентированных изображений; в примерах используются портреты, персонажи и кинематографическое освещение. Ограничения включают необходимость использования тегов или ключевых слов для более точного управления результатом, особенно при работе с ранними версиями, а также различия в скорости загрузки и качестве между вариантами квантования. В карточке указана лицензия Apache-2.0; разработчиком набора указан calcuis, а исходная модель связана с OnomaAIResearch.

Janus-Pro-1B-i1-GGUF — это квантизированная GGUF-версия мультимодальной модели Janus-Pro-1B, разработанной сообществом deepseek-community и подготовленной в виде квантов mradermacher. Модель относится к унифицированным vision-моделям и предназначена для работы с текстом и изображениями, включая сценарии text-to-image. Заявленный язык — английский. В репозитории доступны варианты квантования от i1-IQ1_S до i1-Q6_K размером примерно от 0,6 до 1,5 ГБ, а также файл imatrix для создания собственных квантов. Небольшой размер позволяет использовать модель в условиях ограниченных ресурсов. В README не указаны точная архитектура, длина контекста, требования к памяти, поддерживаемые форматы изображений и подробные показатели качества. Для работы с визуальными возможностями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Качество и скорость зависят от выбранного варианта: низкобитные кванты экономичнее, но могут заметно уступать по качеству, тогда как i1-Q4_K_M обозначен как быстрый и рекомендуемый вариант, а i1-Q4_K_S — как компромисс между размером, скоростью и качеством. Модель распространяется по лицензии MIT; в метаданных также указано название лицензии deepseek.

Kiel-2-Image-HD — созданная KielTech LoRA для Stable Diffusion XL Base 1.0. Модель предназначена для генерации кинематографичных изображений персонажей по текстовому описанию и преобразования исходного изображения с помощью нового описания. Она ориентирована на детализированную текстуру кожи, выразительное освещение и единый стиль; в README указано стандартное для SDXL разрешение обучения 1024×1024. Репозиторий содержит веса LoRA, объединённый чекпойнт в формате safetensors и 4-битную квантизированную версию GGUF Q4_K_M. Для использования LoRA требуется базовая модель SDXL; доступны сценарии с Diffusers. Лицензия — CreativeML OpenRAIL-M.

Owen777/Kontext-Style-Loras — набор из более чем 20 стилевых LoRA-адаптеров для модели FLUX.1-Kontext-dev, разработанный Tian YE и Song FEI из HKUST Guangzhou. Адаптеры предназначены для image-to-image генерации: они преобразуют исходные изображения в различные художественные и мультяшные стили, включая Ghibli, American Cartoon, Chinese Ink, Oil Painting, Pixel, LEGO, Van Gogh, Picasso и другие. Модель работает в экосистеме Diffusers через FluxKontextPipeline и поддерживает обработку изображений с текстовым запросом. Обучение выполнено на высококачественных парных данных, сгенерированных GPT-4o, из набора OmniConsistency. В README указана базовая модель FLUX.1-Kontext-dev и английский язык; размер адаптеров, максимальная длина контекста и точные требования к аппаратному обеспечению не приведены. Сильная сторона набора — разнообразие готовых стилевых адаптеров и возможность подключать их к одной базовой модели с настраиваемым весом. Ограничения связаны с зависимостью от FLUX.1-Kontext-dev и необходимостью отдельного выбора LoRA для нужного стиля; качество преобразования может зависеть от исходного изображения и текстового запроса. Лицензия в README не указана.

Krea-2-Turbo MLX 8-bit — это квантизированная локальная версия модели Krea-2-Turbo, подготовленная сообществом mflux-community на основе оригинальной модели Krea, разработанной Krea. Модель предназначена для генерации изображений по текстовому описанию на компьютерах Apple Silicon с использованием MLX и Metal. Модель представляет собой text-to-image систему с одно поточным MMDiT-трансформером примерно на 13 млрд плотных параметров, 28 слоями, скрытым размером 6144, GQA, SwiGLU и Flux-подобным RoPE. Она использует текстовый энкодер Qwen3-VL-4B и VAE Qwen-Image. Turbo-вариант дистиллирован для генерации качественных изображений за 8 шагов; стандартные параметры включают guidance 1.0 и sampler er_sde. Модель поддерживает текстовые промпты, но редактирование и генерация по референсному изображению пока не реализованы. Указанные языки явно не определены. Основные преимущества — локальная работа на Apple Silicon, готовая 8-битная квантизация без повторной квантизации при загрузке, меньший размер по сравнению с исходными невзвешенными параметрами и высокая скорость генерации. Ограничения включают требование оборудования Apple Silicon, размер снимка около 13 ГБ и отсутствие image conditioning. Модель распространяется по лицензии krea-2, унаследованной от базовой модели; перед использованием необходимо ознакомиться с условиями оригинальной лицензии.

voldemir/Kroma-GGUF — квантованная версия модели Kroma, связанная с базовыми моделями Krea/Krea-2 и lodestones/Kroma. Модель разработана сообществом или автором репозитория voldemir; исходные разработчики базовых моделей указаны как Krea и lodestones. Согласно метаданным, модель предназначена для генерации изображений по текстовому описанию и может использоваться в ComfyUI. Формат GGUF указывает на квантованное представление, однако конкретный метод и уровень квантования не указаны. Сведения об архитектуре, размере, поддерживаемых языках, контекстном окне и точных требованиях к оборудованию отсутствуют. Ключевое преимущество модели — возможность применения в сценариях text-to-image через совместимый стек, потенциально с меньшими требованиями к ресурсам благодаря квантованию. Ограничения, качество генерации, поддерживаемые варианты ComfyUI и иные особенности по представленным данным оценить нельзя. Лицензия указана как krea-2-community-license; перед использованием необходимо ознакомиться с её условиями.

LazyMix-Uncensored — модель генерации изображений по текстовым запросам, опубликованная в пространстве nesaorg на Hugging Face. Репозиторий предоставляет веса в форматах Diffusers и Safetensors, включая варианты fp16 и fp32, и использует StableDiffusionPipeline. Карточка показывает пример генерации изображения по текстовому описанию. Модель предназначена для создания изображений по текстовым промптам. В карточке не приведены сведения о базовой модели, обучении, поддерживаемых языках, длине контекста или лицензии; поэтому эти характеристики нельзя надёжно указать.

LemonTea2.5D — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. Карточка указывает, что она соответствует модели digiplay/LemonteaMixPainterly2_v1, но в этой версии по умолчанию настроен планировщик EulerDiscreteScheduler. Модель предназначена для создания изображений по текстовым запросам с использованием Stable Diffusion и библиотеки Diffusers. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и файлами репозитория перед применением.

LEOSAMs-FilmGirl-Ultra — модель генерации изображений по текстовому описанию, опубликованная пользователем sam749. Репозиторий рассчитан на запуск через библиотеку Diffusers и использует StableDiffusionPipeline; веса представлены в формате safetensors. Модель предназначена для создания изображений по промптам. Пример в карточке показывает генерацию детализированного CG-портрета девушки с цветной палитрой и объёмным освещением. Указана лицензия CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

LinFusion-1-5 — модель генерации изображений по текстовому описанию, опубликованная в формате Diffusers на Hugging Face. Карточка содержит раздел с базовым использованием LinFusion, но подробности о разработчике, архитектуре и назначении версии 1.5 не раскрывает. Модель принимает текстовые запросы и создаёт изображения. В репозитории указаны файлы safetensors. Информация о лицензии, языках запросов, размере модели и ограничениях отсутствует в доступных данных.

Mungert/llama-joycaption-beta-one-hf-llava-GGUF — мультимодальная модель для генерации текстовых описаний изображений. Она предназначена прежде всего для image captioning и других сценариев image-text-to-text, где по изображению требуется создать связное текстовое описание. Модель собрана на основе Meta Llama 3.1 8B Instruct и визуального энкодера Google SigLIP2 SO400M patch14 384; точные поддерживаемые языки и размер контекстного окна в представленном README не указаны. Модель распространяется в формате GGUF и рассчитана на запуск через llama.cpp. Доступны варианты с разной точностью, включая BF16, F16, гибридные и низкобитные квантованные форматы, что позволяет выбирать между качеством, скоростью и требованиями к памяти на GPU или CPU. Автор применяет экспериментальный подход с повышением точности отдельных важных слоёв поверх стандартной IMatrix-квантизации, стремясь сохранить больше качества при уменьшенном размере файлов. Ограничения зависят от выбранного формата и оборудования: низкобитная квантизация может снижать точность, а требования к памяти и совместимость определяются конкретной сборкой. Лицензия в README не указана.

chiakelvin/llava-phi-3-mini-int4.gguf — GGUF-версия мультимодальной модели LLaVA, дообученной XTuner на базе microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP ViT-Large patch14-336. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы в диалоговом формате; карточка указывает на использование шаблона чата Phi-3-instruct и датасета ShareGPT4V. Модель предназначена для описания изображений и ответов на вопросы о визуальном содержимом. Репозиторий содержит файлы GGUF и GGUF F16; название указывает на вариант int4, однако метаданные не подтверждают конкретную схему квантизации. Лицензия в предоставленных данных не указана.

Yntec/lnkdn — конвертированная в формат Safetensors модель для генерации изображений по текстовому описанию, опубликованная под именем LinkedIn Diffusion. В карточке приведены примеры запросов для создания портретов, городских сцен, фантастических сюжетов и рынков; модель использует библиотеку Diffusers и формат весов Safetensors. Модель предназначена для генерации изображений по текстовым запросам. Указана лицензия CreativeML OpenRAIL-M. Подробности об архитектуре, числе параметров и контексте в предоставленных данных отсутствуют.

calcuis/ltxv0.9.6-gguf — это GGUF-квантизированная версия моделей LTX-Video 0.9.6, разработанная calcuis на базе LTX-Video от Lightricks. Модель предназначена для генерации видео по текстовому описанию и интеграции с ComfyUI через gguf-node; README также упоминает варианты dev и distilled, а также наборы с квантизацией q4-dev и q4-distilled. Модель работает в сценариях text-to-video и поддерживает текстовые запросы на английском языке. Для запуска требуются отдельные компоненты: GGUF-модель, текстовый энкодер T5XXL и VAE; автор рекомендует gguf-node и указывает совместимость улучшенного VAE pig-video-enhanced с LTX-Video 0.9.5 и 0.9.6. Ключевые параметры видео, размер модели, длина контекста и точные характеристики архитектуры в README не указаны. Основные преимущества — сниженное потребление ресурсов благодаря GGUF-квантизации, готовые workflow для ComfyUI и наличие вариантов dev и distilled. Ограничения включают необходимость установки нескольких компонентов и использования совместимого окружения ComfyUI; сведения о качестве, производительности, поддерживаемых разрешениях и длительности генерации отсутствуют. Указана лицензия other, подробные условия приведены в файле LICENSE.

Это неофициальная публикация весов LTX-Video версии 0.9.1 в формате Diffusers. Репозиторий предназначен для генерации видео по текстовому описанию с использованием библиотеки Diffusers; в README также упоминается сценарий генерации видео по изображению. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или лицензию. По имеющимся данным можно подтвердить формат Diffusers и наличие файлов safetensors, но нельзя установить, кто выполнил конвертацию и какие именно базовые веса использованы.

MeiGen-MultiTalk — открытая модель MeiGen-AI для генерации видео с говорящими людьми по изображению и аудио. Она предназначена для создания диалогов с одним или несколькими персонажами, синхронизируя движения губ с речью и связывая аудио с нужным человеком в кадре. В README описаны управление персонажами с помощью текстовых подсказок, поддержка мультяшных персонажей и пения, разрешения 480p и 720p, произвольные соотношения сторон и длительность видео до 15 секунд. Модель использует аудио-ориентированный подход к генерации видео, метод Label Rotary Position Embedding для связывания аудио и видеолатентов, а также адаптивную локализацию человека по референсному изображению. В репозитории находятся веса в формате Safetensors; заявлена лицензия Apache-2.0. Для установки и запуска разработчики отсылают к своему GitHub-репозиторию.

Это 4-битная версия Moondream 3 (Preview), опубликованная alecccdd и предназначенная для работы с изображениями через вопросы и текстовые ответы. Модель принимает изображение и текстовый запрос, а выдаёт ответ на естественном языке; карточка базовой Moondream 3 также описывает создание описаний изображений и обнаружение объектов. Квантование INT4 сокращает заявленный размер модели примерно с 18 до 6 ГБ. README указывает, что первая компиляция может занимать 1–3 минуты, а кэширование компиляции ускоряет повторные запуски. Репозиторий использует Transformers; лицензия обозначена как other, без уточнения условий в предоставленных данных.

MotionAtlas-4B — модель для понимания видео с фокусом на движении, представленная в работе MotionAtlas: Detailed Region Captioning for Motion-Centric Videos. Она формирует подробные текстовые описания движения в указанных областях видео, переходя от общих описаний ролика к анализу движения в конкретных регионах. Модель основана на плотной мультимодальной архитектуре Qwen3-VL и использует интерфейс диалога с визуальным вводом. MotionAtlas-4B предназначена для описания движения в выбранных областях видео и анализа видеороликов с учётом заданных регионов. Репозиторий содержит веса safetensors; заявленная задача Hugging Face — image-text-to-text. Модель лицензирована по Fair Noncommercial Research License, поэтому её использование ограничено условиями этой лицензии. Подробности запуска приведены во внешнем GitHub-репозитории и на странице проекта.

Muse-Glimmer-30B-4bit — мультимодальная модель для обработки изображений и текста, преобразованная сообще­ством mlx-community в формат MLX из базовой модели meta-models/Muse-Glimmer-30B. Она предназначена для сценариев image-text-to-text, в частности для ответов на вопросы об изображениях и их описания по текстовому запросу. Модель имеет размер 30B параметров и использует 4-битное квантование, что снижает требования к памяти по сравнению с полноразмерным вариантом. Конкретные архитектура, поддерживаемые языки и размер контекста в предоставленных данных не указаны. Модель рассчитана на использование через библиотеку mlx-vlm; сведения о возможных ограничениях производительности и качества отсутствуют. Лицензия — Apache-2.0.

Карточка модели luongphamit/NeverEnding-Dream2 на Hugging Face совпадает с карточкой phatho/NeverEnding-Dream, поэтому описание составлено по ней. NeverEnding-Dream — модель для генерации изображений по текстовому описанию, опубликованная пользователем phatho на Hugging Face. Репозиторий использует формат Diffusers и содержит веса PyTorch в формате safetensors; в метаданных указана задача text-to-image и английский язык. README не содержит сведений об архитектуре, размере модели, рекомендуемых сценариях, настройках генерации или происхождении весов. Лицензия указана как other, поэтому конкретные условия использования по доступным данным определить нельзя.

btaskel/noobai-XL-Vpred-1.0-GGUF — это квантованная версия модели Laxhar/noobai-XL-Vpred-1.0, подготовленная пользователем btaskel. Модель относится к семейству noobai-XL-Vpred и предназначена для задач генерации изображений из текстовых описаний, что указано тегом pipeline_tag: text-to-image. В README не приведены сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Указано, что варианты квантования Q4_K_S и Q4_K_M рассматриваются как компромисс между размером модели, скоростью работы и уровнем квантования. Также отмечается, что в некоторых бенчмарках крупная модель с более сильным квантованием может превосходить небольшую модель с менее сильным квантованием. Конкретный вариант квантования для данной карточки не указан. Лицензия, модальности помимо генерации изображений и ограничения использования в README не указаны.

ProteusV0.4 — модель генерации изображений по тексту от dataautogpt3, основанная на OpenDalleV1.1 и дообученная для улучшения визуального стиля. В README описано обучение на более чем 400 тысячах изображений, включая около 220 тысяч изображений с подписями GPTV и 10 тысяч пар изображений, использованных для DPO; также упоминается выборочное применение обученных LoRA-компонентов. Репозиторий предоставляет модель в форматах Diffusers, PyTorch и Safetensors для StableDiffusionXLPipeline. Модель предназначена для создания изображений по текстовым запросам, с акцентом на эстетические стили, реалистичные черты лица и текстуру кожи, а также сюрреалистичные, аниме- и мультяшные изображения. README рекомендует CFG 4–6, 20–60 шагов и разрешение 1024×1024 или 1280×1280. Указана лицензия GPL-3.0. Автор характеризует обновление V0.4 как преимущественно стилистическое: улучшение понимания сложных запросов не является его основным направлением.

mradermacher/Qwen2.5-VL-7B-Abliterated-Caption-it-i1-GGUF — это квантизированная в формате GGUF версия мультимодальной модели Qwen2.5-VL-7B-Abliterated-Caption-it. Базовую модель разработал prithivMLmods, а квантизацию выполнил mradermacher. Модель предназначена для анализа изображений и генерации текстовых описаний, а также для сценариев visual understanding и image captioning. Модель основана на архитектуре Qwen2.5-VL и содержит около 7 млрд параметров. Она поддерживает работу с текстом и изображениями; заявленные языки — английский, китайский и тайский. В репозитории представлены варианты квантизации i1-IQ и QK разных размеров, примерно от 2,0 до 5,4 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Файлы требуют совместимого программного обеспечения для запуска GGUF и, поскольку это vision-модель, могут потребовать отдельный mmproj-файл. Сильной стороной модели является сочетание мультимодального понимания изображений, специализации на создании описаний и возможности локального запуска благодаря квантизации. Ограничения включают потенциальное снижение качества у наиболее агрессивных вариантов квантизации; README не содержит данных о контекстном окне, результатах бенчмарков и подробных требованиях к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-2B-Abliterated-Caption-it — экспериментальная модель Prithiv M, дообученная на базе Qwen/Qwen2-VL-2B-Instruct для подробного описания изображений. Она принимает изображение и текстовый запрос и генерирует текстовые подписи: от общего описания сцены до детализированного разбора объектов и визуальных особенностей. Модель ориентирована на разные категории изображений, включая художественные, технические, абстрактные и изображения с чувствительным содержанием, а также на нестандартные соотношения сторон и разрешения. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Основной язык вывода — английский; README заявляет возможность многоязычных описаний по запросу. Указанная лицензия — Apache-2.0. Модель может выдавать откровенные, чувствительные или оскорбительные описания и не подходит для систем, которым необходима встроенная фильтрация контента. Стиль подписи зависит от формулировки запроса, а точность на незнакомых и синтетических визуальных стилях может снижаться.

Raelestia XL — модель генерации изображений на основе SDXL. Она создаёт изображения по текстовым запросам с выразительным драматическим освещением, полуреалистичной тональностью и волшебной атмосферой. В карточке также приведены рекомендации по сэмплеру и настройкам увеличения разрешения. Модель распространяется в форматах Diffusers и Safetensors по лицензии OpenRAIL++. В метаданных указан английский язык. README не сообщает размер модели, длину контекста или конкретное базовое семейство SDXL, поэтому эти характеристики не приводятся.

RunDiffusionFX2.5D_v1_diffusers — модель генерации изображений по текстовому описанию в формате diffusers. В карточке указаны архитектура Stable Diffusion и совместимость с StableDiffusionPipeline. Модель опубликована пользователем digiplay 3 июня 2023 года. Она предназначена для создания изображений по текстовым запросам. Карточка содержит примеры изображений, созданных автором, но не описывает их стиль или конкретные сценарии применения. Модель доступна в форматах PyTorch и safetensors. Лицензия обозначена как other, поэтому точные условия использования по предоставленным данным определить нельзя.

SDXS-512-0.9 — модель генерации изображений по текстовому описанию, выпущенная авторами исследования SDXS. Она предназначена для быстрого создания изображений в один шаг диффузии. Модель обучалась с применением дистилляции по оценкам и сопоставления признаков; в качестве учителя использовалась SD Turbo, а также указаны SD v2.1 base и TAESD для декодирования изображений. Это версия 0.9 семейства SDXS-512, распространяемая через библиотеку Diffusers в форматах PyTorch и safetensors. Авторы называют её устаревшей и рекомендуют более новую SDXS-512-DreamShaper, отмечая у неё более высокое качество и скорость. Для этой версии указана лицензия OpenRAIL++. Качество деталей может уступать версии 1.0: модель не проходила упомянутую авторами донастройку LoRA-GAN. TAESD может давать изображения низкого качества при использовании весов float16. Декодер изображений авторов несовместим с текущей версией Diffusers и не предоставляется.

ShiratakiMix — модель генерации изображений в стилистике 2D, созданная автором Vsukiyaki путём объединения нескольких моделей Stable Diffusion. В карточке описаны поэтапное слияние исходных чекпойнтов и исправление позиций CLIP. Модель распространяется в форматах Diffusers, PyTorch и Safetensors. Модель предназначена для создания иллюстраций по текстовым запросам. Автор рекомендует 20–60 шагов, sampler DPM++ SDE Karras, CFG 7.5 и Clip skip 2; для повышения разрешения предлагаются Latent или R-ESRGAN 4x+ Anime6B. VAE можно выбрать отдельно, также доступен вариант весов с включённым VAE. Карточка составлена на японском и английском языках, но это не подтверждает, что модель специально обучена для этих языков. Лицензия CreativeML OpenRAIL-M разрешает использование и распространение весов при соблюдении её условий, включая ограничения на запрещённое использование и обязанность передавать текст лицензии вместе с распространяемой моделью. В README отсутствуют сведения о размере модели и её контекстном окне. Рекомендованный negative prompt содержит слова «adult», «fat» и «sad», однако это не устанавливает отдельную специализацию модели на соответствующем контенте.