I.8Изображения и компьютерное зрение

rockerBOO/Flux-Dev2Pro-fp8_e4m3fn — версия трансформера Flux-Dev2Pro, преобразованная в формат FP8 E4M3FN. Исходную модель Flux-Dev2Pro разработали как дообучение трансформера Flux-Dev для улучшения обучения LoRA: в карточке указано обучение на двух эпохах по 3 млн высококачественных изображений. LoRA, обученные с этой моделью, рассчитаны на применение к Flux-Dev. Модель входит в конвейер генерации изображений по текстовому описанию и предназначена прежде всего для использования как трансформер при обучении LoRA через Diffusers. Сам репозиторий содержит преобразованные веса; остальные свойства, по заявлению автора, совпадают с исходной моделью. Лицензия — некоммерческая лицензия FLUX.1 [dev] от Black Forest Labs.

Fluxed Up 2.5devfp8 — модель типа LoRA для генерации изображений по текстовому описанию. Она предназначена для использования с библиотекой Diffusers и базовой моделью black-forest-labs/FLUX.1-dev. В карточке модель опубликована под идентификатором eqtgeqw/Fluxed_Up_2.5devfp8; сведения об отдельной организации-разработчике отсутствуют. Модель ориентирована на сценарии text-to-image и распространяется в формате весов Safetensors. Архитектура, размер, поддерживаемые языки, длина контекста и точные особенности дообучения в README не указаны. Пример результата представлен изображением, однако подробные рекомендации по промптам и применению отсутствуют. Условия лицензирования обозначены как other; используется специальная лицензия fluxed-up-2.5devfp8-license, доступная в файле LICENSE. Ограничения по использованию, коммерческому применению и распространению следует уточнять непосредственно в этой лицензии.

Kotajiro/fuduki_mix — модель генерации изображений по текстовому описанию на базе SDXL. Карточка рекомендует сэмплер DPM++ 2M SDE karras, 30–40 шагов и разрешение 1152×896; репозиторий распространяет веса в формате safetensors. Модель предназначена для создания изображений по текстовым запросам. В тегах указана поддержка японского и английского языков. Лицензия — CreativeML Open RAIL++-M. Автор запрещает генерацию насилия, изображений и сексуальных образов несовершеннолетних, чрезмерно сексуального контента, а также публикацию изображений, похожих на конкретных реальных людей, без их разрешения.

gaixinhyc — модель генерации изображений по текстовому описанию, опубликованная kyledam. Это DreamBooth-дообучение модели Stable Diffusion, выполненное с помощью ноутбука fast-DreamBooth от TheLastBen; репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для создания изображений по текстовым запросам. Модель распространяется по лицензии CreativeML OpenRAIL-M. README и метаданные не уточняют обучающие данные, целевой визуальный стиль, размер модели или ограничения качества.

digiplay/HELLmix_v1.0 — модель генерации изображений по текстовому описанию для Stable Diffusion Pipeline. Карточка содержит демонстрационные изображения исходного автора, но не приводит подробностей об архитектуре, размере или базовой модели. Модель предназначена для создания изображений по текстовым запросам. В метаданных указаны форматы Diffusers и safetensors. Лицензия обозначена как other; конкретные условия использования в карточке не пояснены.

Illustrious XL v0.1 — модель генерации изображений на основе Stable Diffusion XL, разработанная командой Onoma AI Research. Она продолжает Kohaku XL Beta 5 и дообучена на большом размеченном наборе Danbooru2023, поэтому ориентирована на создание иллюстраций по текстовым запросам с описаниями персонажей, визуальных стилей и композиции. Модель не задаёт стиль по умолчанию и задумана как базовая версия для дальнейшего дообучения и адаптеров; авторы отмечают, что она не настроена под эстетические предпочтения. Модель принимает текстовые промпты и генерирует изображения. В карточке приведены рекомендации по тегам композиции, качеству, сэмплеру и настройкам генерации. README называет версию v0.1 исследовательской и предупреждает, что генерация может давать нежелательные или вредные результаты; для более привычного использования авторы рекомендуют вариант GUIDED с дополнительными механизмами безопасности. Модель выпущена по Fair Public AI License. Лицензия требует открыто публиковать производные модели и указывать исходную модель, наборы данных и рецепты обучения или слияния; README также запрещает монетизацию закрытых производных моделей и возлагает на пользователей ответственность за соблюдение ограничений на использование результатов.

Incredible World — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка приводит пример праздничной сцены с отцом и дочерью, пивоварней, Санта-Клаусом и атрибутами Хэллоуина; метаданные относят модель к Stable Diffusion и указывают форматы Diffusers и safetensors. Модель предназначена для создания реалистичных и художественных изображений по промптам, в том числе сцен с людьми, предметами и праздничной атмосферой. В метаданных указана лицензия CreativeML OpenRAIL-M. Сведения о размере модели, контексте и специальных ограничениях в доступных данных отсутствуют.

OpenGVLab/InternVideo2-Stage2_6B — видеомодель OpenGVLab, представляющая версию на 6 млрд параметров второго этапа InternVideo2, описанной в исследовательской статье. Репозиторий содержит веса в формате safetensors; для модели указан pipeline video-classification. Модель предназначена для классификации видео. Карточка не раскрывает поддерживаемые наборы классов, языки или дополнительные сценарии применения. Лицензия — MIT.

LTX-2.3 10Eros v1.5 DMD Hybrid v2 MLX q8 — это квантованный до int8 вариант модели TenStrip/LTX2.3-10Eros, подготовленный для запуска на Apple Silicon через ltx-2-mlx. Веса представляют собой слитую с базовой моделью дистилляцию DMD hybrid v2; пакет содержит дистиллированный трансформер и нейронный латентный апскейлер. Текстовый энкодер Gemma 3 12B в пакет не входит и загружается отдельно. Модель предназначена для генерации видео по текстовому описанию, в том числе с использованием изображения как условия. Она работает в дистиллированном режиме; в комплекте нет dev-трансформера для двухэтапного или one-stage-dev сценариев. Описанные улучшения включают более детальное движение и устойчивость композиции, особенно в повторяющихся движениях. Модель предназначена для взрослой аудитории и может создавать откровенный контент. Лицензия указана как other; дополнительных условий в доступных данных нет.

Lunar Luma — модель генерации изображений по текстовому описанию, созданная путём смешивания моделей Luma и Lunar Diffusion. Автор — Yntec. Модель предназначена для создания изображений по текстовым запросам; карточка не описывает её стиль или конкретные сценарии применения. Модель распространяется в формате Diffusers с весами PyTorch Safetensors и предназначена для использования через StableDiffusionPipeline. Лицензия — CreativeML OpenRAIL-M. Размер, длина контекста и поддерживаемые языки в предоставленных данных не указаны.

MeinaMix v11 — модель text-to-image в формате Diffusers, опубликованная пользователем digiplay на Hugging Face. Она предназначена для создания изображений по текстовым запросам; в README приведён пример промпта для изображения двух девушек с цветами и кофе. Метаданные указывают на совместимость со Stable Diffusion и форматы PyTorch и safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория. README не описывает размер модели, контекст, языки, качество генерации или ограничения.

MiaoMiao-Harem — модель генерации изображений по текстовому описанию от пользователя Hugging Face jd09876. Репозиторий содержит пайплайн Diffusers StableDiffusionPipeline с компонентами text encoder, tokenizer, UNet, VAE и scheduler; размер модели на карточке указан как 3 млрд параметров. Модель предназначена для создания изображений по текстовым запросам. В карточке приведён пример запуска через Diffusers, но подробности о специализации изображений, поддерживаемых языках и длине контекста не описаны. В репозитории есть файл miaomiaoHarem_v14.safetensors; на странице автора также указана более поздняя версия семейства, но она не позволяет установить происхождение этой конкретной модели. Условия лицензирования и известные ограничения в доступной карточке не указаны.

Карточка модели taurusduan/MiniMax-H3-x-Z-Image-hybrid на Hugging Face совпадает с карточкой hoidhxd/MiniMax-H3-x-Z-Image-hybrid, поэтому описание составлено по ней. MiniMax-H3 x Z-Image Hybrid — экспериментальная гибридная версия MiniMax-H3, созданная hoidhxd. В ней блоки трансформера B00–B24 и B50+ взяты из ветви FL2VA, а блоки B25–B49 — из REF2VA; модель предназначена для генерации видео из изображения и экспериментов с объединением этих ветвей в одном чекпойнте. Репозиторий содержит веса BF16 и INT8 в формате safetensors; отдельно упоминается конверсия BF16-версии в GGUF для совместимых рабочих процессов ComfyUI. Модель основана на MiniMaxAI/MiniMax-H3 и распространяется по лицензии Apache-2.0. Это неофициальная экспериментальная сборка, а не релиз MiniMax. README сообщает о проверке тензорного содержимого BF16-версии, но не приводит сравнительных оценок качества или подробных инструкций по использованию; сведения о языковой поддержке и длине контекста для этой задачи не указаны.

Карточка модели TechnoBaptist/MiniMax-H3-x-Z-Image-native на Hugging Face совпадает с карточкой joeygambino/MiniMax-H3-x-Z-Image-native, поэтому описание составлено по ней. MiniMax-H3 × Z-Image — это изменённая версия MiniMax-H3 от joeygambino с добавленным профилем пространственного внимания Z-Image. Она предназначена для генерации видео в ComfyUI; автор описывает более выразительные детали, наборы объектов и текстуры при сохранении идентичности и без нарастания резкости от кадра к кадру. В репозитории представлены сборки safetensors для ComfyUI 0.32+: bf16, FP8, INT8 и семейство 4-битных вариантов, включая W4A8 и NVFP4. README рекомендует использовать bf16 как основную сборку, W4A8 как качественный вариант для видеокарт с 16 ГБ памяти, а INT8 — для RTX 50. Базовая MiniMax-H3 поддерживает создание коротких видео со стереозвуком по тексту, изображениям, видео и аудио; README этой сборки не уточняет, какие входы доступны именно в ней. Модель создана joeygambino на основе MiniMaxAI/MiniMax-H3; лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять на странице репозитория. Для RTX 30/40 автор рекомендует GGUF-версию, отмечая, что она быстрее 4-битных comfy-native сборок.

Это исследовательский чекпойнт rwightman: двухбашенная модель CLIP с визуальной башней NaFlexViT-B/32 и текстовым трансформером CLIP. Модель обучена на датасете CC12M с контрастивной целью InfoNCE; во время обучения размер патча менялся между 24, 32 и 40 пикселями, а длина последовательности изображений — между 36 и 81 токенами. В текстовой башне используется BPE-токенизатор с контекстом 77 токенов. Модель предназначена для классификации изображений без примеров классов: она сопоставляет изображение с текстовыми описаниями классов и выбирает наиболее подходящее. В карточке приведены результаты zero-shot ImageNet-1k; обучение с варьируемым размером патча улучшает результаты при некоторых размерах патча, отличных от базового. Для загрузки и работы используется библиотека open_clip. Лицензия — Apache-2.0. Это экспериментальный исследовательский чекпойнт, а не готовая к производственному использованию модель. Качество зависит от числа визуальных токенов и размера патча: патч 16 пикселей показал низкие результаты, а длины последовательности свыше 81 токена выходят за диапазон обучения. Карточка не приводит полный набор результатов на других задачах, поэтому их качество не следует предполагать по результатам ImageNet.

NightVision_XL — модель генерации изображений по текстовому описанию, распространяемая через ModelsLab и доступная в формате Diffusers/PyTorch. Метаданные указывают на конвейер StableDiffusionXLPipeline и назначение text-to-image. В примере карточки показана генерация ультрареалистичного киберпанк-портрета с настройками размера, числа шагов и guidance scale. Модель предназначена для создания изображений по промптам; пример демонстрирует портретную и фотореалистичную эстетику. Для доступа карточка описывает вызов API ModelsLab с ключом и идентификатором NightVision_XL. Указана лицензия CreativeML OpenRAIL-M. Карточка не сообщает измерений качества или детальных ограничений модели.

Lexica Aperture V3.5 Community Edition — модель генерации изображений по текстовому описанию в формате Diffusers с весами Safetensors. В карточке приведены примеры промптов для создания цифровых иллюстраций и фотореалистичных сцен: от сюрреалистической живописи до портретов и фантастических существ. В README указано, что версия собрана с VAE 840K, встроенным в веса. Модель предназначена для генерации изображений по текстовым промптам. В метаданных указана библиотека Diffusers и лицензия CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки; примеры промптов написаны на английском.

Yntec/Playground — конвертированная в формат Diffusers версия модели Playground для генерации изображений по текстовому описанию. Карточка связывает её с PlaygroundAI и приводит примеры запросов для создания цифровой живописи, аниме и фантастических сцен. Модель принимает текстовые запросы и выдаёт изображения. Репозиторий содержит веса в формате Safetensors; для работы указана библиотека Diffusers. Лицензия — CreativeML Open RAIL-M. Размер модели, архитектура в карточке и длина контекста не указаны.

segmind/portrait-finetuned — модель генерации изображений по текстовому описанию, созданная как дистилляция SG161222/Realistic_Vision_V4.0 на подмножестве recastai/LAION-art-EN-improved-captions. Она предназначена для генерации портретных изображений по текстовым запросам. Модель основана на Stable Diffusion и распространяется в форматах Diffusers и PyTorch. При обучении использовались 7 тысяч изображений с разрешением 768 пикселей; обучение включало 131 тысячу шагов с точностью fp16. Репозиторий использует лицензию CreativeML OpenRAIL-M. Карточка не описывает ограничения по качеству или допустимому использованию сверх условий лицензии.

Qwen3.5-9B-Uncensored-ComfyUI — производная версия Qwen/Qwen3.5-9B, подготовленная разработчиком prithivMLmods как веса текстового энкодера для ComfyUI. Репозиторий содержит файлы safetensors в вариантах BF16, FP8 и INT8 ConvRot; версии FP8 и INT8 уменьшают требования к видеопамяти, причём INT8 использует построчное масштабирование и подавление выбросов с помощью вращения Адамара. Модель предназначена для использования в качестве текстового энкодера в рабочих процессах ComfyUI; метаданные относят её к задаче image-text-to-text и отмечают поддержку зрения. Это uncensored-вариант с нефильтруемым выводом. Базовая модель — мультимодальная Qwen на 9 млрд параметров, предназначенная для диалога, анализа изображений, рассуждений, программирования и агентных задач. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Abliterated-Caption-it-GGUF — это GGUF-квантизированная мультимодальная версия модели Qwen3-VL-8B-Abliterated-Caption-it, опубликованная и квантованная mradermacher на основе модели prithivMLmods. Модель предназначена для понимания изображений и генерации текстовых описаний, включая сценарии image captioning и visual understanding. Она поддерживает текстово-визуальный ввод и заявлена для работы на английском, китайском и тайском языках. Модель относится к классу VLM и имеет размер 8 млрд параметров согласно названию базовой модели. Репозиторий содержит GGUF-варианты с разными уровнями квантования — от Q2_K до Q8_0, а также версии f16 и отдельные мультимодальные компоненты mmproj. Это позволяет выбирать баланс между размером файлов, скоростью и качеством; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди указанных. Конкретный размер контекста и архитектурные детали в README не приведены. Сильной стороной модели является поддержка мультимодальных задач при возможности запуска в компактных GGUF-форматах. Ограничения связаны с потерями качества при низком уровне квантования, а также с тем, что README не содержит результатов тестирования, подробностей о данных обучения и описания поведения abliteration-варианта. Лицензия — Apache-2.0.

Qwen-Image-2.1-GGUF — это квантизированные файлы модели Qwen-Image-2.1 в формате GGUF. Исходную модель разработала команда Qwen, а конвертацию выполнил leejet с использованием проекта stable-diffusion.cpp. Модель предназначена для генерации изображений по текстовому описанию (text-to-image). В README заявлена поддержка английского и китайского языков. Файлы рассчитаны на использование со stable-diffusion.cpp, а также в ComfyUI через пользовательский узел leejet/ComfyUI-GGUF; приведён пример рабочего процесса для генерации изображений. Сведения об архитектуре, количестве параметров, размере контекста, точных вариантах квантования и других технических характеристиках не указаны. К сильным сторонам относятся формат GGUF и совместимость с указанными инструментами для локального запуска и интеграции в рабочие процессы генерации изображений. Ограничения связаны с отсутствием в README подробностей о производительности, требованиях к оборудованию, качестве генерации и поддерживаемых режимах помимо text-to-image. Лицензия квантизированных файлов соответствует лицензии исходной модели Qwen Research License Agreement.

digiplay/revAnimated_v11 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Репозиторий содержит модель в форматах Diffusers и safetensors; метаданные связывают её со StableDiffusionPipeline. Модель предназначена для создания изображений по текстовым запросам. Лицензия указана как «other», поэтому условия использования следует проверять отдельно на странице модели. Карточка README не содержит дополнительных сведений о характеристиках или ограничениях.

tinydit-256 — модель генерации изображений по тексту, созданная ivanmikhnenkov. Это диффузионный трансформер с 210 млн параметров, обученный с нуля за 400 тысяч шагов на 4,2 млн изображений с разрешением 256² и выше. Для кодирования текста используется замороженный flan-t5-base, а для латентного представления изображений — замороженный автоэнкодер FLUX.2; сами трансформер, рецепт обучения, конвейер данных и оценка разработаны автором. Модель предназначена для генерации изображений по текстовым запросам. Она лучше справляется с одиночными объектами, животными, сценами, цветами и простыми отношениями между объектами; поддерживает пять соотношений сторон. В README приведены результаты оценки на отложенных запросах: FID 27,0 и точность распознавания объектов классов COCO 90% при указанных настройках генерации. Известные ограничения — генерация читаемого текста, детализированных лиц крупным планом, толпы и точного количества объектов свыше трёх. Для запуска нужны веса VAE FLUX.2, доступ к которым ограничен и которые не входят в репозиторий, а также flan-t5-base. Лицензия — CC BY-NC 4.0, разрешено использование с указанием авторства, но не коммерческое.

VBVR-Pro-LTX2.3 — дообученная модель генерации видео и аудио, разработанная командой VBVR-Pro на базе LTX-2.3 и предназначенная для визуального рассуждения через генерацию. Она принимает изображение и текстовую инструкцию и создаёт обусловленное изображением аудиовидео; веса LoRA ранга 32 уже объединены с весами трансформера, поэтому отдельный адаптер загружать не требуется. Модель рассчитана на исследовательские эксперименты с задачами визуального рассуждения, в частности с генерацией видео по изображению и отслеживанием меняющихся во времени состояний. В карточке указаны Diffusers и формат safetensors, лицензия Apache-2.0. Технические характеристики базовой LTX-2.3 и результаты бенчмарков в доступном фрагменте карточки не приведены.

VideoITG-8B — мультимодальная модель NVIDIA для понимания видео и выбора информативных кадров с учётом инструкций пользователя. Она объединяет Qwen2-7B-Instruct и визуальную модель SigLIP SoViT-400m и дообучена для instructed temporal grounding — сопоставления инструкций с нужными моментами видео. Модель имеет 7,1 млрд параметров, использует архитектуру EagleQwenG и поддерживает контекст до 32 768 токенов. Модель предназначена для анализа видеосцен, где важно учитывать временную последовательность и находить кадры, связанные с вопросом или инструкцией. Её можно подключать к существующим видеоязыковым моделям для улучшения выбора кадров и ответов на вопросы о видео. Основной язык — английский, также заявлена частичная многоязычная поддержка. В метаданных указан формат safetensors и библиотека Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнять в карточке модели. В README приведены результаты на видеобенчмарках, но таблица не содержит прямых метрик для VideoITG-8B.

Модель dvs/videomae-base-finetuned-kinetics-finetuned-movienet-2 — дообученная на неизвестном наборе данных модель VideoMAE для классификации видео. Она построена на архитектуре VideoMAEForVideoClassification и содержит 113,2 млн параметров. По результатам оценки на тестовом наборе точность составила 0,7969, а значение eval_loss — 1,1884. Модель предназначена для присвоения видео категорий. В README не раскрыты набор данных, категории классов и конкретные сценарии применения. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

VST-3B-SFT — мультимодальная модель для понимания изображений, разработанная в рамках работы Visual Spatial Tuning. Она основана на архитектуре Qwen2.5-VL и дообучена методом supervised fine-tuning для развития пространственного восприятия и рассуждений по визуальным данным. Модель предназначена для ответов на вопросы о сценах: подсчёта объектов, оценки их размеров и расстояний, определения взаимного расположения и направления, планирования маршрутов и понимания порядка приближения. Карточка приводит результаты на пространственных и общих визуальных бенчмарках, включая VSIBench и MMSI-Bench. Метаданные указывают 3,1 млрд параметров, контекст до 128 000 токенов, поддержку диалога и интерфейс вызова инструментов; репозиторий использует safetensors и библиотеку Transformers. В README также описан подход VST к изображениям, нескольким изображениям и видео, однако указанная задача модели — image-text-to-text. Модель принимает визуальный контент и текстовые запросы и генерирует текстовые ответы. В метаданных указан английский язык. В README не приведены сведения о лицензии, поэтому условия распространения и коммерческого применения следует проверять в карточке репозитория Hugging Face.

QuantStack/Wan2.2-Fun-A14B-Control-Camera-GGUF — это GGUF-конверсия модели Wan2.2-Fun-A14B-Control-Camera, разработанной Alibaba PAI. Модель предназначена для генерации видео по текстовым описаниям и управления параметрами камеры; в карточке она классифицирована как text-to-video и рассчитана на использование в ComfyUI через пользовательский узел ComfyUI-GGUF. Основная модель поставляется в формате GGUF и является квантизированной версией исходной модели. Для работы также требуются отдельные компоненты: Clip Vision H, текстовый энкодер Umt5-xxl и VAE Wan2.1. В метаданных указаны английский и китайский языки. Размер модели, точная архитектура, поддерживаемые модальности, длина контекста и характеристики управления камерой в README не описаны. К сильным сторонам относятся поддержка GGUF и интеграция с ComfyUI, что может упростить запуск в совместимой среде и снизить требования к ресурсам по сравнению с неквантизированной версией. Ограничения включают необходимость устанавливать дополнительные компоненты и использовать совместимый workflow; качество, производительность и аппаратные требования не указаны. Модель распространяется по лицензии Apache-2.0, при этом для квантизированной версии сохраняются исходные условия лицензирования и ограничения использования.

QuantStack/Wan2.2-S2V-14B-GGUF — это квантованная версия в формате GGUF модели Wan2.2-S2V-14B, разработанной Wan-AI и напрямую конвертированной из исходной модели. Репозиторий предназначен для запуска модели генерации видео, включая сценарии, связанные с S2V, и имеет метку text-to-video. Основная модель имеет размер 14B параметров и рассчитана на использование в экосистеме ComfyUI через пользовательский узел ComfyUI-GGUF. Для полноценной работы требуются отдельные компоненты: аудиоэнкодер wav2vec2_large_english, текстовый энкодер Umt5-xxl и VAE Wan2.1_VAE. Сведения о точной архитектуре, поддерживаемых языках, размере контекста, требованиях к аппаратному обеспечению и конкретных характеристиках качества в README не указаны. К сильным сторонам относятся уменьшенный объём хранения и возможность запуска через GGUF-совместимую интеграцию ComfyUI. Ограничения связаны с необходимостью устанавливать дополнительные энкодеры и VAE, а также с тем, что квантование может влиять на качество по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0; для квантованной версии сохраняются все исходные лицензионные условия и ограничения использования.