I.8Изображения и компьютерное зрение

suyehb/Wan2.2-TI2V-5B-GGUF — это квантизированная модель в формате GGUF, представляющая прямую конвертацию Wan-AI/Wan2.2-TI2V-5B. Она предназначена для задач text-to-video и TI2V, то есть генерации видео по текстовому описанию и, вероятно, связанных сценариев преобразования текста и изображений в видео, однако подробности о поддерживаемых входных данных в README не приведены. Разработчик исходной модели — Wan-AI; автор конвертации — владелец репозитория suyehb. Из известных характеристик указаны размер исходной модели 5B параметров, форматы GGUF и квантизированное представление, а также поддержка английского и китайского языков. Архитектура, точный размер файла, уровень квантизации, максимальная длина контекста и другие технические параметры не раскрыты. Модель можно использовать через пользовательский узел ComfyUI-GGUF для ComfyUI, размещая файлы в каталоге ComfyUI/models/unet. Модель удобна для локального использования в совместимой среде и может требовать меньше ресурсов благодаря квантизации, но README не содержит данных о качестве, производительности, аппаратных требованиях и ограничениях генерации. Распространяется по лицензии Apache-2.0; для квантизированной версии сохраняются исходные лицензионные условия и ограничения использования базовой модели.

digiplay/7pa-VAE — модель генерации изображений по текстовому описанию, опубликованная автором LotusSnacks. Репозиторий представлен в формате Diffusers и содержит веса SafeTensors для StableDiffusionPipeline. В карточке указана версия с встроенным VAE; автор также ссылается на вариант без VAE AIARTCHAN/7pa. Модель предназначена для создания изображений по промптам; пример описывает детализированную иллюстрацию с ангелом, крыльями, небом и космическими мотивами. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с полной лицензией репозитория.

Agate Preview 003 — компактная модель LogoLabs для генерации изображений по англоязычным текстовым запросам. Она создаёт квадратные изображения размером 512 × 512 и поддерживает 256 × 256; модель содержит 261 млн параметров с декодером TAESD. Доступны запуск в Python, интеграция с ComfyUI и браузерная демонстрация на WebGPU. Модель развивает Agate Preview 001: сеть, рассчитанная на 256 пикселей, расширена для работы в двух разрешениях и дообучена с перцептивными функциями потерь. Она предназначена, в частности, для генерации логотипов, символов и иконок, а также для прототипирования изображений по текстовым описаниям. В тесте Qwen-Image-Bench модель получила 32,6 балла; README отмечает, что текст на изображениях, подсчёт объектов свыше четырёх и привязка цветов к объектам остаются ненадёжными. Модель обучена на синтетическом наборе FLUX-Reason-6M, и её внешний вид и смещения могут наследовать особенности изображений FLUX.1-dev. README сообщает, что встроенного классификатора безопасности нет; в тестировании обнаруживалась нагота взрослых и при обычных запросах, поэтому для публичного использования рекомендуется добавить фильтрацию результатов. Лицензия — MIT.

perion/ai-avatar — модель генерации изображений по текстовому описанию, представленная в формате Diffusers и сохранённая в safetensors. Карточка содержит пример запроса для создания детализированного цифрового портрета персонажа в стиле концепт-арта. Модель предназначена для генерации изображений по текстовым промптам. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не описывает размер модели, базовую модель, поддерживаемые языки или специальные ограничения; поэтому их характеристики нельзя уточнить по доступным данным.

AngelBreed-v4 — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем eienmojiki. В README указано, что это конверсия модели автора JujoHotaru для использования с библиотекой Diffusers, а не официальная публикация автора. Метаданные относят её к Stable Diffusion и аниме-стилю; репозиторий содержит веса safetensors. Модель предназначена для создания изображений по текстовым запросам, в том числе иллюстраций в аниме-стиле. Указана лицензия CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, конкретные языковые ограничения или оценку качества.

Yntec/animeTEN — модель генерации изображений по текстовому описанию, распространяемая в формате Diffusers. Карточка указывает, что в модель встроен zVAE, и приводит пример промпта для создания детализированного чиби-персонажа в волшебном саду. Модель предназначена для создания аниме- и мультяшных иллюстраций по текстовым запросам. Репозиторий содержит веса Safetensors и использует лицензию CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки; пример промпта дан на английском.

A-Zovya RPG Artist Tools V4 — модель генерации изображений по текстовому описанию, опубликованная Yntec на Hugging Face. Она предназначена для создания цифровых иллюстраций и фотореалистичных изображений; примеры в карточке показывают портреты персонажей, фэнтезийные сцены и праздничные композиции. Модель использует Stable Diffusion и распространяется в формате Diffusers с весами safetensors. Для работы задают текстовый промпт с описанием персонажей, внешности, одежды, окружения и художественного стиля. В карточке приведены примеры промптов, но сведения о размере модели, длине контекста и поддерживаемых языках отсутствуют. Лицензия — CreativeML OpenRAIL-M; её условия определяют допустимое использование и распространение модели.

Stax124/CetusMixCoda — модель генерации изображений по текстовому описанию, опубликованная пользователем Stax124 (Tomáš Novák) на Hugging Face. Она предназначена для создания 2D-аниме и стилизованных иллюстраций по текстовым промптам, включая персонажей, фоны и сцены. По метаданным модель использует библиотеку Diffusers и StableDiffusionPipeline, а задача модели обозначена как text-to-image. Модель относится к семейству Cetus-Mix и ориентирована на художественную генерацию в аниме-стилистике. Доступная информация не подтверждает точный размер модели, длину контекста, поддерживаемые языки или конкретную архитектурную версию Stable Diffusion. Лицензия в метаданных указана как unknown, поэтому условия коммерческого и иного использования следует проверять отдельно перед применением.

CleanLinearMix_nsfw — модель для генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. В карточке указано, что примеры изображений созданы через API Hugging Face; приведённый промпт описывает девушку на пикнике у озера среди цветущей сакуры. Модель предназначена для преобразования текстовых промптов в изображения и распространяется в форматах Diffusers и safetensors. Метаданные помечают её как Stable Diffusion и указывают предупреждение о контенте, не подходящем для всех аудиторий. Лицензия обозначена как other, поэтому конкретные условия использования по карточке определить нельзя.

CogVLM Grounding Base — базовая версия открытой визуально-языковой модели CogVLM, разработанной командой Zhipu AI. Архитектура включает визуальный энкодер ViT, MLP-адаптер, предварительно обученную языковую модель и модуль visual expert; указанная конфигурация содержит 6,6 млрд параметров и рассчитана на контекст до 2048 токенов. Файлы модели представлены в формате safetensors. Модель предназначена для диалога по изображениям и кросс-модальных задач, включая ответы на вопросы по изображению, описание сцен и визуальную локализацию объектов. README сообщает о результатах семейства CogVLM на ряде бенчмарков captioning, VQA и grounding, но не приводит отдельные результаты именно этой версии Grounding Base. Метаданные Hugging Face классифицируют её как text-generation; при практическом использовании следует учитывать этот тег и проверять совместимость с нужным программным обеспечением. Лицензия в предоставленных данных не указана.

CounterfeitXL — модель генерации изображений по текстовому описанию в формате Diffusers, предназначенная для Stable Diffusion XL. Карточка связывает её с Civitai и перечисляет три варианта негативных эмбеддингов: Standard, Realistic и Anime like. Модель подходит для создания изображений по промптам с использованием негативных эмбеддингов, чтобы задавать нежелательные признаки результата. Репозиторий распространяется в формате Safetensors; лицензия — CreativeML OpenRAIL-M. Сведения о разработчике, архитектуре сверх совместимости с Stable Diffusion XL, размере, языках и ограничениях качества в карточке не приведены.

Yntec/Darkside, также обозначенная в карточке как DucHaiten Darkside, — модель генерации изображений по текстовому описанию для библиотеки Diffusers. В README указана версия fp16 без EMA; пример показывает стилизованную мультяшную иллюстрацию девушки с детализированными чертами и волосами. Метаданные связывают модель со Stable Diffusion и отмечают тематику аниме и хоррора. Модель подходит для создания иллюстраций по промптам в мультяшном и художественном стиле. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M. README не сообщает сведения о размере модели, контексте или языковой специализации.

Карточка модели arshammanukyan/dreamshaper-xl на Hugging Face совпадает с карточкой Lykon/dreamshaper-xl-1-0, поэтому описание составлено по ней. Dreamshaper SDXL-1-0 — модель генерации изображений по текстовому описанию, разработанная Lykon. Это дообученная версия Stable Diffusion XL Base 1.0 от Stability AI; модель рассчитана на создание художественных изображений и поддерживает запуск через Diffusers. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель подходит для генерации иллюстраций и других изображений по текстовым запросам. В карточке отмечены художественный стиль и anime. Указана лицензия OpenRAIL++; применяйте модель с учётом её условий использования.

Dreamshaper SDXL-1-0 — модель генерации изображений по текстовому описанию, разработанная Lykon. Это дообученная версия Stable Diffusion XL Base 1.0 от Stability AI; модель рассчитана на создание художественных изображений и поддерживает запуск через Diffusers. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель подходит для генерации иллюстраций и других изображений по текстовым запросам. В карточке отмечены художественный стиль и anime. Указана лицензия OpenRAIL++; применяйте модель с учётом её условий использования.

Emma — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией Emma23123. Модель предназначена для использования с Diffusers и базовой моделью Tongyi-MAI/Z-Image; в карточке указана совместимость с задачами text-to-image. В качестве примера применения приведён текстовый запрос «screen». Известно, что это diffusion LoRA, однако точный размер адаптера, архитектурные параметры, поддерживаемые языки, максимальный контекст и конкретные сильные стороны не указаны. Для работы требуется базовая модель Tongyi-MAI/Z-Image и совместимый пайплайн Diffusers. Лицензия обозначена как «other», а подробные условия, судя по README, вынесены в файл LICENSE; без его содержимого ограничения использования определить нельзя.

FastH3_GGUFs — набор квантованных GGUF-версий модели FastVideo-FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree, опубликованный RealRebelAI. Модель основана на MiniMax-H3, дистиллирована до четырёх шагов с использованием DMD2 и обучена с Video Sparse Attention (VSA). Она предназначена для генерации видео из изображений и текста, включая сценарии работы в ComfyUI на потребительском оборудовании с ограниченными ресурсами. Это видеомодель размером около 35 млрд параметров с поддержкой разрядностей Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0. Размер файлов составляет примерно от 21 до 37 ГБ. Ключевая особенность — разреженное внимание VSA с дополнительными слоями to_gate_compress, поэтому для корректной работы требуются специальная ветка ComfyUI, поддержка sol_attn из comfy-kitchen и скомпилированные CUDA-ядра. Контекст, список поддерживаемых языков и точные требования к входным данным в README не указаны. Сильными сторонами являются генерация за четыре шага, несколько вариантов квантования и возможность запуска крупной 35B-модели на потребительском оборудовании за счёт потоковой загрузки весов из системной оперативной памяти. Ограничения включают большие требования к RAM, возможное резкое падение производительности при нехватке памяти и несовместимость со стандартной веткой ComfyUI: без поддержки VSA модель выдаёт равномерный шум. Версии Q3 и Q2 автор считает непригодными для использования. Лицензия указана как minimax-h3-community; применяются исходные условия лицензирования MiniMax-H3.

ljnlonoljpiljm/florence-2-large-nsfw-pt — модель семейства Florence-2, опубликованная на Hugging Face сторонним автором; карточка модели автоматически сгенерирована и не содержит сведений о разработчике. Модель предназначена для задач image-text-to-text, то есть преобразования изображения и текстового запроса в текстовый ответ, и может использоваться в сценариях визуального описания и анализа изображений через библиотеку Transformers. В метаданных модель помечена как Florence2 и not-for-all-audiences, что указывает на потенциально чувствительный или непредназначенный для всех аудиторий характер содержимого. Сведения о размере, архитектурных параметрах, поддерживаемых языках, длине контекста, лицензии, обучающих данных и результатах оценки отсутствуют, поэтому модель следует применять с осторожностью и предварительно проверять её ответы и допустимость контента.

Fluently XL V4 — дообученная модель генерации изображений по текстовым запросам, созданная разработчиком Fluently на базе Stable Diffusion XL Base 1.0. Репозиторий содержит веса в форматах Diffusers и Safetensors и предназначен для использования, в частности, через Automatic1111 или ComfyUI. Модель рассчитана на создание изображений по текстовому описанию, сочетает художественную и реалистичную стилистику и, по заявлению автора, уделяет внимание анатомии, контрасту, природным сценам и лицам. Автор рекомендует 20–35 шагов сэмплирования, Euler a или Euler и CFG Scale 4–6.5. Модель обучена на изображениях из наборов Midjourney, DALL·E 3 и избранных изображений. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты. Заявления о качестве принадлежат автору и не подтверждены независимой оценкой в карточке.

Карточка модели ModelsLab/flux.1-dev 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.

FLUX.1 [dev] Abliterated-v2 — модифицированная версия модели генерации изображений FLUX.1 [dev], представленная SicariusSicariiStuff. Это 12-миллиардная Rectified Flow Transformer-модель, которая создаёт изображения по текстовым описаниям и распространяется в формате Diffusers с весами SafeTensors. Модель получена абляцией механизма отказа методом unlearning, чтобы принимать более широкий набор запросов. Она предназначена для генерации изображений по текстовым подсказкам. Базовая FLUX.1 [dev] разработана Black Forest Labs; модель распространяется по лицензии Apache-2.0. Удаление механизма отказа означает, что модель может выполнять запросы, от которых исходная версия отказалась бы; это также снижает встроенные ограничения на генерацию потенциально вредного или неподходящего контента. В README не приведены сведения о контекстном лимите или языках, кроме английского тега в метаданных.

FLUX.2-klein-base-4B-GGUF — квантизированная GGUF-версия модели FLUX.2-klein-base-4B, разработанной Black Forest Labs. Файлы конвертированы с использованием stable-diffusion.cpp и предназначены для генерации изображений по текстовому описанию с помощью этого программного обеспечения. Модель ориентирована на text-to-image сценарии. В README указана поддержка английского, китайского, японского, корейского, французского, немецкого, русского, арабского, персидского, украинского и индонезийского языков. Известно, что базовая модель имеет размер 4B параметров; архитектура, максимальная длина контекста, поддерживаемые модальности помимо текста и изображения, а также конкретные характеристики квантования не указаны. К сильным сторонам относятся распространённый формат GGUF и совместимость со stable-diffusion.cpp, что может упростить локальное использование и снизить требования к ресурсам по сравнению с полноразмерными весами. Ограничения и качество различных вариантов квантования в README не описаны. Лицензия — Apache-2.0, причём для квантизированных файлов применяется лицензия оригинальной модели.

Fullgreed — дообученная модель генерации изображений на основе Z-Image от Alibaba Tongyi. Это диффузионный трансформер S3-DiT с 6 млрд параметров, настроенный на фотореалистичные портреты и селфи с видом снимков на телефон: естественное освещение, правдоподобная текстура кожи и волос. При дообучении изменялись веса проекций внимания и feed-forward слоёв, а нормализации, эмбеддеры и временное кондиционирование базовой модели оставлены без изменений. Модель принимает текстовые промпты и создаёт изображения; также сохраняет следование двуязычным промптам, отрисовку текста и работу с композицией, унаследованные от Z-Image. Рекомендуемое разрешение — около 1024×1024, возможна генерация до примерно 4K. В репозитории доступны веса BF16 и вариант INT8 в формате safetensors; для INT8 автор заявляет визуально одинаковый результат и работу в ComfyUI без дополнительных узлов. Рекомендуемые настройки — 8–20 шагов и CFG 1–4. Для загрузки предусмотрены компоненты и инструкции для ComfyUI; также заявлена поддержка Draw Things и других приложений, совместимых с Z-Image. Модель распространяется по лицензии Apache-2.0. Фотореалистичный стиль является целевым, поэтому результаты могут выглядеть чрезмерно обработанными при высоком CFG; оптимальные параметры зависят от промпта и используемого приложения.

hellofantasytime_v1.22 — модель генерации изображений по текстовому описанию, размещённая пользователем digiplay на Hugging Face. Метаданные указывают на Stable Diffusion и использование Diffusers; файлы представлены в форматах PyTorch и safetensors. В карточке приведены примеры генерации фэнтезийных, реалистичных и киберпанк-сцен. Модель предназначена для создания изображений по текстовым запросам. Указанная лицензия — other, поэтому условия использования следует сверить с лицензией и сведениями об исходной модели. Размер и длина контекста не установлены по предоставленным данным.

Ilustmix-v9-sdxl — модель генерации изображений по текстовому описанию, созданная пользователем GZees. Она представляет собой дообученную версию OnomaAIResearch/Illustrious-xl-early-release-v0 и предназначена для создания изображений в стилях anime, semi-realistic и realistic, включая более яркую визуальную подачу и улучшенную детализацию рук. Модель построена на Stable Diffusion XL и рассчитана на использование через StableDiffusionXLPipeline библиотеки Diffusers. Для управления результатом поддерживает prompt attention — усиление отдельных частей текстового запроса. Основной язык текстовых запросов — английский. Лицензия модели — FAIR-1.0-SD (faipl-1.0-sd). Модель ориентирована на генерацию изображений по текстовым промптам; качество результата зависит от формулировки запроса, выбранных параметров генерации и ограничений базовой архитектуры.

IAA (Inner-Adaptor Architecture) — мультимодальная модель от команды Qihoo 360, построенная на замороженной языковой модели и внутренней архитектуре адаптеров. Вариант в репозитории содержит 7,5 млрд параметров; для запуска используется Transformers, веса представлены в формате safetensors. Контекст модели — 8192 токена. Модель предназначена для диалога об изображениях, мультимодального понимания и визуальной локализации объектов. README описывает отдельные рабочие режимы для мультимодальных задач, grounding и работы только с текстом; метаданные также отмечают поддержку генерации текста и общения на китайском и английском языках. Авторы сообщают, что подход сохраняет языковые возможности исходной модели и может превосходить варианты с дообученной языковой моделью на задачах понимания изображений и визуальной локализации. IAA основана на замороженной языковой модели, но точный идентификатор базовой модели в метаданных не приведён. В README упоминаются связанные проекты Meta Llama 3, LLaVA и 360VL, однако это не устанавливает однозначно базовую модель данного чекпойнта. Модель распространяется по лицензии Apache-2.0. Практическое применение требует соответствующего кода и весов; заявленные авторами преимущества относятся к указанным мультимодальным задачам и не гарантируют качество на иных сценариях.

Insane m3u — смешанная модель для генерации изображений по текстовому описанию. Автор карточки указывает, что это смесь моделей m3u от digiplay и insaneRealistic от cordonsolution8. Модель работает через Diffusers и доступна в форматах PyTorch и safetensors. Модель предназначена для создания изображений по текстовым запросам; в карточке упомянуты демонстрационные изображения digiplay. Лицензия — CreativeML OpenRAIL-M. Сведений об архитектуре, размере, поддерживаемых языках и ограничениях качества в предоставленных материалах нет.

Cierpliwy/krea2_lineart_edit — набор LoRA-адаптеров, разработанный пользователем Cierpliwy для базовой модели Krea-2-Raw. Адаптеры предназначены для преобразования эскиза в формате lineart в полностью визуализированное изображение под управлением текстового запроса: модель сохраняет структуру линий и одновременно формирует заданные стиль, цвета и окружение. В комплект входят две версии: krea2_lineart_edit_v1.safetensors, которая наиболее точно следует исходному эскизу, и krea2_lineart_coarse_edit_v1.safetensors, рассчитанная на более свободную и стилизованную интерпретацию. Модель работает как text-to-image/lineart-to-image решение на базе Krea-2-Raw; сведения о размере, архитектуре, поддерживаемых языках, модальностях помимо изображения и максимальном контексте не указаны. Рекомендуется использовать lineart, подготовленный препроцессором Realistic Lineart, поскольку именно такой формат применялся при обучении адаптеров. Для работы заявлены ComfyUI, расширение ComfyUI-Krea2-Ostris-Edit, пакет comfyui_controlnet_aux и веса Krea-2-Raw. Сильной стороной является возможность получать детализированный рендер, сохраняя композицию и основные линии исходного рисунка; вариант lineart_coarse предоставляет более творческую интерпретацию. Ограничения включают зависимость от базовой модели, специализированного рабочего процесса ComfyUI и рекомендуемого формата линий, а также отсутствие подробных данных о качестве на различных типах изображений. Распространение осуществляется по лицензии krea-2-community-license; указано, что лицензия является особой, а не стандартной свободной лицензией.

Extract-1.7B — визуально-языковая модель, представленная в работе Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models. Она служит модулем восприятия в двухэтапном подходе Extract+Think: модель выделяет из изображения детали, важные для инструкции, а отдельная модель выполняет этап рассуждения. В качестве языковой основы указана Qwen3-1.7B; архитектура плотная, LlavaQwen3ForCausalLM, число параметров — 1,7 млрд, контекст — до 40 960 токенов. Модель предназначена для извлечения визуальной информации и ответов на инструкции об изображениях в составе мультимодальных сценариев. Карточка описывает её как часть исследовательской системы и рекомендует оценивать через lmms-eval. Доступны веса в формате safetensors; лицензия в предоставленных данных не указана.

MeinaMix V12 Final — финальная версия модели для генерации изображений по текстовому описанию. Автор сообщает, что далее будет работать только с SDXL, а эта версия стала стабильнее и позволяет использовать менее сильные негативные промпты, сохраняя более творческий результат. Усиление негативных промптов смещает генерацию в сторону реализма. Модель распространяется в форматах Diffusers и safetensors и использует Stable Diffusion. Лицензия — CreativeML OpenRAIL-M.

MeinaMix-v9 — неофициальные веса для Diffusers на основе Stable Diffusion 1.5, предназначенные для генерации изображений по текстовому описанию. Карточка не сообщает имя разработчика, размер модели, контекст или языки. Репозиторий содержит веса в формате safetensors для StableDiffusionPipeline. Модель подходит для создания изображений по текстовым запросам. Лицензия в предоставленных данных не указана.