I.8Изображения и компьютерное зрение

MiniMax-H3-MLX-bf16 — преобразованная для MLX версия диффузионного трансформера MiniMax H3, подготовленная для Apple Silicon. Репозиторий содержит только веса трансформера: для генерации нужны код конвейера, отдельные видео- и аудиодекодеры и текстовый энкодер из исходного релиза. В README описана архитектура исходной модели: 33-миллиардный трансформер совместно обрабатывает латентные представления видео и аудио, а условия задаёт замороженный энкодер Qwen3-VL-32B. Метаданные указывают 23,1 млрд параметров для этой версии; README сообщает о смешанной точности bfloat16/float32 и отсутствии квантизации. Модель предназначена для создания коротких видео со синхронизированным звуком по текстовому запросу; карточка и метаданные также относят её к генерации видео по изображению. Конверсия MLX рассчитана на запуск на Apple Silicon, но требует значительной памяти и вычислительных ресурсов. В README приведены медленные времена денойзинга на M3 Ultra; разреженная реализация attention не включена. Лицензия в метаданных обозначена как other, без уточнения условий.

MiniMax-H3 (ref2va, int8) — производная версия MiniMax-H3, подготовленная автором репозитория Papina для запуска сценария ref2va на GPU с меньшим объёмом видеопамяти. Модель создаёт короткие видео со стереозвуком по тексту и референсному изображению; рабочий процесс ref2va использует квантованные компоненты трансформера и текстового энкодера Qwen3-VL. Два крупных компонента преобразованы из исходных весов bf16 в формат int8 с помощью torchao Int8WeightOnlyConfig без переобучения и калибровки. VAE, аудио-VAE, токенизатор, процессор и планировщики загружаются без изменений из MiniMaxAI/MiniMax-H3. Указана библиотека Diffusers и формат safetensors. В README указано, что исходные трансформер и текстовый энкодер занимают около 130 ГБ в bf16; квантованный вариант рассчитан на GPU с меньшим объёмом VRAM, хотя точные требования для этой версии не приведены. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты. Репозиторий содержит только workflow ref2va; сценарии t2va и fl2va следует запускать из исходного репозитория.

MIT 48px OCR — конвертированная в SafeTensors модель распознавания текста из комиксов, используемая в manga-image-translator и BallonsTranslator. Она принимает уже обнаруженные и обрезанные строки текста, нормализованные до высоты 48 пикселей, и распознаёт их; также предсказывает цвета переднего и заднего плана. Модель не ищет текстовые области на целой странице. Архитектура включает визуальный экстрактор признаков ConvNeXt и энкодер Transformer из четырёх слоёв вместе с декодером из пяти слоёв. Размер эмбеддинга — 320, предусмотренная максимальная ширина входа — 8100 пикселей, максимальная длина последовательности — 255 токенов, стандартный beam size — 5. Алфавит токенизатора заявлен как многоязычный, но конкретный охват языков не перечислен. Результат зависит от качества обрезки, масштаба текста, поддержки языка в алфавите и степени повреждения изображения. Сведения об обучающих данных и метриках оценки отсутствуют. Репозиторий содержит конвертированные веса SafeTensors и распространяется по лицензии GPL-3.0.

ewre324/moondream2 — репозиторий модели для определения направления взгляда, содержащий карточку Moondream. Moondream — компактная модель визуально-языкового типа, разработанная для эффективной работы на периферийных устройствах; карточка указывает, что в репозитории размещён выпуск от 9 января 2025 года и более ранние версии. Модель предназначена для сценариев, где по изображению нужно сформулировать текстовый ответ, в том числе для обнаружения направления взгляда. Метаданные указывают задачи image-text-to-text и text-generation, архитектуру Moondream1 и файлы в форматах safetensors и GGUF F16. Лицензия — Apache-2.0. Карточка рекомендует фиксировать ревизию при использовании в производственных приложениях, поскольку модель часто обновляется. Размер, длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны.

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.

Noct Q — модифицированная версия Qwen-Image-2.1, созданная для генерации реалистичных изображений по текстовым описаниям, включая обнажённые тела и откровенные сцены. Модель также подходит для фотореалистичных сцен, иллюстраций и изображений с читаемыми надписями; автор рекомендует формулировать запросы полными предложениями, описывая персонажа, действие, место, освещение и кадрирование. Модель работает в ComfyUI как diffusion-модель и поддерживает редактирование изображений через шаблон Qwen Image 2.1 edit. В репозитории приведён файл V4 в формате safetensors размером 7,3 ГБ, рассчитанный на видеокарты с 8–12 ГБ памяти; также упомянуты предыдущая версия V3 и отдельные текстовый энкодер и VAE. README рекомендует 25 шагов генерации и портретное разрешение 1024×1536. Основана на слиянии Qwen/Qwen-Image-2.1; лицензия указана как other, поэтому условия использования следует проверять на странице модели.

digiplay/NWSJRealMix_SDXL_v1 — модель генерации изображений по текстовому описанию в формате Diffusers и safetensors. Карточка содержит только упоминание демонстрационных изображений первоначального автора и не сообщает сведения о разработчике, архитектуре, размере, языках или назначении модели.

John6666/one-obsession-17-red-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Это объединение моделей Laxhar/noobai-XL-1.0 и OnomaAIResearch/Illustrious-XL-v2.0 на базе Stable Diffusion XL, распространяемое в форматах Diffusers и Safetensors. Модель ориентирована на создание стилизованных изображений, включая аниме и иллюстрации с персонажами; в карточке отмечены детализированные текстуры, освещение и композиция. Для работы принимает текстовый запрос и возвращает изображение. Карточка показывает английский язык; архитектура использует StableDiffusionXLPipeline. Лицензия — faipl-1.0-sd.

tommy424242/pornmasterPro_realismILV4 — модель генерации изображений по текстовому описанию, разработанная пользователем tommy424242 и опубликованная на Hugging Face. Она предназначена для создания реалистичных и фотореалистичных изображений по промптам. Модель основана на Stable Diffusion XL и рассчитана на использование через diffusers StableDiffusionXLPipeline. В метаданных указана задача text-to-image, а также поддержка форматов и технологий diffusers и safetensors. Специализация модели — реалистичный визуальный стиль; сведения о размере, длине контекста и поддерживаемых естественных языках не приведены. Модель распространяется по лицензии CreativeML OpenRAIL-M. При использовании необходимо учитывать условия этой лицензии и возможные ограничения, связанные с генерацией реалистичного контента.

Proteus-RunDiffusion — модель генерации изображений по текстовому описанию от команды RunDiffusion. Она основана на архитектуре Stable Diffusion XL и доступна в формате Diffusers с весами PyTorch и Safetensors; в карточке указана лицензия GPL-3.0. Разработчики описывают её как эксперимент с переобучением CLIP, направленный на более гибкую интерпретацию запросов и генерацию изображений в разных художественных стилях, включая фотореализм. Модель предназначена для создания изображений по текстовым промптам и художественных экспериментов. В README рекомендованы настройка CLIP −2, лёгкие негативные промпты и CFG около 8,5 для обычных запросов или 3,5 для более художественных результатов; также заявлена работа с широким диапазоном CFG. Авторы отмечают, что поведение отличается от других моделей и требует привыкания. Контекстные ограничения, размер модели и поддерживаемые языки в предоставленных данных не описаны.

Qwen-Image-2.1-PE-I2I-Heretic — созданная сообществом производная модели Qwen/Qwen-Image-2.1-PE-I2I на базе Qwen3.5-VL с 9 млрд параметров. Она принимает короткую инструкцию по редактированию и одно или несколько изображений, а затем формирует подробный промпт на английском языке для редактирования изображения. Для работы требуется системный промпт system_prompt.txt из репозитория; модель использует архитектуру Qwen3.5-VL и распространяется в формате safetensors. Модель сохраняет способность переписывать инструкции для редактирования изображений, а направленная абляция Heretic заметно ослабляет отказы на вредоносные запросы в чатовых сценариях. По данным автора, проверка отказов охватывала 100 примеров, а KL-дивергенция на обычных запросах составила 0,0368; выборка мала, и исходная модель также обрабатывала проверенные пограничные инструкции по редактированию. Модель предназначена для сценариев подготовки промптов в приложениях редактирования изображений. Лицензия Qwen Research License разрешает некоммерческое использование; для коммерческого применения нужна отдельная лицензия Qwen.

Qwen-Image-Edit-2511-Midnight-Noir-Eyes-Spotlight — адаптер LoRA, разработанный prithivMLmods для модели Qwen/Qwen-Image-Edit-2511. Он предназначен для image-to-image обработки: преобразует исходные изображения в выразительный стиль midnight noir с акцентом на глаза. Адаптер усиливает контраст, глубокие тени и направленное spotlight-освещение, сохраняя реалистичные текстуры, исходные черты лица и композицию. Модель подходит для создания кинематографичных, мрачных и эмоционально насыщенных изображений с заметными бликами в глазах и согласованными светом, тенями и цветовыми тонами. Для применения используется триггерный запрос «Transform into Midnight Noir Eyes Spotlight». Модель совместима с Qwen-Image-Edit-2511 и Diffusers, включая версии 2509 и 2511. В README не указаны размер адаптера, точная архитектура базовой модели, поддерживаемые языки ввода или максимальный контекст. Лицензия — Apache-2.0; для работы требуется базовая модель Qwen/Qwen-Image-Edit-2511 и совместимое окружение Diffusers.

RealCore Pony 1.0 — модель генерации изображений на основе Pony Diffusion V6 XL и семейства Stable Diffusion XL. Её создатель объединил несколько реалистичных моделей и пользовательских LoRA; в метаданных перечислены компоненты слияния, включая CyberRealisticPony и модели John6666. Модель распространяется в формате safetensors и рассчитана на работу с Diffusers. Она создаёт реалистичные, похожие на фотографии изображения по текстовым запросам, в том числе контент NSFW. Карточка отмечает совместимость с ускорением LCM и оптимизацию для ComfyUI. Указанный в метаданных язык — английский; контекст изображения задаётся текстовым промптом. Модель распространяется по лицензии OpenRAIL++ и предназначена для генерации изображений. Качество и соответствие промпту зависят от формулировки запроса и настроек генерации; карточка не приводит количественных оценок качества.

ReVAnimated — модель преобразования текста в изображение для создания иллюстраций в аниме, мультяшной и стилизованной манере. В карточке указано, что это версия v10 с разрешением 768×768 и встроенным MoistMixV2VAE; модель опубликована в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Модель предназначена для генерации изображений по текстовым запросам, в том числе персонажей с детализированными чертами и волосами. В README приведён пример запроса для иллюстрации девушки в стиле chibi и журнальной рекламы. Лицензия — CreativeML OpenRAIL-M.

SANA-Video 2.0 5B 720p 4-Step Preview — исследовательская версия модели генерации видео из текста, основанная на диффузионном трансформере SANAVideo2_5B. По карточке, чекпойнт содержит около 4,47 млрд параметров и дистиллирован для четырёх этапов генерации видео с разрешением 720p. Архитектура сочетает двунаправленное линейное внимание с периодическими слоями плотного softmax-внимания и агрегацией Attention Residual. Модель предназначена для создания коротких видео по текстовым описаниям и творческих экспериментов. Это режим text-to-video: генерация с условием на исходное изображение не поддерживается; для неё README рекомендует базовую версию. Четырёхэтапная генерация ускоряет получение результата, но движение, анатомия, отображение текста, постоянство объектов и физические взаимодействия могут быть непоследовательными. Модель также может хуже следовать длинным, неоднозначным и сложным по композиции запросам, а результаты могут отражать смещения обучающих данных. Чекпойнт получен дистилляцией DMD на основе SANA-Video 2.0 SFT-модели после объединения адаптера ReFL; выпущен как полная модель, а не LoRA-адаптер. Отдельно предоставляется вспомогательная RL LoRA для регулировки влияния RL. Лицензия — Apache 2.0. Это исследовательское превью с менее обширной проверкой, чем у исходной 50-этапной модели.

SegMoE-4x2-v0 — модель генерации изображений по текстовому описанию, разработанная Segmind; авторами указаны Yatharth Gupta и Vishnu Jaddipal. Это диффузионная смесь экспертов, созданная без обучения из четырёх дообученных моделей SDXL. Она рассчитана на создание изображений по промптам и объединяет знания нескольких экспертных моделей, чтобы улучшать соответствие запросу и визуальную точность. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Модель может быть полезна для генерации иллюстраций и фотореалистичных изображений по текстовым запросам. Она не предназначена для достоверного изображения людей, событий и реальных фактов, а также для задач, требующих высокой точности. В README отмечены ограничения по скорости и расходу памяти; без обучения качество не обязательно существенно превосходит качество отдельных экспертных моделей. Лицензия — Apache 2.0.

SkyPaint — модель генерации изображений по текстовому описанию, разработанная Singularity-AI. Она предназначена для работы с китайскими и английскими запросами, включая смешанные подсказки, и для создания изображений в современном художественном стиле. Модель сохраняет привычный формат подсказок Stable Diffusion 1.x и использует конвейер StableDiffusionPipeline из библиотеки Diffusers. Система сочетает текстовый кодировщик на основе OpenAI CLIP, оптимизированный для китайского и английского языков, и диффузионную модель, дообученную на базе stable-diffusion-v1-5. В README также описан отдельный проект SkyCLIP для двуязычного кодирования текста и поиска по сходству изображений и текста; это не следует считать отдельной задачей самой SkyPaint. Модель подходит для создания иллюстраций и художественных изображений по коротким или составным текстовым запросам на китайском и английском языках. Авторы сообщают, что модель продолжает оптимизироваться; лицензия в предоставленных данных не описана.

Tea — восстановленная модель генерации изображений, связанная с andite. Это версия без EMA, в которую встроен VAE MoistMixV2 для повышения детализации и насыщенности цветов. Примеры показывают генерацию иллюстраций в стиле аниме, детской книжной графики и видеоигр, а также изображений с фотографической эстетикой. Модель принимает текстовые запросы и создаёт изображения. Репозиторий опубликован в формате Diffusers с весами safetensors и предназначен для использования с библиотекой Diffusers. Лицензия CreativeML OpenRAIL-M задаёт условия использования модели.

Карточка модели flower45670/text-to-video-ms-1.7b на Hugging Face совпадает с карточкой ali-vilab/text-to-video-ms-1.7b, поэтому описание составлено по ней. Text-to-video-ms-1.7b — диффузионная модель генерации видео по текстовому описанию, разработанная ModelScope и опубликованная Alibaba. Она принимает описание на английском языке и создаёт соответствующее видео. Модель использует многоэтапную архитектуру из трёх частей: извлечение текстовых признаков, диффузия в латентном пространстве видео и преобразование видео из латентного пространства в визуальное; диффузионная часть построена на UNet3D. Размер модели составляет около 1,7 млрд параметров. Модель предназначена для создания видео по произвольным англоязычным запросам и экспериментов с генерацией видео. В README описана возможность генерации роликов продолжительностью до 25 секунд при оптимизации использования памяти, однако результат зависит от оборудования и настроек. Модель плохо справляется со сложными композициями, не создаёт чёткий текст в кадре и не обеспечивает кинематографическое качество. Она обучалась на публичных наборах данных, включая WebVid, LAION5B и ImageNet, поэтому результаты могут отражать их смещения. В README указана лицензия CC-BY-NC-ND, тогда как метаданные Hugging Face указывают CC-BY-NC-4.0; условия лицензирования в источниках расходятся. Перед использованием следует свериться с актуальной лицензией репозитория. В README также запрещена генерация порнографического, насильственного и кровавого контента, а также унижающего или вредоносного контента.

VBVR-Pro-Wan2.1-I2V-14B — модель генерации видео по изображению и текстовому запросу, разработанная авторами проекта VBVR-Pro. Она основана на Wan2.1-I2V-14B-720P и дообучена на задачах набора VBVR-Pro для изучения визуального рассуждения через генерацию; архитектурных изменений не вносили. Модель предназначена для экспериментов с визуальными задачами, в которых нужно создавать видео с согласованными изменениями состояния во времени. Модель использует конвейер WanImageToVideoPipeline в Diffusers и распространяется в форматах Diffusers и safetensors. Авторы представляют её как часть исследовательского набора VBVR-Pro, включающего процедурно созданные задачи и проверяемые оценщики. Базовая модель предназначена для создания видео до 720p по исходному изображению и текстовому запросу. Репозиторий распространяется по лицензии Apache-2.0.

Yntec/Vector — модель преобразования текста в изображения, созданная как дообучение coder119/Vectorartz_Diffusion. Она предназначена для генерации изображений, в том числе векторных иллюстраций, игровых материалов, значков и логотипов; в отличие от базовой модели, рассчитана на работу без обязательного слова-триггера «vectorartz» и без отрицательных запросов. Примеры в карточке показывают разнообразные художественные стили и сюжеты. Модель распространяется в формате Diffusers с весами safetensors по лицензии CreativeML OpenRAIL-M.

Yntec/Vintage — созданная Yntec модель генерации изображений по текстовому описанию. Она объединяет модели Yntec/Film и Yntec/Vintedois; автор отмечает, что в Film также включена FilmGirlUltra. Модель рассчитана на создание изображений с винтажной фотографической и кинематографической эстетикой: аналоговая цветная плёнка, ретро-сцены, кадры в духе старого кино и художественные изображения. Для использования стиля Vintedois автор предлагает добавлять в промпт «estilovintedois». Модель работает в библиотеке Diffusers и распространяется в форматах Diffusers и Safetensors. Поддерживаемая задача — text-to-image. Лицензия — CreativeML Open RAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Western Cartoon Type A — модель генерации изображений из текста на основе Stable Diffusion, опубликованная Yntec. Карточка содержит примеры промптов для создания персонажей и сцен в стилизованной мультяшной манере, включая портрет женщины с розовыми волосами и ярким шарфом. Модель предназначена для генерации иллюстраций по текстовым описаниям. Репозиторий содержит веса в формате safetensors для использования с Diffusers; указано, что это версия без EMA. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении модели.

GHArt/XXMix_9realisticSDXL_V1.0_xl_fp16 — модель генерации изображений по текстовому описанию на основе Stable Diffusion XL, опубликованная GHArt. Репозиторий содержит веса в формате Diffusers и Safetensors, с точностью F16; на карточке указано около 3 млрд параметров. Модель предназначена для создания изображений по текстовым промптам. Hugging Face показывает пример запуска через Diffusers и StableDiffusionXLPipeline. В названии указана реалистичная направленность, однако карточка модели отсутствует, поэтому её конкретные стилевые возможности и преимущества не подтверждены. Лицензия и ограничения на использование в доступных данных не указаны.

Это 8-битная версия Z-Image-Turbo от Tongyi Lab (Alibaba), подготовленная для запуска через mflux и MLX на компьютерах Apple с Apple Silicon. Репозиторий содержит веса в формате safetensors, текстовый энкодер Qwen3, VAE и токенизатор; размер модели после квантизации составляет около 10 ГБ вместо примерно 20 ГБ у исходных весов bf16. Модель предназначена для генерации изображений по текстовым описаниям. Она использует дистилляцию с guidance и рассчитана на быстрый вывод за 8–9 шагов без guidance и отрицательного промпта. По README, квантизация не сопровождалась обучением или другими изменениями, а заметной потери качества изображений автор не наблюдал. Это квантованная копия Tongyi-MAI/Z-Image-Turbo, предназначенная для работы с mflux на Apple Silicon. Лицензия — Apache-2.0. Описанный способ запуска ориентирован на экосистему Apple и требует установленной библиотеки mflux.

BrainDance 1.8 — модель Yntec для генерации изображений по текстовому описанию. Карточка показывает примеры промптов с аниме-персонажами, иллюстрациями и стилизованными изображениями, включая сочетания аниме и реалистичной подачи. Модель поставляется в формате Diffusers с весами Safetensors; в версию 1.8 встроен VAE MoistMixV2, предназначенный для улучшения детализации и насыщенности цветов. Метаданные указывают на семейство Stable Diffusion и поддержку английского языка. Модель подходит для создания иллюстраций и стилизованных изображений по промптам. Лицензия — CreativeML OpenRAIL-M. Количество параметров и размер контекста не приводятся; результат зависит от формулировки промпта и возможностей используемого конвейера генерации.

britannica-illustration-detector-smoke — детектор объектов, созданный дообучением D-FINE Small, обученной на COCO, на наборе davanstrien/britannica-illustration-labels-coco. Модель предназначена для обнаружения иллюстраций Britannica на изображениях и выдаёт ограничивающие рамки с оценками обнаружения. В README приведены результаты на оценочной выборке: mAP 0,7702, mAP@50 0,9069 и mAP@75 0,828. Модель использует архитектуру D-FINE для детекции объектов и формат весов safetensors. Лицензия — Apache-2.0. Подробности о поддерживаемых классах, процедуре обучения и практических ограничениях не раскрыты.

duyntnet/Chroma-GGUF-All-Versions — набор GGUF-квантизаций модели Chroma, разработанной lodestones. Модель предназначена для генерации изображений по текстовому описанию и ориентирована на сценарии text-to-image. В карточке указана поддержка английского языка и наличие тегов image-generation и GGUF. Доступны варианты квантования Q4_0, Q4_1, Q4_K_M, Q4_K_S, Q5_0, Q5_1, Q5_K_M, Q5_K_S, Q6_K и Q8_0; версии v41 и обновлённая v42 содержат соответствующие переразмещённые веса. Архитектура, число параметров, модальности помимо текста и изображений, а также размер контекста не указаны. Автор отмечает, что варианты Q3 и ниже не выпускались из-за существенного ухудшения качества. Для примера качества приведены тесты v41 с sampler Euler, beta scheduler и 30 шагами. Лицензия — Apache-2.0. Карточка также содержит пометку not-for-all-audiences, поэтому при использовании следует учитывать возможные ограничения по характеру генерируемого контента. Данные о требованиях к аппаратному обеспечению, производительности и точных различиях между версиями отсутствуют.

Clam — модель генерации изображений по текстовому описанию, опубликованная пользователем Johnhex и работающая через библиотеку Diffusers. Автор рекомендует формулировать позитивный запрос как описание желаемого изображения без тегов качества; в негативный запрос можно добавить EasyNegative. В карточке также упоминается вариант Clam1.1 с более детализированным фоном, но меньшей стабильностью. Модель предназначена для сценариев text-to-image и распространяется в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении сгенерированных изображений и самой модели.

Карточка модели Pspdlwplxpepdpcldps/CogVideoX1.5-5B-GTA-Vice-City на Hugging Face совпадает с карточкой zai-org/CogVideoX1.5-5B, поэтому описание составлено по ней. CogVideoX1.5-5B — открытая модель генерации видео, разработанная командой CogVideoX. Она создаёт видео по текстовым запросам и предназначена для генерации роликов из англоязычных описаний. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; для запуска и тонкой настройки авторы рекомендуют использовать Diffusers и SAT соответственно. Модель поддерживает английские запросы. Для запросов на других языках README рекомендует сначала переводить текст на английский. Оптимизации Diffusers и квантизация могут снизить потребление видеопамяти, в том числе на менее мощных GPU, но квантизация INT8 заметно замедляет инференс. Приведённые измерения оптимизаций проверялись на NVIDIA A100 и H100; поведение на других устройствах не проверялось. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует уточнить в материалах репозитория.