I.8Изображения и компьютерное зрение

Elldreth's Daydream Mix — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная Yntec. Это вариант без EMA весов с уже встроенным VAE 840K. Примеры в карточке охватывают портреты, фэнтези и киберпанк-сцены, а также изображения животных; модель ориентирована на детализированную художественную генерацию. Модель принимает текстовые запросы и создаёт изображения. В метаданных указан английский язык. Репозиторий содержит веса safetensors и использует библиотеку Diffusers. Лицензия — CreativeML Open RAIL-M, условия которой допускают использование с ограничениями, указанными в лицензии.

Epic Diffusion — универсальная модель генерации изображений по текстовому описанию, разработанная johnslegers. Она основана на Stable Diffusion 1.x и предназначена для создания изображений в широком диапазоне стилей; автор позиционирует её как модель общего назначения для повседневной генерации вместо официальных выпусков Stable Diffusion. Версия 1.0 создана как многократно калиброванное слияние SD 1.4, SD 1.5 и нескольких стилизованных моделей, включая Analog Diffusion, Wavy Diffusion, Openjourney Diffusion и другие. Репозиторий содержит формат Diffusers и веса Safetensors. Модель поддерживает генерацию NSFW-контента. Лицензия — CreativeML OpenRAIL-M.

FLUX.1 [dev] Abliterated-v2 — модифицированная текстово-графическая модель генерации изображений на основе FLUX.1 [dev], представленная автором репозитория aoxo. В README указаны архитектура Rectified Flow Transformer и размер 12 млрд параметров. Модель предназначена для создания изображений по текстовым запросам; она построена на базе FLUX.1 [dev] и использует формат Diffusers с весами Safetensors. Автор описывает модификацию как abliteration через unlearning: изменение механизма отказа, чтобы модель отвечала на более широкий круг запросов. При этом сохраняются основные возможности исходной модели. В карточке также заявлено обучение на разнообразном визуальном и текстовом содержимом, без подробностей о составе данных. Модель рассчитана на генерацию изображений из текстовых промптов на английском языке. README показывает использование через Diffusers, но не приводит лицензию. Указанное снятие механизма отказа может приводить к генерации неподходящего или вредоносного контента; конкретные ограничения качества и безопасности в карточке не описаны.

mlx-community/gemma-4-E4B-it-qat-4bit — инструкционно настроенная модель семейства Gemma, опубликованная сообществом mlx-community в формате MLX. Она предназначена для сценариев image-text-to-text, включая обработку изображений и генерацию текстовых ответов по визуальным запросам, например для описания содержимого изображения. Модель представлена в 4-битном формате QAT, что ориентировано на запуск с меньшими требованиями к памяти в совместимой экосистеме MLX; для использования рекомендуется библиотека mlx-vlm. В README указано, что заявленный язык — английский. Сведения об архитектуре, точном размере, длине контекста, поддерживаемых модальностях помимо изображений и текста, результатах оценки, ограничениях и лицензии не приведены, поэтому эти характеристики нельзя достоверно определить по имеющимся данным.

GhostMixV1.2VAE — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Метаданные указывают на совместимость с Diffusers и Stable Diffusion; веса представлены в форматах PyTorch и Safetensors. README не сообщает дополнительных характеристик модели или её разработчика. Модель предназначена для создания изображений по текстовым запросам в сценариях text-to-image. Лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория. По доступным данным нельзя установить базовую модель, размер, поддерживаемые языки запросов или конкретные ограничения качества.

Hell's Kitchen — модель генерации изображений по текстовому описанию, созданная Yntec слиянием Kitsch-In-Sync v2 и HELLmix. Она предназначена для генерации изображений общего назначения, включая аниме и иллюстрации в стилизованной манере. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку diffusers. В карточке приведён пример праздничной иллюстрации с отцом, дочерью и Санта-Клаусом, а также рецепт слияния: веса Kitsch-In-Sync v2 объединены с композициями HELLmix. Для работы модели требуется VAE, поскольку в README отмечено, что его в составе нет. Лицензия — CreativeML OpenRAIL-M.

HFTrainer-Wan2.1-T2V-1.3B — текстовая модель для генерации видео, размещённая ZeyuLing. В основе — Wan 2.1 T2V размером 1,3 млрд параметров; обучается полный трансформер, а компоненты UMT5 и VAE заморожены. Модель принимает текстовый запрос и создаёт видео. В README показана генерация ролика из 17 кадров; для короткого обучающего прогона использовалось разрешение 128 × 128, а в демонстрации — 480 × 832. Репозиторий содержит обработанную базовую модель и код для обучения и инференса. Проверено выполнение 20 шагов обучения на видео CREMA-D без аудиодорожек, однако сходимость обучения и качество на отложенной выборке не установлены. Для демонстрации использовались 50 шагов Euler, CFG 5 и flow shift 3; равенство качества официальным сэмплерам не подтверждено. Указана лицензия Apache-2.0.

jayn7/HunyuanVideo-1.5_T2V_480p-GGUF — набор квантованных версий модели HunyuanVideo 1.5 T2V 480p, разработанной Tencent. Модель предназначена для генерации видео по текстовому описанию и представлена в формате GGUF, включая варианты Distilled Model и обычную модель. Модель работает со сценарием text-to-video и ориентирована на генерацию видео с разрешением 480p. В репозитории доступны варианты квантования Q4_K_S, Q8_0 и FP16; конкретные требования к ресурсам, архитектура, число параметров, поддерживаемые языки, длительность контекста и другие технические характеристики в README не указаны. Для использования заявлена интеграция с ComfyUI-GGUF. К сильным сторонам относятся наличие нескольких вариантов квантования и возможность запуска через ComfyUI-GGUF. Ограничения включают отсутствие подробной информации о качестве генерации, поддерживаемых языках, производительности и системных требованиях. Репозиторий следует той же лицензии, что и исходная Hunyuan Video 1.5, однако её конкретные условия в README не приведены.

Idle Fancy — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это слияние AbsoluteRemix и DucHaiten-FANCYxFANCY, созданное с помощью SuperMerger и предназначенное для сочетания фотореалистичных и фантазийных запросов. В примерах показаны портреты и сцены с элементами фото, иллюстрации и игрового арта. Модель принимает текстовые запросы и выдаёт изображения. Репозиторий использует Diffusers и формат safetensors. Для генерации откровенного контента автор указывает отдельный вариант AbsoluteFANCYxFANCY; Idle Fancy позиционируется для обычных фотореалистичных и фантазийных изображений. Лицензия — CreativeML OpenRAIL-M.

Kohaku XL Epsilon rev2 — модель преобразования текста в изображения на базе Stable Diffusion XL, опубликованная KBlueLeaf. Это продолжение обучения Kohaku XL Epsilon rev1 на 1,56 млн изображений в течение пяти эпох. В обучающую выборку вошли работы выбранных художников, изображения по отдельным сериям и играм, а также фотографии коллекционных PVC-фигурок. Модель предназначена для генерации изображений по текстовым запросам, в том числе изображений в стиле PVC-фигурок. Она обучалась на разрешении 1024×1024 с поддержкой разных пропорций и диапазона разрешений от 256 до 4096 пикселей; автор рекомендует использовать разрешение немного выше 1024×1024 и hires-fix для улучшения результата. В README приведены теги качества, рейтинга и даты, которые можно включать в запрос. Модель распространяется в формате Diffusers с весами Safetensors. Лицензия указана как other, без уточнения условий в предоставленных данных. Она обучалась на контенте с рейтингами от safe до explicit и может создавать изображения для взрослых; качество зависит от формулировки запроса и разрешения.

lametta Nightly — модель генерации изображений из текста на базе Stable Diffusion, опубликованная Yntec и предназначенная для работы через inference API. Версия Nightly следует за обновлениями lametta; в карточке указана версия v1930. Модель ориентирована на создание стилизованных иллюстраций, в том числе аниме и чиби, по текстовым промптам. В README приведён пример промпта для фантазийного постерного изображения с выразительной цветовой палитрой и динамичным освещением. Модель распространяется в формате Diffusers с весами safetensors по лицензии CreativeML OpenRAIL-M.

MeinaPastel_V6 — модель генерации изображений от Meina, предназначенная для создания цветных иллюстраций с ощущением 2D. Она формирует изображения с выразительным светом, тенями и деталями; автор рекомендует размеры от 512×768 до 1536×512 пикселей и сэмплер DPM++ 2M Karras на 20 шагах. VAE встроен, для работы рекомендуется Clip skip 2. Модель создана слиянием блоков UNet из MeinaMix, Colormixed, ultracolorv4 и нескольких других моделей; тип архитектуры в метаданных обозначен как StableDiffusionPipeline. Репозиторий содержит файлы в формате Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

MiewID-msv3 — модель извлечения визуальных признаков для повторной идентификации отдельных животных по фотографиям. Она разработана для сопоставления изображений с образцами известных особей в базе данных и может также использоваться для классификации видов поиском по сходству. Модель обучена контрастивным обучением на наборе данных высокого качества, охватывающем 64 вида наземных и водных животных; среди различаемых признаков — плавники, хвостовые плавники, бока и лица. Архитектура модели — MiewIdNet, около 51,11 млн параметров. Для извлечения признаков используются изображения размером 440 × 440 пикселей; веса опубликованы в формате safetensors. В README приведены результаты оценки на нескольких группах видов, включая амурских тигров и китов. Для применения нужны фотографии животных и база образцов для сопоставления. Точность может различаться между видами и наборами данных; опубликованные результаты для отдельных групп заметно отличаются. Сведения о лицензии в предоставленных источниках отсутствуют.

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.

mistoonRuby 3 — модель преобразования текста в изображения на базе Stable Diffusion, предназначенная для создания иллюстраций в стилях аниме и мультфильма. Модель распространяется в формате Diffusers с весами safetensors; в неё встроен VAE kl-f8-anime2. Модель подходит для генерации персонажей, чиби-иллюстраций и стилизованных сцен по текстовым запросам. В README приведены примеры промптов для портретов персонажей, рекламных иллюстраций и живописных изображений. Модель создана сообществом Yntec. Указана лицензия CreativeML OpenRAIL-M, условия которой распространяются на использование и распространение модели.

Gthalmie1/moody-wild-mix-v2-gguf — это GGUF-квантизированная версия модели Moody Wild Mix, разработанной catlover1937 и опубликованной в исходном виде на Civitai. Модель предназначена для генерации изображений по текстовому описанию и интегрируется с библиотекой Diffusers. В README указано, что модель ориентирована на английский язык и относится к классу text-to-image. Формат GGUF может быть полезен для более эффективного хранения и запуска модели в совместимых инструментах, однако конкретный метод квантизации, размер модели, архитектура, поддерживаемые разрешения, длина контекста и набор модальностей не указаны. Сильная сторона модели — возможность использовать вариант Moody Wild Mix в компактном GGUF-представлении. При этом README не содержит сведений о качестве генерации, предпочтительных сценариях, ограничениях, системных требованиях или совместимости с конкретными версиями программного обеспечения. Лицензия указана как Apache-2.0; дополнительные условия исходной модели или платформы Civitai в предоставленных данных не описаны.

NoobAI XL 0.5 — диффузионная модель генерации изображений по текстовому описанию, разработанная Laxhar Lab. Это первая публичная версия семейства NoobAI XL, дообученная на Illustrious XL; для обучения использовались датасеты Danbooru и e621 с подписями в виде тегов. Модель предназначена для создания иллюстративных изображений, в том числе по теговым промптам. Для генерации авторы рекомендуют около 25–30 шагов, CFG 5–6 и разрешение с общей площадью примерно 1024×1024 пикселя; карточка описывает использование через StableDiffusionXLPipeline и формат safetensors. Модель ориентирована на английские промпты и теги. В README приведены рекомендации по параметрам и качественным тегам, но результаты зависят от промпта и выбранных настроек. Лицензия указана как other; README запрещает коммерческое использование и требует открывать производные модели и делиться сведениями о рабочих процессах в соответствии с fair-ai-public-license.

NoobAI-XL-1.0 — диффузионная модель генерации изображений по текстовому описанию от Laxhar Lab. Она дообучена на базе NoobAI-XL-0.77; в README исходной моделью названа Illustrious-xl. Для обучения использовались изображения из Danbooru и e621 с подписями в виде тегов, поэтому модель ориентирована на генерацию изображений по теговым промптам. Рекомендуются CFG 5–6, 25–30 шагов и разрешение около 1024×1024; среди предложенных размеров — 832×1216 и 1216×832. Модель предназначена для создания иллюстраций по текстовым запросам. В README приведены рекомендуемые префикс промпта и негативный промпт, а также описаны связанные ControlNet-модели для normal, depth и canny. Основной указанный язык карточки — английский; данные обучения ориентированы на теги. Лицензия обозначена как other, а README запрещает коммерческое использование, требует открывать производные модели и соблюдать Fair AI Public License. Генерация может давать неожиданные или вредные результаты; качество зависит от промпта и настроек семплирования.

NoobAI XL V-Pred 0.65s — диффузионная модель для генерации изображений по текстовым описаниям и тегам, разработанная Laxhar Lab. Это дообучение модели Laxhar/noobai-XL_v1.0; в метаданных базовой моделью указана Laxhar/noobai-XL-Vpred-0.6. Модель ориентирована на иллюстрации, в том числе изображения в аниме-стиле, и обучалась на изображениях Danbooru и E621 с тегами и текстовыми подписями. Модель использует предсказание v (v-prediction) и предназначена для работы в Diffusers и интерфейсах генерации изображений. В README рекомендуются sampler Euler, CFG 4–5, 28–35 шагов и разрешения около 1024×1024 пикселей; другие sampler могут работать некорректно. Карточка указывает английский язык тегов. Лицензия обозначена как other; README запрещает коммерческое использование и требует открывать производные модели и работы на условиях fair-ai-public-license.

OpenGen Diffusers — версия модели OpenGen в формате Diffusers с интегрированным Color101VAE. Она предназначена для создания изображений по текстовым описаниям и может использоваться для генерации художественных иллюстраций с яркими цветами и детализированной эстетикой. Пример в карточке показывает фантазийный образ с неоновым светом, природными мотивами и элементами биомеханического костюма. Модель распространяется в форматах PyTorch и Safetensors для библиотеки Diffusers. В карточке указана лицензия CreativeML Open RAIL-M. Сведения о базовой модели, размере и длине контекста не приведены.

Google PaliGemma 2 10B FT DOCCI 448 — это мультимодальная модель, дообученная на наборе данных DOCCI для описания изображений. Она принимает изображение и текст, а в ответ генерирует текст; версия настроена на изображения размером 448 × 448 пикселей. Архитектура семейства сочетает визуальную модель SigLIP и языковую модель Gemma 2. Веса доступны в формате bfloat16, модель использует библиотеку Transformers и распространяется по лицензии Gemma. Модель подходит для генерации описаний изображений и исследований задач «изображение—текст». Хотя семейство PaliGemma 2 также рассчитано на ответы на вопросы по изображениям, чтение текста и другие визуальные задачи, этот чекпойнт дообучен именно для описаний DOCCI. Он лучше работает с чёткими инструкциями, может ошибаться в фактах и сложных рассуждениях и не предназначен для многоходового диалога. Разработчик — Google; модель обозначена как предназначенная для исследовательского использования.

Z-Engineer V4 — дообученная модель на архитектуре Qwen3, разработанная для создания и улучшения текстовых запросов к генераторам изображений. По карточке, это полное дообучение текстового энкодера Tongyi-MAI/Z-Image-Turbo с 3,7 млрд параметров; автор сообщает о тренировке на 55 000 примерах, включая описания реальных фотографий и синтетические пары для расширения запросов. Модель превращает короткую идею в подробное визуальное описание, подбирая композицию, освещение, оптику, атмосферу и цветовую палитру. Её используют для подготовки промптов в рабочих процессах генерации изображений, в том числе как текстовый энкодер в Z-Image Turbo. Модель принимает текст и генерирует текст; заявленное контекстное окно — 40 960 токенов. В метаданных указан английский язык. Репозиторий содержит веса Safetensors, а идентификатор версии указывает на F16. Лицензия — Apache-2.0. Карточка также описывает варианты GGUF, но они не входят в указанные метаданные форматов этого репозитория.

EfficientNet-V2-S — модель классификации изображений, основанная на реализации efficientnet_v2_s из torchvision и экспортированная Software Mansion для библиотеки React Native ExecuTorch. Модель поставляется в виде программ ExecuTorch с расширением .pte и предназначена для выполнения непосредственно на мобильном или другом поддерживаемом устройстве без обязательного обращения к серверу. Доступны варианты для backend Core ML в формате FP16, а также для XNNPACK в форматах FP32 и INT8. Размер файлов составляет примерно от 21,9 до 81,7 МБ в зависимости от backend и точности. Репозиторий подготовлен для ExecuTorch версии 1.4.1; совместимость с более старыми версиями не гарантируется. Вариант для backend MLX был экспортирован, но не опубликован из-за проблем, описанных в репозитории. Модель подходит для сценариев классификации изображений в приложениях React Native и других приложениях, использующих ExecuTorch. README не содержит сведений о точном числе параметров, наборе классов, поддерживаемых языках, размере контекста или других характеристиках исходной архитектуры, поэтому эти параметры нельзя достоверно указать. Лицензия обозначена как Apache License 2.0.

mradermacher/RsEvi-8B-i1-GGUF — GGUF-квантизированная версия vision-language модели RsEvi-8B, разработанной sesko818 и опубликованной в квантизированном виде mradermacher. Модель ориентирована на задачи дистанционного зондирования, visual question answering и visual grounding, то есть на анализ изображений и ответы на вопросы по их содержимому, включая задачи, связанные с данными дистанционного зондирования. В метаданных указан английский язык. Модель имеет размер 8B параметров согласно названию базовой модели и поддерживает обработку изображений; для работы vision-компонента могут потребоваться отдельные mmproj-файлы из статического репозитория. Репозиторий содержит множество вариантов GGUF-квантизации с размерами примерно от 2,2 до 6,8 ГБ, включая IQ- и Q-варианты. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; для баланса скорости, размера и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M, причём i1-Q4_K_M обозначен как быстрый и рекомендуемый. Точные сведения об архитектуре, размере контекстного окна, составе обучающих данных, показателях качества и поддерживаемых языках, кроме английского, в README не указаны. Лицензия также не приведена, поэтому условия коммерческого и иного использования следует уточнять в исходном репозитории базовой модели и у авторов.

Vishnou разработал модель генерации изображений sd-laion-art, дообучив Stable Diffusion 2.1 на датасете fantasyfish/laion-art. Модель принимает текстовые запросы и создаёт изображения; она предназначена для генерации иллюстраций по описаниям, в том числе в художественном стиле, представленном в обучающих данных. Модель распространяется в формате Diffusers с весами Safetensors и использует лицензию CreativeML OpenRAIL-M. В README указаны обучение в течение 100 эпох, разрешение изображений 512 пикселей и смешанная точность bf16. Другие сведения о параметрах генерации и качестве результатов в карточке не приведены.

Карточка модели Kuki193321/sd-nsfw на Hugging Face совпадает с карточкой Kernel/sd-nsfw, поэтому описание составлено по ней. Kernel/sd-nsfw — модель генерации изображений по тексту на основе Stable Diffusion v1.5, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; исходный чекпойнт Stable Diffusion v1.2 был дообучен на 595 тысячах шагов при разрешении 512×512 на наборе laion-aesthetics v2 5+. Модель принимает текстовые запросы на английском языке и создаёт изображения; репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для генерации фотореалистичных изображений и художественных материалов по описанию, а также для исследований генеративных моделей. Название и метка «not-for-all-audiences» указывают на ориентацию на NSFW-контент. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование. Модель не гарантирует фотореализм, плохо передаёт текст внутри изображений и сложные пространственные композиции, может ошибаться при генерации лиц и людей. Английские запросы работают лучше других языков; возможны смещения и запоминание изображений из обучающих данных. Для практического применения авторы рекомендуют использовать Safety Checker.

SegVol — универсальная интерактивная модель для сегментации объёмных медицинских изображений, разработанная авторами проекта SegVol. Она принимает томографические данные и текстовые, точечные или рамочные подсказки, чтобы выделять анатомические структуры в трёхмерном объёме. Модель обучали на 90 тысячах неразмеченных и 6 тысячах размеченных КТ-исследований; заявлена поддержка более 200 анатомических категорий. SegVol предназначена для сегментации медицинских КТ-объёмов с интерактивным уточнением области интереса. В карточке Hugging Face указаны архитектура SegVolModel, формат PyTorch и лицензия MIT. Модель ориентирована на медицинские изображения; заявленные возможности и обучение относятся к КТ, поэтому пригодность для других методов визуализации из доступных сведений не следует.

gdhe17/Self-Forcing — реализация и чекпойнт модели для генерации видео по текстовому описанию на основе авторегрессионной диффузии. Подход Self Forcing обучает модель, воспроизводя процесс инференса: она последовательно генерирует фрагменты видео с использованием KV-кэширования, что помогает уменьшить расхождение между обучением и применением. Репозиторий использует библиотеку Self-Forcing и формат весов PyTorch. Модель предназначена для потоковой генерации видео в реальном времени; авторы сообщают о работе на одной RTX 4090 и сопоставимом с современными диффузионными моделями качестве. Для получения лучших результатов рекомендуются длинные и подробные текстовые запросы. В README также описаны способы ускорения генерации, некоторые из которых могут снизить качество. Для запуска проверялась Linux-система с GPU, имеющим не менее 24 ГБ памяти, и 64 ГБ ОЗУ; другие конфигурации не проверялись. Лицензия — Apache-2.0.

EarthnDusk/Sept_2024 — модель генерации изображений по текстовому описанию, опубликованная Duskfall Portal Crew. Это дообучение Pony Diffusion V6 для создания иллюстраций; в карточке также упоминаются тематики аниме, искусства, дизайна и музыки. Модель рассчитана на творческую генерацию изображений по промптам. Модель использует библиотеку diffusers и распространяется в формате safetensors. Для улучшения результатов авторы предлагают применять положительные и отрицательные эмбеддинги, а также ADetailer для локальной доработки изображений. Базовая модель — AstraliteHeart/pony-diffusion-v6. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Serenity — пользовательская объединённая модель для Stable Diffusion 1.5, опубликованная malcolmrey. Она предназначена для генерации изображений по текстовым запросам и доступна в форматах safetensors и diffusers. Модель рассчитана на англоязычные запросы. Репозиторий распространяется по лицензии MIT. В метаданных указана задача text-to-image и библиотека Diffusers. Карточка не описывает специализацию модели, её размер, контекст или подтверждённые ограничения качества.