IV.1Ритейл, электронная коммерция и fashion-tech

Conditional DETR с ResNet-50, дообученная модель diegokauer для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки. В карточке указано, что обучение проводилось на наборе данных с названием «None», поэтому определить предметную специализацию модели по доступным сведениям нельзя. Модель основана на microsoft/conditional-detr-resnet-50 и распространяется в формате safetensors по лицензии Apache-2.0. Метаданные указывают 6,3 млн параметров. README не содержит подробностей о предназначении, обучающих данных и оценке качества, поэтому надёжность распознавания конкретных категорий объектов не установлена.

destitech/controlnet-inpaint-dreamer-sdxl — модель ControlNet, разработанная Destitech для работы с Stable Diffusion XL и совместимыми с ним моделями. Это ранняя альфа-версия, созданная в экспериментальных целях для изучения возможностей ControlNet. Модель предназначена для задач inpainting и outpainting: редактирования отдельных областей изображения и расширения изображения за его исходные границы. Она используется в пайплайне txt2img с denoising strength 1.0. Изображение для редактирования подаётся на вход ControlNet, а область, которую нужно дорисовать или изменить, должна быть обозначена сплошным белым цветом. В зависимости от текстового запроса исходная часть изображения может сохраняться полностью или изменяться в разной степени. Предусмотрена интеграция с Diffusers и ComfyUI. Архитектура, размер, поддерживаемые языки, модальности помимо изображений и максимальная длина контекста в README не указаны. К сильным сторонам относятся специализированное управление inpainting и outpainting в экосистеме Stable Diffusion XL, а также наличие готовых примеров и рабочего процесса для ComfyUI. Ограничения связаны с экспериментальным статусом ранней альфа-версии и зависимостью от корректной настройки пайплайна и маски. Модель распространяется по лицензии CreativeML OpenRAIL M, адаптированной на основе Open RAIL M.

CyberRealistic-v4-2 — модель генерации изображений по текстовому описанию, опубликованная sam749 и основанная на Stable Diffusion. Она распространяется в формате Diffusers с весами Safetensors и предназначена для создания реалистичных и детализированных изображений по промптам. Автор отмечает, что в этой версии использованы некоторые разработки CyberRealistic Classic 3.1 и изменена основа модели; примеры также используют тестовый negative textual inversion, который всё ещё разрабатывается. Версия описана как более откровенная, чем предыдущие, поэтому она подходит для создания изображений для взрослой аудитории. Лицензия — CreativeML OpenRAIL-M.

Depth Anything V2 Base — модель оценки глубины по одному изображению, представленная авторами семейства Depth Anything и опубликованная в версии, совместимой с библиотекой Transformers. Она предназначена для получения карты относительной или абсолютной глубины без отдельной настройки под конкретную сцену. Модель использует архитектуру DPT с backbone DINOv2. При обучении использовались около 600 тысяч синтетических изображений с разметкой глубины и более 62 миллионов реальных изображений без разметки. Авторы отмечают более детализированные и устойчивые предсказания по сравнению с Depth Anything V1, а также меньшие вычислительные затраты относительно подходов на основе диффузионных моделей. Модель принимает изображение и выдаёт карту глубины. Карточка описывает сценарий zero-shot оценки глубины, но не приводит подробностей о поддерживаемых языках или длине контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Это модель DPT для семантической сегментации изображений, опубликованная в репозитории smp-test-models/dpt-tu-test_vit. Карточка указывает библиотеку segmentation-models-pytorch и формат весов safetensors; модель можно загружать через интерфейс smp.from_pretrained. Модель предназначена для присвоения меток областям изображения. В карточке не приведены метрики и сведения о датасете, поэтому качество и область, на которой модель обучалась, оценить нельзя. Лицензия — MIT.

Dreamlike Photoreal 1.0 — модель генерации изображений от dreamlike.art, созданная на основе Stable Diffusion 1.5 и дообученная на качественных фотографиях. Она принимает текстовые запросы, в том числе обычные промпты для фотореалистичной генерации в стиле SD 1.5 и теги Danbooru для описания персонажей, и создаёт фотореалистичные изображения. Для портретов и пейзажей автор рекомендует использовать подходящие вертикальные и горизонтальные пропорции кадра. Модель распространяется в форматах Diffusers и checkpoint; в метаданных указаны PyTorch и safetensors. Версия 1.0 помечена автором как устаревшая: выпущена улучшенная версия 2.0. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с карточкой модели.

Модель dima806/facial_age_image_detection разработана на базе Vision Transformer google/vit-base-patch16-224-in21k и дообучена для классификации изображений лиц по возрастным группам. Она принимает изображение лица и возвращает метку возрастной группы. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors. Модель предназначена для оценки возрастной категории по лицу в сценариях, где достаточно группового диапазона, а не точного возраста. Она использует архитектуру ViT для классификации изображений. Лицензия Apache-2.0.

flux1-kontext-dev-fp8 — это FP8-квантизированные веса диффузионного компонента модели FLUX.1-Kontext-dev, разработанной Black Forest Labs и соавторами. Модель предназначена для генерации и редактирования изображений по текстовым инструкциям и изображениям в сценариях image-to-image, при использовании совместимого полного пайплайна. Веса используют динамическую покомпонентную квантизацию в форматы FP8 E4M3FN и E5M2, что уменьшает их размер примерно на 40% по сравнению с оригиналом. Вариант E4M3FN ориентирован на баланс производительности и точности, а E5M2 — на более высокую пропускную способность на GPU Hopper. Репозиторий содержит только компонент diffusion_model, а не полный пайплайн; заявлена поддержка ComfyUI с PyTorch 2.4+ и CUDA 12.4+. Поддержка Diffusers отсутствует, а для оптимальной производительности могут потребоваться патченные версии PyTorch. Язык README — английский; другие языковые возможности модели не указаны. Модель распространяется по лицензии FLUX.1(dev) Non-Commercial License, запрещающей коммерческое использование без разрешения. Лицензия, ограничения совместимости и необходимость ручного размещения файла в каталоге ComfyUI diffusion_models ограничивают удобство интеграции.

hum-ma/flux.1-lite-8B-GGUF — это прямая конверсия модели Freepik flux.1-lite-8B в формат GGUF. Модель разработана Freepik, а конверсию выполнил hum-ma для использования с ComfyUI-GGUF. Она предназначена для генерации изображений по текстовому описанию в рамках пайплайна text-to-image и библиотеки Diffusers. Модель относится к семейству FLUX и имеет размер 8B параметров. GGUF-квантизация основана на llama.cpp b3962 с патчем lcpp_sd3.patch из проекта ComfyUI-GGUF, что ориентирует модель на запуск через совместимые инструменты и потенциально может снизить требования к ресурсам по сравнению с исходным представлением. Дополнительные сведения об архитектуре, поддерживаемых языках, модальностях, размере контекста, производительности и ограничениях в README не указаны. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть её использование ограничено условиями некоммерческой лицензии FLUX.1-dev. Перед применением необходимо ознакомиться с полным текстом лицензии по указанной ссылке.

FLUX.2-klein-4B-SDNQ-4bit-dynamic — это квантованная версия модели FLUX.2-klein-4B, разработанной Black Forest Labs. Квантование выполнено Disty0 с использованием SDNQ и предназначено для запуска модели генерации изображений через библиотеку Diffusers по текстовому описанию. В качестве примера указана генерация изображения размером 1024×1024 за 4 шага инференса. Модель использует послойное мелкозернистое динамическое квантование: тип данных для каждого слоя выбирается методом проб и ошибок по порогу нормированной на стандартное отклонение среднеквадратичной ошибки. Минимальный тип данных — uint4, а итоговая смешанная точность включает uint4 и int5; SVD-квантование отключено. Размер модели сокращён примерно с 7,8 ГБ в исходной версии BF16 до 2,5 ГБ. Для работы требуется пакет SDNQ и совместимая установка Diffusers; предусмотрена опция квантованных INT8-матричных умножений для GPU AMD, Intel ARC и Nvidia при доступности Triton. Поддерживается выгрузка частей модели на CPU. README не указывает языки, точное описание архитектуры, перечень модальностей помимо текстового ввода и изображения на выходе, а также ограничения качества квантованной версии. В метаданных указаны лицензии Apache-2.0 и FLUX Non-Commercial License, поэтому условия FLUX Non-Commercial License необходимо учитывать при использовании.

FLUX.2 [klein] 9B FP8 — модель Black Forest Labs для генерации изображений по текстовым описаниям и редактирования изображений с использованием нескольких референсов. Это 9-миллиардная rectified flow transformer-модель; представленная версия содержит FP8-веса, тогда как основной репозиторий распространяет полные веса BF16. Модель интегрируется с библиотекой Diffusers и ориентирована на сценарии text-to-image и image-to-image. Модель поддерживает английский язык. Она предназначена для визуального контента и интерактивного редактирования, но не для предоставления фактической информации. Сгенерированный текст на изображениях может быть неточным или искажённым, соответствие промпту не гарантируется, а результат зависит от стиля формулировки запроса. Как статистическая модель, она может воспроизводить или усиливать смещения из обучающих данных. Для работы требуется около 29 ГБ VRAM; заявлена доступность на NVIDIA RTX 4090 и более производительных GPU. Модель выпускается по лицензии FLUX Non-Commercial License, поэтому предназначена для некоммерческого использования, исследований и разработки. Обязательны соблюдение Acceptable Use Policy и применение фильтров или ручной проверки для входов и выходов; запрещены незаконные, вредоносные, обманные, нарушающие приватность и другие указанные виды использования.

Keltezaa/Flux2_Klein_9B_snofs_v1 — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией Keltezaa. Модель предназначена для использования в сценариях text-to-image и интеграции с библиотекой Diffusers. Адаптер создан на базе black-forest-labs/FLUX.2-klein-base-9B. Из README известно, что базовая модель относится к семейству FLUX.2 Klein и имеет размер 9B, однако сведения о конкретной архитектуре адаптера, поддерживаемых языках, модальностях, размере контекста и отличительных визуальных характеристиках версии snofs_v1 не указаны. Сильная сторона модели — возможность использовать специализированную настройку LoRA поверх базовой модели FLUX.2 Klein, что обычно позволяет применять адаптер без полного хранения или дообучения базовой модели. Ограничения и требования к аппаратному обеспечению в README не описаны; также отсутствуют примеры промптов и результаты тестирования. Модель распространяется по лицензии CC BY-NC-ND 4.0, которая предусматривает указание авторства, запрещает коммерческое использование и распространение производных материалов.

vafipas663/flux2-klein-base-9b-distill-lora — адаптер LoRA для модели FLUX.2-klein-9B, связанный с базовой моделью FLUX.2-klein-base-9B от Black Forest Labs. Адаптер предназначен для задач image-to-image и используется в экосистеме Diffusers; обучение или извлечение выполнено с помощью ComfyUI-FluxTrainer. Модель может быть полезна для преобразования и генерации изображений на основе исходного изображения. По сравнению с указанным в README адаптером klein-4b9b-base-to-turbo-lora, она лучше обрабатывает CFG и создаёт более высокочастотные детали, однако её результаты меньше похожи на исходную FLUX.2-klein-9B. Существенное ограничение — нестабильность при выборе strength: при значениях выше 0,5 может появляться статический шум, а иногда требуется снижать параметр до 0,1. Сведения о поддерживаемых языках, размере контекста, точных модальностях базовой модели и лицензии в карточке не указаны.

GLM-5.3-Flash Vision — извлечённый из GLM-5.3-Flash зрительный энкодер с обученным модулем объединения признаков. Репозиторий immanuelpeter содержит 24-блочный визуальный энкодер с размерностью скрытого состояния 1024, 16 головами внимания, размером изображения 448 и патчами 14×14; для пространственного позиционного кодирования используется axial 2D-RoPE. Патчи группируются блоками 2×2 и сжимаются из ширины 1024 до 4096, а свёрточный patch embedding имеет временной размер патча 2. Модель предназначена для извлечения признаков изображений в Transformers. В репозитории находятся только визуальная часть и конфигурация препроцессора; проверка README утверждает побитовое совпадение всех 347 тензоров с закреплённым родительским чекпойнтом. Это дообученная/выделенная часть GLM-5.3-Flash, распространяемая в формате safetensors и исходной точности BF16. Лицензия — MIT. Метаданные не сообщают размер полного чекпойнта, длину контекста или поддерживаемые языки.

HunyuanVideo-1.5-Diffusers-480p_i2v_distilled — дистиллированная версия HunyuanVideo 1.5 для создания видео по изображению, распространяемая в формате Diffusers с весами Safetensors. Карточка рекомендует эффективный attention backend для обработки последовательностей переменной длины с масками внимания; упомянуты также предварительно собранные attention kernels. Модель предназначена для сценария image-to-video: на вход подаётся изображение, на выходе создаётся видео. В названии указаны вариант 480p и дистилляция. Лицензия в метаданных обозначена как other; более подробные условия в доступных материалах не приведены.

Ideogram 4 GGUF — это набор квантизированных GGUF-весов diffusion transformer для модели Ideogram 4, разработанный molbal на основе релиза Ideogram 4 FP8 от Ideogram AI. Модель предназначена для генерации изображений по текстовому описанию и запуска в ComfyUI через узлы загрузки GGUF из проекта molbal/ComfyUI-GGUF. Репозиторий содержит два компонента: основной text-guided diffusion transformer и unconditional transformer, используемый в сценариях с CFG. Доступны варианты квантизации Q4_0, Q4_1, Q5_0, Q5_1 и Q8_0 размером примерно от 5,64 до 10,14 ГБ на файл; уровни квантизации основного и unconditional-компонента можно комбинировать. Эти файлы не образуют самостоятельный пакет: для работы требуются дополнительные компоненты Ideogram 4, включая текстовый или мультимодальный энкодер и VAE. Сильные стороны модели — снижение требований к памяти по сравнению с полноразмерными весами и гибкий выбор компромисса между качеством, скоростью и размером. Производительность зависит от конфигурации; приведённые измерения выполнены на Windows 11 с RTX 3080 Laptop GPU 8 ГБ, поэтому не являются универсальными. Используются non-K GGUF-квантизации для PyTorch-деквантизации в ComfyUI; K-quants не включены. Распространение регулируется лицензией Ideogram 4 non-commercial, то есть некоммерческой лицензией.

kristian1515/ip-adapter-faceid-plusv2_sdxl.bin — экспериментальная модель IP-Adapter-FaceID-PlusV2 для Stable Diffusion XL, связанная с проектом IP-Adapter Tencent AI Lab. Она предназначена для генерации изображений по текстовому запросу с сохранением идентичности лица, заданного входной фотографией. Модель поддерживает создание изображений человека в различных стилях и сценариях, управляемых текстовым промптом. В основе используются embedding идентичности лица, извлечённый моделью распознавания лиц, и embedding изображения CLIP, отвечающий за структуру лица. В версии PlusV2 вклад CLIP-embedding можно настраивать, изменяя степень влияния структуры лица на результат. Для получения embedding лица в README рекомендуется использовать InsightFace; модель интегрируется с библиотекой diffusers и рассчитана на SDXL. Другие характеристики, включая точный размер, языковой охват, длину контекста и требования к ресурсам, не указаны. Сильная сторона модели — сочетание текстового управления, сохранения идентичности и регулируемого сходства структуры лица. К ограничениям относятся экспериментальный статус, зависимость от качества исходного изображения и работы модели распознавания лиц, а также необходимость совместимого SDXL-пайплайна и дополнительного программного окружения. Лицензия в предоставленном README не указана.

Kwai-Kolors/Kolors-ControlNet-Depth — веса ControlNet от команды Kwai-Kolors для управления генерацией изображений по карте глубины. Модель предназначена для совместного использования с базовой Kolors и Diffusers: текстовый запрос задаёт содержание и стиль, а карта глубины помогает сохранять пространственную структуру сцены. В README также описана возможность совместного вывода с Kolors-IP-Adapter-Plus. В опубликованной авторами оценке на тестовом наборе более чем из 200 изображений эксперты поставили модели среднюю оценку 4,12 за общее впечатление, 4,12 за визуальную привлекательность, 4,62 за соответствие тексту и 4,6 за управляемость по условию. Это результаты внутреннего сравнения авторов, а не независимая оценка. Модель распространяется в формате safetensors для библиотеки Diffusers по лицензии Apache-2.0. Для работы требуются базовая Kolors и веса сети оценки глубины.

LibreEdgeTAM — преобразованная LibreYOLO версия контрольной точки EdgeTAM от Facebook, доступная через Transformers. Это видеомодель сегментации, предназначенная для генерации масок объектов по подсказкам в видеокадрах. Веса преобразованы из официальной контрольной точки EdgeTAM в формат Safetensors; README сообщает о проверке точного совпадения всех 984 тензоров с эталонной конверсией. Обученные параметры при преобразовании не менялись. Модель рассчитана на сценарии сегментации объектов в видео с использованием подсказок. Карточка не описывает конкретные языки, размер модели или длину контекста; текстовые языковые возможности не заявлены. Репозиторий предоставляет Apache-2.0 лицензию. Для загрузки README показывает использование AutoModel из Transformers с отключённым trust_remote_code.

MaskFormer — модель компьютерного зрения, разработанная командой MaskFormer и опубликованная в репозитории Facebook. Эта версия с небольшим Swin-бэкбоном обучена на ADE20K для семантической сегментации сцен и предназначена для разметки изображений по классам объектов и областей. Архитектура MaskFormer предсказывает набор масок и соответствующих им меток, объединяя в одной схеме подходы к семантической, экземплярной и паноптической сегментации. Для этого чекпойнта заявлено применение к семантической сегментации; в метаданных указаны классы архитектуры MaskFormer для экземплярной сегментации. Модель принимает изображения и выдаёт сегментационные маски с метками классов. Данных о языках не требуется для её основного сценария. Модель распространяется в форматах PyTorch и safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

Acly публикует преобразованные веса модели MI-GAN в формате GGUF F16 для облегчённого запуска на потребительском оборудовании через vision.cpp. Исходная модель разработана Picsart AI Research и предназначена для восстановления областей изображения, отмеченных маской: на вход подаются изображение и маска, на выходе — изображение с заполненными областями. Модель относится к задаче image-to-image и предназначена для локального инференса. В репозитории приведён вариант MIGAN-512-places2; в README указано, что исходные веса доступны в репозитории проекта и конвертированы для vision.cpp. Лицензия репозитория — MIT.

Nawah-RuleCheck-500K — компактный арабоязычный классификатор правил от oddadmix. Модель принимает короткий текст и сформулированное на обычном арабском языке правило, после чего относит пару к одному из двух классов: «مطابق» (соответствует) или «مخالف» (не соответствует). Это модель классификации последовательностей на архитектуре LlamaForSequenceClassification с 518,1 тыс. параметров, двумя слоями трансформера и контекстом до 2048 токенов; веса опубликованы в формате safetensors. Модель дообучена на oddadmix/Emhotob-500K-v2 на 159 240 парах «текст — правило». Она рассчитана на проверку заданного набора простых правил, которые можно определить по самому тексту, например наличия цены, даты или телефона. По README, точность заметно снижается, когда правила сформулированы непривычно; для самостоятельно написанных формулировок этот вариант уступает даже базовой частотной линии. Правила, требующие знаний о мире, оценочных суждений или многошагового вывода, не проверялись. Обучение охватывало короткие арабские деловые тексты, поэтому длинные тексты и другие жанры не подтверждены. Модель предназначена для оценки одной пары «текст — правило» за раз, а не для генерации ответов. Лицензия — Apache-2.0.

Pika_v1 — модель генерации изображений по текстовому описанию в формате Diffusers, размещённая пользователем digiplay. В карточке README приведены только примеры изображений, созданные автором исходной модели; сведений о разработчике исходной модели и её архитектуре нет. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в форматах PyTorch и SafeTensors для использования с Diffusers. Лицензия обозначена как other, поэтому условия использования следует уточнять по материалам репозитория.

Real Dream SDXL Pony 12 — авторский чекпойнт для генерации изображений по текстовому описанию, опубликованный пользователем sinatra. Модель основана на Pony SDXL и объединяет влияния нескольких реалистичных и художественных моделей; автор описывает её как ориентированную на фотореалистичные изображения с детализированной текстурой лица, более согласованными сценами и реалистичным контрастом. Модель принимает текстовые промпты и выдаёт изображения. Для Pony SDXL автор рекомендует сэмплер Euler a или DPM++ SDE Karras и 20–30 шагов; для работы с небольшим объёмом видеопамяти упоминаются режимы экономии памяти и Fooocus. Чекпойнт представлен в форматах Diffusers и safetensors. Автор предупреждает о риске создания реалистичных изображений, способных вводить людей в заблуждение, и запрещает использовать модель для мошенничества и дезинформации. Условия лицензии в предоставленных материалах не описаны.

jiovannip/s17x1_ — модель генерации изображений, опубликованная пользователем jiovannip на Hugging Face. Она предназначена для преобразования текстовых описаний в изображения и работает через библиотеку Diffusers с конвейером StableDiffusionXLPipeline на основе Stable Diffusion XL. Модель распространяется в формате Safetensors и может использоваться локально с Diffusers. В репозитории присутствуют компоненты SDXL, включая VAE и дополнительные LoRA-файлы, среди которых стили реалистичной 2.5D-графики, line art и NSFW. В доступных данных не указаны размер модели, длина контекста и лицензия, поэтому эти характеристики не описываются.

OlegSkutte/SDXL-Lightning-GGUF — это GGUF-квантизированная версия модели ByteDance/SDXL-Lightning, предназначенная для генерации изображений по текстовому описанию. Модель используется в задачах text-to-image и интегрируется с программным обеспечением на базе stable-diffusion.cpp. Рекомендуемый сценарий применения — быстрая генерация изображений с разрешением 1024×1024. Для Dreamio указаны настройки: 4 шага сэмплирования, classifier-free guidance scale 1,00, sampler EULER, scheduler DEFAULT и TAESD taesdxl. Другие характеристики, включая точный размер модели, поддерживаемые языки и дополнительные модальности, в README не указаны. К сильным сторонам относятся квантизированный формат GGUF и ориентация на генерацию изображений за небольшое число шагов. Ограничения модели, требования к аппаратному обеспечению и особенности качества генерации в README не описаны. Модель распространяется по лицензии openrail++.

MonsterMMORPG/SECourses_Rock — модель генерации 3D по изображению на основе TRELLIS, семейства крупных генеративных моделей для создания структурированных 3D-объектов. Карточка описывает её как вариант TRELLIS с условием на изображение; в репозитории доступны веса в формате safetensors, библиотека — trellis. Модель предназначена для преобразования входного изображения в 3D-объект. Может применяться для создания 3D-ассетов по референсам и прототипирования объектов для графики и 3D-сцен. В README указана статья «Structured 3D Latents for Scalable and Versatile 3D Generation». Лицензия репозитория — MIT.

SeedVR2-7B — модель ByteDance Seed для восстановления и улучшения видео на основе диффузионной модели. Она предназначена для обработки видео в один шаг: модель восстанавливает визуальное качество и детали, сохраняя временную согласованность кадров. В архитектуре используется адаптивное оконное внимание, подстраиваемое под разрешение выходного видео; формат весов в репозитории — PyTorch. Модель подходит для восстановления видео с деградациями и улучшения качества высокоразрешённых роликов при меньших затратах на инференс, чем у многошаговых диффузионных методов. Распространяется по лицензии Apache-2.0. Это прототип: на сильных повреждениях и при большом движении результат может быть нестабильным, а для видео с лёгкими деградациями модель иногда чрезмерно усиливает детали и повышает резкость.

SpatialEdit-16B — модель проекта SpatialEdit для тонкого пространственного редактирования изображений. Она принимает исходное изображение и текстовую инструкцию, чтобы перемещать или поворачивать объекты и выполнять изменения, заданные относительно камеры, стараясь сохранять реалистичность сцены и идентичность объектов. Модель обучена на синтетических данных SpatialEdit-500K и оценивалась на бенчмарке SpatialEdit-Bench по правдоподобию и геометрической точности изменений. В репозитории объединены компоненты Qwen/Qwen3-VL-8B-Instruct и Wan-AI/Wan2.1-T2V-1.3B; для работы также требуются внешние чекпойнты этих моделей, включая VAE Wan 2.1. README описывает модель как исследовательскую. Лицензия репозитория — Apache-2.0.

SteadyDancer-GGUF — модель для анимации человеческих изображений и преобразования изображения в видео с сохранением исходного первого кадра, согласованными движениями и визуальной связностью. Модель разработана Multimedia Computing Group Нанкинского университета совместно с Platform and Content Group (PCG) компании Tencent; авторами указаны Jiaming Zhang, Shengming Cao, Rui Li, Xiaotong Zhao, Yutao Cui, Xinglin Hou, Gangshan Wu, Haolan Chen, Yu Xu, Limin Wang и Kai Ma. Модель основана на Wan-AI/Wan2.1-I2V-14B-480P и предназначена для сценариев image-to-video, прежде всего для гармоничной и когерентной анимации изображений людей. Доступная версия представляет собой checkpoint в формате GGUF, подготовленный из весов Kijai для использования с ComfyUI и WanVideoWrapper. Указано, что доступны различные квантованные варианты; для них предлагаются версии с разными источниками свёрточных весов, результаты которых в целом согласованы. Архитектура, число параметров, поддерживаемые языки и точный размер контекста в README не указаны. К сильным сторонам относятся сохранение первого кадра, согласованность человеческой анимации и возможность применения квантованных весов с потенциально меньшими требованиями к ресурсам. Ограничения связаны с зависимостью от совместимого окружения ComfyUI и WanVideoWrapper, а также с тем, что проект предупреждает о возможных проблемах типов данных в некоторых конфигурациях. Модель распространяется по лицензии Apache-2.0.