IV.1Ритейл, электронная коммерция и fashion-tech

Dark Beast KLEIN 9B Blitz ComfyUI — дообученная модель для генерации изображений и их редактирования на базе FLUX.2 Klein 9B от Black Forest Labs. Автор README описывает специализацию на замене лиц: модель стремится естественно вписывать лицо, сохраняя идентичность, выражение и освещение, а также точнее учитывать портретный референс. Она рассчитана на быстрые низкошаговые сценарии в ComfyUI; в README рекомендуются 4–5 шагов и CFG=1. Базовая модель поддерживает генерацию по тексту и редактирование с референсными изображениями. В карточке упомянуты варианты BF16, FP8 и NVFP4, а также совместимость с ускорением на GPU Blackwell; указана работа в ComfyUI. Модель создана для визуальных задач, а не для обработки текста. Лицензия в предоставленных данных не указана.

ChrisColeTech/flux2-klein-GGUF — квантованная сборка модели FLUX.2 klein 9B, разработанной на базе Black Forest Labs FLUX.2-klein-9B. Это модель генерации изображений по текстовому описанию и преобразования изображений по схеме image-to-image. Репозиторий содержит веса и не является переобученной моделью: это повторно квантованная сборка с раздельными компонентами в формате GGUF. Основной компонент — трансформер объёмом 9B параметров в файле flux-2-klein-9b-Q5_K_M.gguf; отдельно поставляются текстовый энкодер Qwen3-8B в формате Q4_K_M и VAE flux2-vae.safetensors. Поддерживаются режимы text-to-image и image-to-image. Для text-to-image рекомендованы изображения 1024×1024, четыре шага денойзинга, guidance 1.0 и максимальная длина промпта 512 токенов. На A100 генерация изображения 1024×1024 занимает около 8 секунд, что является сильной стороной модели. Для image-to-image рекомендуется 24 шага, guidance 4.0 и strength 0.90; запуск в режиме четырёх шагов может практически не изменить исходное изображение. Сборка рассчитана на загрузчики, поддерживающие явное указание путей к отдельным компонентам, и может не загружаться стандартным примером для upstream-модели без адаптации. Сведения о лицензии отсутствуют, поэтому условия коммерческого и иного использования требуют дополнительной проверки.

HunyuanImage-GGUF — это GGUF-совместимая версия модели HunyuanImage-2.1, разработанная автором calcuis на базе Tencent Hunyuan. Модель предназначена для генерации изображений по текстовому описанию и запуска через ComfyUI с использованием gguf-node. Также заявлена поддержка сценариев улучшения и повышения резкости некачественных или размытых изображений в режиме refiner. В комплект входят диффузионная модель hunyuanimage2.1, текстовые энкодеры byt5-sm и qwen2.5-vl-7b, а также VAE pig. Указанные компоненты доступны в формате GGUF и рассчитаны на работу с различными вариантами модели: standard, distilled, refiner, lite и lite v2.2. Для стандартной версии заявлена генерация качественных изображений за 12–15 шагов, для distilled и lite — примерно за 8 шагов; lite-версии ориентированы на снижение времени загрузки и ускорение работы. Модель поддерживает текстовые промпты и negative prompt; другие модальности и языки, максимальный контекст и точный размер архитектуры в README не указаны. Сильными сторонами являются совместимость с GGUF, возможность локального запуска в ComfyUI, наличие облегчённых и дистиллированных вариантов, а также поддержка генерации и экспериментального улучшения изображений. Ограничения включают зависимость от gguf-node и требуемых компонентов, необходимость самостоятельной настройки шагов и CFG, а также неполную документированность качества и возможностей refiner-версии. Модель распространяется по лицензии tencent-hunyuan-community; подробные условия доступны по ссылке на лицензию Tencent Hunyuan.

emilianJR/majicMIX_realistic_v5_preview — версия в формате Diffusers контрольной точки Stable Diffusion от emilianJR для генерации реалистичных изображений по текстовым запросам. Модель запускается через StableDiffusionPipeline из библиотеки Diffusers и предназначена для сценариев text-to-image. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. В карточке указан английский язык. Точные размер модели и длина контекста не приведены. Качество генерации зависит от формулировки запроса и настроек запуска; сведения о специальных ограничениях или гарантиях качества в карточке отсутствуют.

FLUX.1-schnell-4bit-quantized — модель генерации изображений по текстовому описанию, разработанная на основе FLUX.1-schnell компанией Black Forest Labs и адаптированная командой argmaxinc для DiffusionKit MLX. Она предназначена для создания изображений по промптам, включая детализированные сцены, кинематографичные визуализации и рендеры объектов. В README указана поддержка английского языка. Модель использует архитектуру FLUX с mmdit-модулем, подвергнутым 4-битному квантованию средствами MLX; размер модели и максимальная длина контекста не указаны. Пример запуска использует 4 шага генерации и разрешение 768×1360, однако эти параметры не обязательно являются ограничениями модели. К преимуществам относятся снижение вычислительных требований за счёт квантования и интеграция с DiffusionKit MLX, ориентированная на запуск через MLX. Ограничения, включая возможное снижение качества из-за квантования и требования к аппаратной совместимости, в README не описаны. Лицензия модели — Apache-2.0. Для использования требуется DiffusionKit; подробные условия совместимости и эксплуатации в README не приведены.

photo Movie C1 — вариант модели генерации изображений семейства photo Movie, опубликованный Yntec. Это версия без EMA, основанная на Yntec/photoMovieXFinal и дообученная для создания изображений по текстовому описанию. Модель предназначена для генерации реалистичных и стилизованных изображений, включая портреты, пейзажи, городские и киберпанк-сцены, а также кинематографические и цифровые иллюстрации. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование с библиотекой Diffusers. В карточке приведены примеры запросов на английском языке с разными художественными стилями и визуальными эффектами. Лицензия — CreativeML OpenRAIL-M.

PixArt-Sigma-900M — модель генерации изображений по текстовому описанию на архитектуре PixArt Sigma. Эта версия содержит 900 млн параметров; в README сказано, что она расширена относительно базовой версии PixArt Sigma на 600 млн параметров. Модель основана на адаптации jimmycarter модели PixArt Sigma от PIXART-Σ. Модель предназначена для создания изображений по текстовым запросам. README заявляет об улучшенном качестве генерации, но не приводит количественных оценок или подробностей о методе расширения модели. Репозиторий использует Diffusers и формат safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о поддерживаемых языках запросов или ограничениях качества и областях применения.

Rin247/Qwen-Image-2.1-FP4 — пакет модели генерации изображений из текста на основе Qwen-Image-2.1. Автор репозитория подготовил его в формате safetensors для библиотеки diffusers; пакет включает денойзер, текстовый энкодер и VAE. Модель предназначена для создания изображений по текстовым запросам. Веса денойзера и текстового энкодера представлены в FP4; VAE использует FP8, а не 4-битное представление. Карточка называет пакет экспериментальным. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

emilianJR/RealisticVision_V2 — версия контрольной точки Stable Diffusion в формате Diffusers, предназначенная для генерации изображений по текстовому описанию. Карточка предлагает использовать её через StableDiffusionPipeline из библиотеки diffusers; в метаданных также указаны архитектура Stable Diffusion и формат PyTorch. Модель подходит для создания реалистичных изображений по текстовым запросам. В метаданных указан английский язык, лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста в предоставленных сведениях не указаны.

Карточка модели ModelsLab/Realistic_Vision_V4.0_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V4.0_noVAE, поэтому описание составлено по ней. Realistic Vision V4.0 noVAE — модель генерации изображений по текстовому описанию от автора SG161222. Она предназначена для создания реалистичных изображений; в карточке приведены рекомендуемые параметры генерации и негативные промпты, помогающие уменьшить анатомические дефекты и нежелательные стили. Метаданные указывают на использование StableDiffusionPipeline и форматы Diffusers и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. README рекомендует использовать сэмплеры Euler A или DPM++ SDE Karras и указывает диапазон CFG Scale 3,5–15; также приведены настройки для увеличения разрешения. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

Realistic Vision V4.0 noVAE — модель генерации изображений по текстовому описанию от автора SG161222. Она предназначена для создания реалистичных изображений; в карточке приведены рекомендуемые параметры генерации и негативные промпты, помогающие уменьшить анатомические дефекты и нежелательные стили. Метаданные указывают на использование StableDiffusionPipeline и форматы Diffusers и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. README рекомендует использовать сэмплеры Euler A или DPM++ SDE Karras и указывает диапазон CFG Scale 3,5–15; также приведены настройки для увеличения разрешения. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

Realistic_Vision_V6.0-inpainting — модель генерации изображений семейства Stable Diffusion, опубликованная пользователем andregn. Она предназначена для создания реалистичных изображений по текстовому описанию; в названии также заявлен режим inpainting. В карточке приведены рекомендуемые отрицательные промпты и настройки генерации: сэмплеры Euler A или DPM++ SDE Karras, CFG Scale 3,5–15, а для увеличения разрешения — Hires.fix с апскейлером 4x-UltraSharp. Модель распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML OpenRAIL-M. README советует исключать артефакты анатомии, лишние конечности и пальцы, низкое качество и нежелательные стили; это указывает на необходимость подбирать промпты и параметры под задачу. В карточке нет подробной оценки качества, описания датасета или условий использования beyond лицензии.

Real-Qwen-Image-V2 — дообученная версия модели Qwen-Image-2512, опубликованная пользователем или организацией wikeeyang на базе Qwen/Qwen-Image-2512. Модель предназначена для синтеза изображений по текстовому описанию и работает с библиотекой Diffusers. В метаданных указаны английский и китайский языки, а также совместимость с PyTorch. По заявлению автора, модель улучшает резкость и реалистичность изображений по сравнению с исходной моделью и оптимизирована для эстетики лиц азиатской внешности. README также отмечает хорошее качество текста и изображений, гибкую настройку параметров и совместимость с LoRA. Рекомендуемые диапазоны: model shift от 1,0 до 8,0, inference CFG от 1,0 до 4,0 и от 10 до 50 шагов генерации; в качестве sampler или scheduler предлагается Euler/Simple, но допускаются и другие варианты. Архитектура, количество параметров, размер контекста и точные ограничения применения не указаны. Для использования квантованной версии sdnq_uint4_r128 требуется плагин ComfyUI-SDNQ. В README указана лицензия Apache 2.0 для Qwen-Image.

Карточка модели sky-meilin/sdxl-Fastpicture на Hugging Face совпадает с карточкой stabilityai/sdxl-turbo, поэтому описание составлено по ней. SDXL-Turbo — генеративная модель Stability AI для быстрого создания изображений по текстовому описанию. Она основана на SDXL 1.0 Base и обучена методом Adversarial Diffusion Distillation для генерации за один или несколько шагов; обычно достаточно одного прохода модели. Поддерживаются рабочие процессы text-to-image и image-to-image, в том числе через Diffusers. Предпочтительный размер изображения — 512×512 пикселей. Модель подходит для творческих инструментов, дизайна, создания иллюстраций и исследования генерации изображений в реальном времени. Она не предназначена для создания достоверных изображений реальных людей или событий. Генерация текста внутри изображения ненадёжна, лица и люди могут получаться некорректно, а фотореализм не гарантирован. Лицензия указана как other; README описывает использование для некоммерческих и исследовательских целей и отсылает за условиями коммерческого применения к отдельным правилам Stability AI.

SDXSv3 — компактная модель генерации изображений по тексту, разработанная recoilme и опубликованная как дообученная версия FLUX.2-klein-4B. Это однотоковый диффузионный трансформер с зацикленным средним блоком: при 1,652 млрд уникальных параметров он выполняет 28 проходов, повторно используя часть весов. Для текстового условия объединяются состояния трёх слоёв текстового энкодера Qwen3.5-2B; модель обучалась дистилляцией от квантованного учителя FLUX.2-klein. Модель предназначена для генерации изображений по текстовым запросам. В README описаны веса в формате Diffusers и safetensors, сохранённые в bf16. Указанная лицензия — Apache-2.0. Карточка подробно описывает архитектуру и обучение, но не приводит оценок качества или ограничений по использованию; результатам следует уделить проверку в целевом сценарии.

Stable Cascade — модель генерации изображений по текстовому описанию от Stability AI, построенная на архитектуре Würstchen. Она использует каскад из трёх компонентов: Stage C создаёт компактное латентное представление по текстовому запросу, а Stage A и Stage B отвечают за сжатие и восстановление изображения. Коэффициент пространственного сжатия составляет 42: изображение 1024×1024 кодируется в представление 24×24. Варианты Stage C содержат 1 или 3,6 млрд параметров, Stage B — 700 млн или 1,5 млрд, Stage A — 20 млн. Модель рассчитана на генерацию изображений для художественных и дизайнерских задач, творческих приложений и исследований генеративных моделей. Компактное латентное пространство ускоряет инференс и снижает стоимость обучения по сравнению с менее сжатыми схемами; архитектура также допускает расширения вроде LoRA и ControlNet. Лицензия в метаданных обозначена как other. README указывает исследовательское назначение модели и исключает использование для создания достоверных изображений людей или событий.

SagiPolaczek/stable-diffusion-2-1-base — модель генерации изображений по текстовому описанию, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H; она создана дообучением stable-diffusion-2-base на 220 тысячах дополнительных шагов и доступна в формате Diffusers, PyTorch и SafeTensors. Модель предназначена для создания и изменения изображений по текстовым запросам, в том числе для художественных и дизайнерских задач, творческих инструментов и исследований генеративных моделей. Лучше работает с английскими запросами. Лицензия — CreativeML Open RAIL++-M License. Ограничения: модель не всегда создаёт фотореалистичные изображения, плохо передаёт читаемый текст и сложные пространственные композиции, а лица и люди могут получаться некорректно. Результаты по неанглоязычным запросам слабее; модель может воспроизводить социальные предубеждения, а обучающие данные включали фильтрованный контент для взрослых, насилие и сексуальные изображения.

stable-diffusion-3.5-medium-GGUF — квантизированная версия модели Stable Diffusion 3.5 Medium, разработанной Stability AI. Модель предназначена для генерации изображений по текстовому описанию и относится к классу text-to-image; указанный pipeline — text-to-image. В README также отмечена совместимость с экосистемой Diffusers и форматом GGUF. Модель ориентирована на сценарии синтеза изображений по англоязычным текстовым запросам: в метаданных указан язык en. Размер модели, точная архитектура, поддерживаемые модальности помимо текста и изображения, длина контекста и параметры квантизации не раскрыты. Квантизация выполнена компанией Second State Inc. с использованием stable-diffusion.cpp, версия master-c3eeb669, что может быть полезно для запуска в соответствующей инфраструктуре, однако конкретные требования к ресурсам не указаны. Модель распространяется по лицензии stabilityai-ai-community; в README приведена ссылка на файл LICENSE.md. Ограничения, связанные с применением модели, производительностью и качеством генерации, отдельно не описаны.

Карточка модели 004T/StableXlL на Hugging Face совпадает с карточкой kandinsky-community/kandinsky-2-1, поэтому описание составлено по ней. Kandinsky 2.1 — модель генерации изображений по тексту, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Она предназначена для создания изображений по запросам, а также для редактирования и преобразования изображений под текстовым управлением и интерполяции между изображениями. Модель сочетает подходы unCLIP и латентной диффузии: включает трансформерный image prior, диффузионную UNet и декодер MoVQGAN. CLIP-кодировщик преобразует текст и изображения в эмбеддинги; image prior связывает эти пространства, а диффузионная часть формирует изображение. Для обучения использовались данные LAION и дополнительные высококачественные изображения с описаниями. Модель доступна в формате Diffusers и поддерживает работу через библиотеку diffusers. Репозиторий распространяется по лицензии Apache-2.0. Это генеративная модель, поэтому результат зависит от формулировки запроса и может не соответствовать ему точно; описание не приводит отдельных гарантий качества для конкретных сценариев.

Это веса EfficientNet-B4, предварительно обученной на ImageNet и предназначенной для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель классифицирует изображения и извлекает визуальные признаки, которые можно применять как основу для задач сегментации изображений. Репозиторий предоставляет веса в формате safetensors; библиотека использует PyTorch. Карточка не сообщает размер модели, поддерживаемые языки или отдельные характеристики точности. Лицензия указана как other, поэтому условия использования следует проверить в репозитории.

gimly13 публикует квантизированные в формате GGUF веса диффузионной модели CyberRealistic Catalyst для Z-Image Turbo. Модель предназначена для генерации фотореалистичных изображений по текстовым запросам и основана на архитектуре Lumina2. В репозитории есть варианты квантования от Q3_K до Q8_0; Q4_K занимает около 5,15 ГБ и рассчитан на запуск при ограниченной видеопамяти. В README приведён пример генерации изображений 1024×1024 на GTX 1070 с 8 ГБ VRAM. Репозиторий содержит только диффузионную часть составной модели: для генерации также нужны текстовый энкодер Qwen3-4B и VAE Z-Image. Для работы в ComfyUI автор проверил ComfyUI-ZImagePowerNodes; совместимость со стандартными GGUF-узлами зависит от их версии. Метаданные указывают лицензию CreativeML Open RAIL-M, тогда как README заявляет Apache 2.0 для компонентов; условия использования следует сверять с лицензией исходной модели CyberRealistic Catalyst.

Anything2Real — это LoRA-адаптер для преобразования иллюстраций, аниме, мультфильмов, картин и других изображений в фотореалистичные изображения с сохранением исходной композиции и содержания. Модель разработана пользователем lrzjason и предназначена для использования с моделями редактирования изображений, в частности с Qwen Edit 2511; в README также упоминаются варианты на базе Flux2 Klein. Адаптер работает в сценариях image-to-image и ориентирован на стилизацию существующего изображения, а не на генерацию с нуля. Для Qwen Edit 2511 рекомендуется использовать силу LoRA в диапазоне 0,75–1 и текстовый запрос с указанием преобразования в реалистичную фотографию и описанием содержимого изображения. Подробное описание исходной сцены может улучшить результат. В составе семейства упомянуты варианты Anything2Real 2601, 2601 A и alpha, различающиеся балансом между сохранением оригинала, реалистичностью, цветом, освещением и детализацией. Ключевые характеристики архитектуры, число параметров, поддерживаемые языки и максимальный контекст в README не указаны. Сильной стороной модели является перенос различных художественных стилей в фотореалистичную форму при сохранении исходного содержания. Результат зависит от субъективного восприятия реализма, выбранной базовой модели и силы адаптера; чрезмерное увеличение веса LoRA не всегда улучшает изображение, поэтому автор рекомендует подбирать силу или использовать дополнительную фотореалистичную LoRA. Модель распространяется по лицензии Apache-2.0.

AsymFLUX.2-klein-9B — модель генерации изображений по тексту, разработанная LakonLab и дообученная на black-forest-labs/FLUX.2-klein-base-9B методом AsymFlow, предложенным в исследовательской работе Stanford University. Модель работает в пиксельном пространстве и предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Diffusers. README предлагает установить LakonLab версии 0.2. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

JoseVilla/cfe-telmex-classification-finetuned-v2 — модель классификации изображений, разработанная JoseVilla и дообученная на основе JoseVilla/cfe-telmex-classification-finetuned-v1. Она построена на архитектуре Swin и содержит около 33 млн параметров. Модель предназначена для отнесения изображений к категориям; конкретные классы и целевые сценарии в карточке не описаны. На указанном наборе для оценки модель достигла accuracy 1,0 и loss 0,1568. Эти результаты относятся только к приведённому набору и не гарантируют такого же качества на других данных. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

recoilme/ColorfulSSD-1B_v07 — модель генерации изображений по текстовому описанию, дообученная на наборе recoilme/colorful_s_1024 на основе ColorfulSSD-1B_v06. Она предназначена для создания изображений по промптам; в карточке показан пример с женщиной и кошкой в фотореалистичном стиле и мягком освещении. Модель использует конвейер Stable Diffusion XL и распространяется в формате Diffusers с весами safetensors. Для обучения применялась VAE madebyollin/sdxl-vae-fp16-fix. Лицензия — CreativeML OpenRAIL-M.

facebook/convnextv2-femto-1k-224 — компактная свёрточная модель семейства ConvNeXt V2 от команды ConvNeXt, представленная в исследовании о совместной разработке и масштабировании ConvNet с маскированными автоэнкодерами. Модель предварительно обучена с помощью FCMAE и дообучена на ImageNet-1K для классификации изображений с разрешением 224×224 пикселя. Архитектура использует полностью свёрточный автоэнкодер FCMAE и слой Global Response Normalization (GRN). Модель предназначена для отнесения изображений к одному из 1000 классов ImageNet-1K и может служить основой для дальнейшей адаптации под другие задачи распознавания изображений. Доступны веса PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Карточка указывает на применение для классификации изображений; подробные ограничения качества и области применения в ней не приведены.

Copax-TimeLessXL-SDXL1.0 — чекпойнт для генерации изображений по текстовому описанию, опубликованный на imagepipeline.io. В метаданных указан конвейер StableDiffusionXLPipeline; веса доступны в форматах Diffusers и safetensors. Карточка рекомендует 40–60 шагов генерации, CFG 7–10 и сэмплеры DPM++ SDE Karras или Euler a; для доработки изображений предлагаются Hires Fix и After Detailer. Модель ориентирована на создание ультрареалистичных изображений по текстовым промптам. В качестве негативного промпта приведены пожелания избегать низкого качества, иллюстративного и 2D/3D вида, а также некоторых особенностей лица. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или языки промптов.

DJINN 1.114B Decision Engine — плотная модель классификации решений, разработанная автором репозитория Saltmandamsun. По карточке, модель содержит около 1,01 млрд параметров и обучена методом Reinforcement Learning from Compiler Decisions (RLCD). Она выдаёт калиброванные распределения вероятностей для классификации вариантов, оценки ожидаемой величины по шкале и бинарной проверки гипотез; автор также заявляет поддержку контекста до 64 000 токенов и быстрый параллельный вывод без авторегрессионной генерации. Модель рассчитана на задачи принятия решений, где нужны вероятностные оценки и неопределённость, включая ранжирование альтернатив и бинарные прогнозы. В README приведены показатели задержки на NVIDIA RTX PRO 6000 Blackwell и заявленная производительность пакетного инференса; они относятся к конкретной конфигурации оборудования и реализации. Репозиторий указывает лицензию Apache-2.0. Независимая проверка заявленных характеристик и качества в карточке не приведена.

Карточка модели xyn-ai/dreamlike-photoreal-2.0 на Hugging Face совпадает с карточкой dreamlike-art/dreamlike-photoreal-2.0, поэтому описание составлено по ней. dreamlike-photoreal-2.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания фотореалистичных изображений по промптам; пример в карточке показывает пейзаж с церковью при ярком кинематографическом освещении. Модель доступна в форматах Diffusers, PyTorch и safetensors, а также как файл CKPT. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers; в примере модель загружается с точностью float16 и запускается на CUDA. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели. Карточка не приводит сведений о контексте или поддерживаемых языках, кроме английского в метаданных.

Dreamviewer SDXL 1.0 — модель генерации изображений по текстовому описанию на базе Stable Diffusion XL. В карточке описан конвейер латентной диффузии с ансамблем экспертных моделей: базовая модель создаёт латентное представление изображения, которое можно дополнительно уточнить моделью для финальных шагов денойзинга. Базовую модель также можно использовать самостоятельно. Для получения изображений высокого разрешения карточка описывает двухэтапный сценарий: сначала генерируются латенты, затем к ним применяется специализированная модель высокого разрешения методом SDEdit (img2img) с тем же запросом. Такой подход требует больше вычислений. Модель распространяется в формате Diffusers/PyTorch с весами safetensors и лицензией CreativeML OpenRAIL-M.