IV.9Медиа, журналистика, культура, архивы и игры

Real-ESRGAN-general-x4v3 (MLX) — модель суперразрешения изображений, представленная сообществом mlx-community как порт официального чекпойнта Real-ESRGAN. Она предназначена для увеличения изображений в 4 раза на устройствах Apple Silicon с использованием библиотеки MLX. Архитектура — компактная SRVGGNetCompact с 64 признаками, 32 свёрточными слоями и активацией PReLU; веса представлены в формате safetensors с точностью fp16. Модель подходит для повышения разрешения и детализации изображений, а также для настройки силы шумоподавления: в репозитории есть парные веса модели с шумоподавлением, которые смешиваются с основными весами. Разработчик указывает близкое соответствие результатам PyTorch. Лицензия — BSD-3-Clause.

Real-ESRGAN-x4plus (MLX) — порт модели Real-ESRGAN в формате MLX fp16, подготовленный сообществом mlx-community на основе официального чекпойнта xinntao/Real-ESRGAN. Модель использует архитектуру RRDBNet с 23 блоками и масштабирует изображения в 4 раза для повышения их разрешения и детализации на устройствах Apple Silicon. Порт предназначен для восстановления и увеличения изображений. В README приведено сравнение с PyTorch: расхождение полного прямого прохода составляет 3,8 × 10⁻⁶ в CPU fp32, а fp16 относительно эталона fp32 — 1,3 × 10⁻³. Репозиторий распространяется по лицензии BSD-3-Clause.

Realistic Vision — модель генерации изображений по текстовому описанию, представленная StableDiffusionAPI и доступная через API ModelsLab. В карточке показан сценарий создания фотореалистичного портрета с настройкой отрицательного промпта, размера изображения, числа шагов генерации и guidance scale; также упомянуты параметры улучшения промпта, апскейлинга, panorama и подключения LoRA или embeddings. Модель предназначена для генерации реалистичных изображений из текстовых запросов. Метаданные указывают форматы Diffusers и PyTorch, а лицензию CreativeML OpenRAIL-M. Пример API-запроса использует изображение 512×512 и 30 шагов; это параметры примера, а не заявленные ограничения модели.

Realistic Vision v1.3 — модель генерации изображений по текстовому описанию, представленная в репозитории Yntec. Это версия размером 768×768 из серии Realistic Vision; в карточке её характеризуют как наиболее творческую в серии и отмечают, что она допускает композиции, где объект может находиться за пределами кадра. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Модель предназначена для создания реалистичных и полуреалистичных изображений по текстовым запросам: портретов, рекламных и винтажных постеров, фотографических сцен и детализированных иллюстраций. Примеры в карточке охватывают как фотореалистичные сюжеты, так и стилизованную живопись. Лицензия — CreativeML OpenRAIL-M.

OzzyGT/RealVisXL_V4.0_inpainting — версия модели RealVisXL_V4.0 для заполнения и изменения выбранных областей изображения. Это дообученная модель на базе SG161222/RealVisXL_V4.0, размещённая в формате Diffusers с весами safetensors и точностью fp16. Базовая модель предназначена для фотореалистичной генерации изображений по текстовому описанию; этот вариант использует StableDiffusionXLInpaintPipeline. Модель подходит для редактирования изображений по маске: например, замены или восстановления части сцены с помощью текстовой инструкции. Репозиторий распространяется по лицензии openrail++.

RealVisXL V4.0 Lightning — модель генерации изображений по текстовому описанию от SG161222. Она основана на Stable Diffusion XL и предназначена для создания фотореалистичных изображений. В README рекомендованы быстрые генерации от четырёх шагов с низким CFG; для увеличения разрешения также приведены настройки Hires Fix. Модель может создавать изображения как безопасного, так и откровенного содержания. Автор отмечает, что версия всё ещё находится в обучении, поэтому возможны артефакты и нестабильное качество в отдельных случаях. Лицензия — OpenRAIL++; перед использованием следует учитывать её условия.

Карточка модели zlaa/SD3.5-medium на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-medium, поэтому описание составлено по ней. Stable Diffusion 3.5 Medium — модель Stability AI для генерации изображений по текстовому описанию. Она использует архитектуру Multimodal Diffusion Transformer MMDiT-X с тремя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В архитектуре применяются QK-нормализация и блоки внимания, рассчитанные на повышение связности изображений и устойчивость генерации при разных разрешениях. Модель предназначена для создания иллюстраций и художественных работ, дизайн-процессов, творческих и образовательных инструментов. Она улучшена для передачи сложных запросов и текста в изображениях; авторы также рекомендуют Skip Layer Guidance для более согласованных структуры и анатомии. В README указана длина контекста энкодеров CLIP в 77 токенов и T5 — 77 или 256 токенов на разных этапах обучения. Модель обучалась на разнообразных данных, включая синтетические и отфильтрованные общедоступные материалы. Она не предназначена для достоверного изображения реальных людей и событий; при длинных запросах свыше 256 токенов T5 на краях изображения могут появляться артефакты. Модель распространяется по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Использование также должно соответствовать Acceptable Use Policy.

ariG23498/sd-3.5-merged — объединённая модель для генерации изображений по текстовому описанию на основе Stable Diffusion 3.5 Large и Stable Diffusion 3.5 Large Turbo от Stability AI. Автор карточки сообщает, что объединение нацелено на сочетание детализации Large со скоростью Turbo; для примера указана генерация за 6 шагов против 40 у Large и 4 у Turbo. Модель предназначена для создания изображений по текстовым запросам и доступна в формате Diffusers с весами Safetensors. Карточка указывает английский язык. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверять с лицензиями базовых моделей.

Карточка модели LAYEK-143/SD_X1_BASE_v1 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

SeedVR2-3B — модель ByteDance Seed для восстановления видео, описанная в работе Jianyi Wang и соавторов. Она использует диффузионный подход с состязательным постобучением и выполняет восстановление за один шаг, чтобы снизить вычислительные затраты при обработке видео. В архитектуре применяется адаптивное оконное внимание, подстраиваемое под разрешение результата; модель рассчитана на улучшение визуального качества и временной согласованности, в том числе для видео высокого разрешения. Модель предназначена для восстановления и улучшения качества видео в сценариях, где важна быстрая обработка. Авторы сообщают о результатах, сопоставимых с существующими методами восстановления видео или превосходящих их при одношаговом выводе. Доступны веса в формате PyTorch, лицензия — Apache 2.0. Это прототипные модели, и их качество может отличаться от результатов статьи. Модель может работать нестабильно при сильных искажениях и больших движениях, оставлять дефекты или создавать нежелательные детали; на видео с лёгкими искажениями возможна чрезмерная резкость.

SeedVR-3B — модель ByteDance из семейства SeedVR для восстановления видео. Она основана на диффузионном трансформере и предназначена для улучшения реальных и сгенерированных ИИ видеозаписей, в том числе при произвольном разрешении. Модель относится к направлению video-to-video и представлена в формате PyTorch. SeedVR разработана для восстановления качества без опоры на предварительно обученный диффузионный prior и без обязательной обработки видео небольшими перекрывающимися фрагментами. Это помогает применять её к видео высокого разрешения и большой длительности. Работа описана в статье, представленной на CVPR 2025. В карточке указана лицензия Apache-2.0. Авторы предупреждают, что опубликованные веса являются прототипом: модель может быть нестабильна при сильных повреждениях и больших движениях, а на видео с лёгкими дефектами иногда чрезмерно усиливает детали и повышает резкость.

SenseNova-U1.5-8B-MoT-8step-8bit — вариант модели SenseNova от SenseTime, подготовленный сообществом mlx-community для Apple Silicon и MLX. В основе лежит SenseNova-U1.5-8B-MoT: мультимодальная архитектура NEO-unify Mixture-of-Transformers, объединяющая генерацию изображений по тексту, редактирование изображений и ответы на вопросы об изображениях. Модель использует генерацию в пространстве пикселей на основе rectified flow без VAE; заявлено 8 млрд параметров в названии модели. Артефакт включает дистиллированный 8-шаговый LoRA, объединённый с потоком генерации, и 8-битную квантизацию с группами по 64 значения. Для запуска требуется runtime sensenova-u1-swift на MLX-Swift. README приводит результаты на M5 Max: генерация изображения 1024×1024 за 3,8 секунды и 2048×2048 за 19,5 секунды. Модель предназначена для генерации и инструкционного редактирования изображений, а также визуальных вопросов и ответов; режим рассуждения доступен только базовым вариантам. Лицензия — Apache-2.0. Характеристики скорости относятся к указанной конфигурации M5 Max, а для запуска необходим совместимый MLX runtime; README не приводит оценок качества на независимых наборах данных.

Raychani1/slovakbert-ner-v2 — модель распознавания именованных сущностей на словацком языке, разработанная на основе Gerulata/SlovakBERT. Это RoBERTa-модель для классификации токенов, дообученная на собранных из веба словацких новостных статьях; она размечает сущности тегами IOB: PERSON, ORGANIZATION, LOCATION, DATE, TIME, MONEY и PERCENTAGE. Модель принимает текст и возвращает метки для его фрагментов, например для извлечения людей, организаций, мест и денежных сумм из новостей. В README приведены метрики оценки: F1 0,9895 и macro-F1 0,9547. Модель имеет 151,8 млн параметров, контекст до 514 токенов и распространяется в формате PyTorch по лицензии MIT. Обучение на новостных статьях может ограничивать качество на других жанрах и типах текста; опубликованные метрики относятся к указанной оценке.

SMAD CRNN — компактная модель для классификации аудио, разработанная duclvQ. Она анализирует четырёхсекундные фрагменты и различает речь на фоне шума или окружения, речь поверх музыки, пение под музыку и отсутствие голоса. Такая детализация предназначена для сегментации аудио и маршрутизации речи и вокала в медиапроцессах. Модель содержит 834 тысячи параметров и использует CRNN-архитектуру, обученную с нуля на лог-мел-спектрограммах без предобученной основы. На вход подаются монофонические аудиофрагменты с частотой 16 кГц; для более длинных записей README рекомендует скользящие окна со сглаживанием. Модель рассчитана на работу на CPU. Она выдаёт четыре логита, которые следует делить на temperature 0,7095 перед вычислением калиброванных вероятностей. Модель подходит для разделения речи, пения и фоновой музыки, например при маршрутизации диалогов и текстов песен, проверке дубляжа и классификации музыкальных клипов и интервью. В README приведён пример использования через Transformers, PyTorch, librosa и NumPy. Лицензия — MIT; в метаданных указаны языковые коды en и vi.

Quiho/SoLordZ_Krea2-Turbo — текстово-генеративная модель для создания изображений по текстовым описаниям. Модель опубликована пользователем Quiho и основана на дообучении базовой модели krea/Krea-2-Turbo. Она предназначена для запуска через библиотеку Diffusers. Модель поддерживает текстовые запросы на английском и китайском языках и решает задачу text-to-image. Её можно использовать для создания иллюстраций, концепт-артов, визуальных материалов и других изображений по описанию пользователя. Модель распространяется по лицензии Apache-2.0. В предоставленных данных не приведены сведения о размере модели, архитектурных деталях, длине контекста, специализированных стилях или дополнительных модальностях.

SoulX-Podcast-1.7B — модель Soul-AILab для синтеза речи в формате подкастов: она создаёт длинные диалоги с несколькими участниками и также поддерживает синтез монологов. В основе лежит плотная языковая архитектура Qwen3ForCausalLM с 1,7 млрд параметров; модель принимает текст и выдаёт речь. Контекст составляет до 40 960 токенов. Модель рассчитана на естественную многорепликовую речь с паралингвистическими элементами, например смехом и вздохами. Поддерживаются английский и китайский, включая диалекты сычуаньский, хэнаньский и кантонский; также заявлено клонирование голоса без предварительного обучения на образце, в том числе между китайскими диалектами. Репозиторий содержит форматы ONNX и Safetensors и распространяется по лицензии Apache-2.0. Авторы описывают применение для синтеза подкастов, персонализированной речи, вспомогательных технологий и лингвистических исследований. Потоковый вывод пока обозначен как планируемая функция; в README также указано, что модель предназначена для академических, образовательных и иных легитимных применений.

Карточка модели Soul-AILab/SoulX-Podcast-1.7B-dialect на Hugging Face совпадает с карточкой Soul-AILab/SoulX-Podcast-1.7B, поэтому описание составлено по ней. SoulX-Podcast-1.7B — модель Soul-AILab для синтеза речи в формате подкастов: она создаёт длинные диалоги с несколькими участниками и также поддерживает синтез монологов. В основе лежит плотная языковая архитектура Qwen3ForCausalLM с 1,7 млрд параметров; модель принимает текст и выдаёт речь. Контекст составляет до 40 960 токенов. Модель рассчитана на естественную многорепликовую речь с паралингвистическими элементами, например смехом и вздохами. Поддерживаются английский и китайский, включая диалекты сычуаньский, хэнаньский и кантонский; также заявлено клонирование голоса без предварительного обучения на образце, в том числе между китайскими диалектами. Репозиторий содержит форматы ONNX и Safetensors и распространяется по лицензии Apache-2.0. Авторы описывают применение для синтеза подкастов, персонализированной речи, вспомогательных технологий и лингвистических исследований. Потоковый вывод пока обозначен как планируемая функция; в README также указано, что модель предназначена для академических, образовательных и иных легитимных применений.

Spark-Wan-4Steps — производная от Wan-AI/Wan2.1-T2V-14B модель для генерации видео по текстовому описанию. Разработчик опубликовал веса дистилляции для ускоренной генерации за 4 шага и код обучения. Модель предназначена для создания видеороликов по текстовым запросам. В основе лежит diffusion transformer Wan2.1 T2V-14B; файлы модели представлены в формате safetensors. Базовая модель поддерживает генерацию видео в разрешении 480p или 720p. Модель распространяется по лицензии Apache-2.0. Данных о поддерживаемых языках запросов и ограничениях качества именно этой версии в карточке нет.

Карточка модели ModelsLab/stable-audio-open-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-audio-open-1.0, поэтому описание составлено по ней. Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

Карточка модели RedbeardNZ/stable-audio-open-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-audio-open-1.0, поэтому описание составлено по ней. Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

AEmotionStudio публикует зеркало весов Stable Audio Open 1.0 от Stability AI, дообученной модели генерации стереозвука по текстовому описанию. Репозиторий содержит веса в формате safetensors для использования с Diffusers и рабочей станцией Mæstræa AI Workstation. Модель предназначена для создания звуковых эффектов, эмбиентных текстур и музыкальных фрагментов: например, Foley, переходов, дождя, ветра, шума толпы, пэдов и многослойных звуковых сцен. Генерирует стерео с частотой 44,1 кГц длительностью до 47 секунд. Для работы требуется видеопамять: в README указано около 4 ГБ как минимум и около 7 ГБ для более длинной генерации в FP16. Модель плохо подходит для полноценных песен с вокалом, высокодетализированных музыкальных инструментов и синтеза речи. Указана Stability AI Community License; применяются её условия. В карточке это зеркало без ограничения доступа, но это не отменяет требований лицензии оригинальной модели.

nlightcho/stable-diffusion-2-1 — модель генерации и редактирования изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H. Она дообучена на основе Stable Diffusion 2: сначала на 55 тысячах шагов, затем ещё на 155 тысячах шагов с другим параметром фильтрации небезопасного контента. Модель предназначена для создания иллюстраций, художественных изображений и визуальных материалов для дизайна и творческих приложений. Карточка указывает английский как основной язык; модель обучалась преимущественно на англоязычных подписях, поэтому на других языках качество ниже. Лицензия — CreativeML Open RAIL++-M. У модели есть ограничения с фотореализмом, разборчивым текстом внутри изображения, сложными пространственными отношениями и корректной генерацией лиц и людей. Обучающие данные основаны на подмножествах LAION-5B и фильтровались детектором NSFW; возможны смещения и нежелательные результаты.

sd3-reality-mix — полноранговая дообученная модель генерации изображений, созданная на основе Stability AI Stable Diffusion 3 Medium. Она принимает текстовые запросы и предназначена для создания изображений, в том числе в фотореалистичном стиле и по сложным описаниям. Модель использует пайплайн StableDiffusion3Pipeline и распространяется в формате Diffusers с весами Safetensors; текстовый энкодер не обучался, поэтому для генерации можно использовать энкодер базовой модели. В обучении использовались датасеты photo-concept-bucket и dalle3, изображения примерно по 1 мегапикселю и разные соотношения сторон. README приводит примеры проверок при разрешениях от 512×512 до 1280×768 и 960×1152, но не гарантирует качество для этих параметров. Модель доступна по лицензии CreativeML OpenRAIL-M.

Карточка модели yuvraj108c/stable-diffusion-3.5-large на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-large, поэтому описание составлено по ней. Stable Diffusion 3.5 Large — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она предназначена для создания иллюстраций и других художественных изображений, работы в дизайнерских процессах, творческих и образовательных инструментах, а также исследований генеративных моделей. Модель использует архитектуру Multimodal Diffusion Transformer (MMDiT), три предварительно обученных текстовых энкодера — OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL — и нормализацию QK. В README отмечены улучшения качества изображений, работы с типографикой, понимания сложных запросов и эффективности использования ресурсов. Модель ориентирована на английские запросы; для энкодеров указаны контексты 77 и 256 токенов на разных этапах обучения. Модель распространяется по Stability Community License; для коммерческого использования Stability AI предлагает уточнить условия лицензирования. Она не предназначена для достоверного изображения реальных людей или событий. Защитные меры не гарантируют устранения всего потенциально вредного контента, поэтому разработчикам следует проверять результаты и применять подходящие ограничения.

Stable Diffusion 3.5 Large Turbo — модель Stability AI для генерации изображений по текстовым запросам. Она построена на архитектуре Multimodal Diffusion Transformer (MMDiT), использует три предварительно обученных текстовых энкодера и нормализацию QK. Дистилляция Adversarial Diffusion Distillation позволяет получать изображения за четыре шага генерации. Модель предназначена для создания иллюстраций и материалов для дизайна, творческих и образовательных инструментов, а также для исследований генеративных моделей. В карточке отмечены улучшения качества изображений, отображения текста, понимания сложных запросов и эффективности использования ресурсов. Указаны английские языковые метаданные; текстовые энкодеры CLIP и T5 обрабатывают запросы с контекстом до 77 или 256 токенов в зависимости от этапа обучения. Модель выпущена по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Она не предназначена для достоверного изображения реальных людей и событий. Защитные меры не гарантируют устранение всего вредного контента, поэтому разработчикам следует проверять результаты и применять подходящие фильтры.

Stable Diffusion 3.5 Medium Alchemist — модель Yandex, дообученная на датасете Alchemist на основе Stability AI Stable Diffusion 3.5 Medium. Она создаёт изображения по текстовым запросам; дообучение нацелено на улучшение эстетики и сложности генерируемых изображений. Модель использует архитектуру MMDiT-X и запускается через библиотеку Diffusers, веса представлены в форматах Diffusers и safetensors. Модель подходит для создания иллюстраций и сложных визуальных сцен по текстовому описанию. Карточка указывает английский язык. Лицензия — Apache-2.0. Количество параметров и длина контекста в предоставленных данных не указаны.

Stable Diffusion 3 Medium — модель генерации изображений по текстовому описанию, разработанная Stability AI. Это Multimodal Diffusion Transformer (MMDiT) с тремя предобученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. Репозиторий содержит версию для Diffusers в формате safetensors. Модель предназначена для создания иллюстраций и дизайна, творческих и образовательных инструментов, а также исследований генеративных моделей. Разработчик отмечает улучшения качества изображений, рендеринга текста, понимания сложных запросов и эффективности использования ресурсов. Поддержка image-to-image упоминается в документации Diffusers. Обучение включало синтетические и отфильтрованные общедоступные данные; в README указаны предварительное обучение на 1 млрд изображений и последующая настройка на эстетических изображениях и предпочтениях. Карточка перечисляет английский язык. Модель не предназначена для достоверного изображения реальных людей и событий; возможны токсичные, предвзятые или нежелательные результаты, поэтому для приложений нужны собственные проверки и меры безопасности. Лицензия Stability Non-Commercial Research Community License не разрешает коммерческое использование без отдельной лицензии Stability AI; также требуется соблюдать Acceptable Use Policy.

KiwiXR/stable-diffusion-v1-5 — перепубликация модели Stable Diffusion v1.5, разработанной Robin Rombach и Patrick Esser. Это латентная диффузионная модель, которая создаёт и изменяет изображения по текстовым запросам. Версия репозитория для Diffusers содержит веса в форматах PyTorch и safetensors; в копии отсутствует файл non-EMA весов UNet в формате safetensors, но доступна версия bin. Исходный чекпойнт основан на Stable Diffusion v1.2 и дообучен на 595 тысячах шагов при разрешении 512×512 на данных LAION Aesthetics v2 5+. Для кодирования текста используется CLIP ViT-L/14. Модель лучше работает с английскими запросами; русский язык и другие неанглийские языки поддерживаются хуже. Лицензия — CreativeML OpenRAIL-M. Модель подходит для создания иллюстраций и фотореалистичных изображений, а также редактирования изображений по текстовым описаниям. Она может ошибаться в композиционно сложных сценах, плохо генерирует читаемый текст и не всегда корректно изображает людей. Обучающие данные содержат материалы для взрослых, а сама модель может воспроизводить предвзятости и запоминать некоторые изображения; для безопасного применения рекомендуется использовать Safety Checker.

Yntec/stable-diffusion-v1-5 — версия Stable Diffusion 1.5 для генерации изображений по текстовому описанию, размещённая пользователем Yntec. Это модель для библиотеки Diffusers, сохранённая в формате safetensors: веса обрезаны, представлены в fp16, EMA отсутствует. Вариант рассчитан на инференс через API и предназначен для создания изображений по промптам; в сборку встроен Incredible World VAE. В README заявлено разрешение 768×768. Модель можно применять для создания иллюстраций, концепт-арта и стилизованных изображений по тексту. Репозиторий указывает лицензию CreativeML OpenRAIL-M; перед использованием следует ознакомиться с её условиями и ограничениями. README не приводит подробных оценок качества или систематических ограничений модели.