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

vantagewithai/Qwen-Image-2512-GGUF — это квантизированная версия модели Qwen-Image-2512, разработанной командой Qwen и распространяемой пользователем VantageWithAI в формате GGUF. Модель предназначена для генерации изображений по текстовому описанию и интегрируется с экосистемой Diffusers. Заявленные языки — английский и китайский. Модель ориентирована на создание реалистичных изображений людей, природных сцен, животных и композиций с текстовыми элементами. По сравнению с базовой версией Qwen-Image, обновление 2512 улучшает реалистичность человеческих лиц и внешности, детализацию природных объектов, включая шерсть и ландшафты, а также качество размещения и отображения текста на изображениях. Отдельно отмечается более точная мультимодальная композиция текста и изображения, однако в предоставленных данных не указаны конкретные архитектурные параметры, размер модели, максимальное разрешение или длина контекста. К сильным сторонам относятся повышенная фотореалистичность, детализация мелких элементов и улучшенное рендеринг текста. Ограничения связаны с отсутствием подробных сведений о производительности GGUF-квантизации, требованиях к оборудованию и поддерживаемых режимах работы; фактическое качество может зависеть от выбранной степени квантизации и программного окружения. Модель распространяется по лицензии Apache-2.0.

Карточка модели ViktorLin/Qwen-Image-ControlNet-Inpainting на Hugging Face совпадает с карточкой InstantX/Qwen-Image-ControlNet-Inpainting, поэтому описание составлено по ней. Qwen-Image-ControlNet-Inpainting — модель ControlNet от InstantX для масочного заполнения и расширения изображений на базе Qwen-Image. Она предназначена для редактирования выбранной области с сохранением заданного контекста изображения: замены объектов и фона, изменения текста на изображении и дорисовки за его границами. Контрольная сеть состоит из шести двойных блоков, скопированных из предварительно обученных слоёв трансформера. Модель обучали с нуля 65 тысяч шагов на наборе из 10 миллионов изображений общего назначения и изображений людей; разрешение обучения — 1328 × 1328, точность — bfloat16. Для работы требуется базовая модель Qwen/Qwen-Image и совместимый конвейер Diffusers; также заявлена поддержка ComfyUI версии 0.3.59 или новее. Модель чувствительна к формулировкам запроса: рекомендуется подробно описывать всё изображение, включая редактируемую область и фон, и использовать описательные запросы. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-Edit-2511-GGUF — это квантованные версии модели Qwen-Image-Edit-2511, разработанной командой Qwen. Модель предназначена для редактирования изображений по входному изображению и текстовым инструкциям, включая творческие преобразования портретов, сохранение внешности персонажей, объединение нескольких людей в одну сцену, изменение освещения и ракурса, а также задачи промышленного дизайна. Ключевые улучшения относительно Qwen-Image-Edit-2509 включают уменьшение дрейфа изображения, более высокую согласованность персонажей, в том числе на групповых фотографиях, встроенную поддержку эффектов популярных LoRA, улучшенную генерацию промышленных объектов и усиленное геометрическое рассуждение. Последнее позволяет, например, создавать вспомогательные конструктивные линии для проектирования и аннотирования. Модель работает с изображениями и текстовыми инструкциями; в карточке указаны языки en и zh, библиотека diffusers и pipeline image-to-image. Архитектура, число параметров и размер контекста не указаны. Эта версия распространяется в формате GGUF, что связано с квантованием и может быть удобно для локального запуска при ограниченных ресурсах, однако конкретные варианты квантования и требования к оборудованию в карточке не приведены. Ограничения по качеству, безопасности и поддерживаемым разрешениям также не описаны. Модель распространяется по лицензии Apache 2.0.

calcuis/qwen-image-edit-plus-gguf — это GGUF-квантизированная версия модели Qwen/Qwen-Image-Edit-2509 для редактирования изображений по текстовым инструкциям. Модель предназначена для image-to-image сценариев: изменения объектов и деталей изображения, добавления элементов, замены или настройки фона, объединения содержимого нескольких изображений и работы с композициями из нескольких входных изображений. В зависимости от режима можно использовать до трёх изображений одновременно. Модель поддерживает текстовые и визуальные входные данные, однако сведения о точном размере основной модели, максимальном текстовом контексте и полном наборе языков в README не указаны. Доступны несколько GGUF-вариантов с разными схемами квантизации, включая IQ3_S, IQ4_NL и MXFP4_MOE, а также экспериментальные lite-варианты и интеграция с safetensors через Nunchaku. Lite LoRA может автоматически применяться для генерации за 4–8 шагов вместо стандартных 40, что сокращает время загрузки и инференса, но экспериментальные режимы могут быть менее стабильными. Модель можно запускать через gguf-connector, gguf-node в ComfyUI или обновлённую версию Diffusers; для работы требуются совместимые текстовые энкодеры, VAE и соответствующее аппаратное обеспечение. README не приводит результаты бенчмарков и не описывает ограничения качества, поэтому стабильность и производительность зависят от выбранного варианта, режима запуска и устройства. Распространение указано по лицензии Apache-2.0.

NVIDIA Qwen-Image-Flash — модель генерации изображений по текстовому описанию, созданная на основе Qwen/Qwen-Image. Это дистиллированная методом DMD2 версия для генерации за четыре шага; архитектура диффузионного трансформера MMDiT сохранена. Трансформер денойзинга содержит 20,43 млрд параметров, а полный конвейер с текстовым энкодером и VAE — 28,85 млрд обучаемых параметров. Модель предназначена для прототипирования творческого контента и сценариев, где важна низкая задержка генерации. Она принимает текстовые запросы длиной до 1024 токенов и обычно создаёт RGB-изображения размером 1024 × 1024. Дистилляция проводилась на английских описаниях; унаследованные способности к китайскому языку не оценивались. Для работы предусмотрены Diffusers и другие движки инференса; модель оптимизирована для GPU NVIDIA. Модель рассчитана на исследовательское применение и коммерческое или некоммерческое использование. В README указаны NVIDIA Open Model Agreement и Apache License 2.0. Она не предназначена для редактирования и понимания изображений, критически важных решений, а также генерации незаконного или оскорбительного контента.

Re3Cap-CIM-Qwen2.5-VL-7B — мультимодальная модель на базе Qwen2.5-VL-7B-Instruct, дообученная методом GRPO с наградой Cross-modal Identity Mapping (CIM) и стратегией Re³Cap. Её разработчики представляют её в работе EMNLP 2026 Main. Модель предназначена для генерации и уточнения подписей к изображениям. Стратегия Re³Cap использует Caption Refinement Suggester и Caption Quality Assessor, чтобы находить галлюцинации и пропуски в подписи и получать более точные и подробные описания; дополнительной разметки для этого подхода не требуется. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Доступна в формате safetensors по лицензии Apache-2.0. Модель принимает изображения и текстовые инструкции и генерирует текстовые подписи. Карточка описывает её как специализированную для captioning, поэтому качество на других визуальных задачах не подтверждено.

Real Beauty — объединённая модель для генерации изображений по текстовому описанию, созданная смешиванием BeautyFool Reality 4 и Real Dream 11. Она предназначена для создания фотореалистичных портретов, персонажей и сцен с детализированными лицами, одеждой, освещением и окружением; в карточке приведены примеры промптов для журнальных портретов, интерьеров и кинематографичных сцен. Модель использует Stable Diffusion 1.5 и запускается через библиотеку Diffusers; веса доступны в формате safetensors. Лицензия — CreativeML OpenRAIL-M, условия которой следует соблюдать при использовании и распространении модели.

Realisian6 — модель генерации изображений по текстовому описанию, опубликованная GraydientPlatformAPI на Hugging Face. В метаданных указаны задача text-to-image, реализация через Diffusers StableDiffusionPipeline, размер около 0,9 млрд параметров и формат safetensors. Модель предназначена для создания изображений по текстовым запросам. Для репозитория указана лицензия OpenRAIL. Карточка модели не была доступна для проверки, поэтому особенности обучающих данных, рекомендуемые настройки, поддерживаемые языки запросов и конкретные ограничения модели подтвердить нельзя.

Realisian_v6 — модель генерации изображений по текстовому описанию, размещённая пользователем digiplay на Hugging Face. Репозиторий использует Diffusers и StableDiffusionPipeline и содержит веса в формате safetensors; карточка связывает модель со страницей Realisian на Civitai. Модель предназначена для создания изображений по текстовым запросам. Данные подтверждают задачу text-to-image, но не дают надёжных сведений об архитектурной версии базовой модели, размере параметров, поддерживаемых языках и особенностях генерации. Указана лицензия other; её конкретные условия следует сверять с источником модели.

Realistic Vision 5.1 — модель Stable Diffusion для генерации фотореалистичных изображений по текстовому описанию, опубликованная stablediffusionapi. В карточке приведён пример работы через API ModelsLab с настройками размера изображения, числа шагов генерации и guidance scale; также указаны параметры negative prompt и усиления промпта. В метаданных указаны формат Diffusers/PyTorch и лицензия CreativeML OpenRAIL-M. Модель подходит для создания реалистичных портретов и сцен по промптам. Пример карточки демонстрирует генерацию изображения 512×512 за 30 шагов, однако это настройки примера, а не заявленные ограничения модели. Карточка не сообщает размер модели, длину контекста и подтверждённый список языков. Условия лицензии CreativeML OpenRAIL-M применяются к использованию весов; генерация через API ModelsLab может также регулироваться условиями этого сервиса.

Realistic Vision 1.2 — модель генерации изображений по текстовому описанию в формате Stable Diffusion. Репозиторий опубликован Yntec и содержит веса для Diffusers в форматах PyTorch и SafeTensors; карточка приводит пример промпта с портретом персонажа. Модель предназначена для создания реалистичных и полуреалистичных изображений по текстовым запросам. В метаданных указана лицензия CreativeML OpenRAIL-M, которая определяет условия использования модели.

Realistic Vision V3.0 VAE — модель генерации изображений по текстовому описанию, опубликованная пользователем SG161222. Карточка указывает, что необходимый VAE уже встроен в модель; репозиторий содержит файлы в формате Diffusers и safetensors. Модель предназначена для создания реалистичных изображений по текстовым запросам. В README приведены рекомендуемые алгоритмы сэмплирования Euler A и DPM++ SDE Karras, диапазон CFG 3,5–7 и настройки увеличения разрешения с апскейлером 4x-UltraSharp. Для улучшения результата предлагается задавать отрицательный промпт, исключающий анатомические дефекты, артефакты и нежелательные стили. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка рекомендует параметры генерации, но не содержит заявлений о точности, поддерживаемых языках или ограничениях качества; результат зависит от промпта и настроек генерации.

Realistic Vision V5.0 noVAE — модель генерации изображений по тексту из семейства Stable Diffusion, представленная пользователем kp-forks. Репозиторий содержит веса в форматах Diffusers и safetensors; модель предназначена для создания реалистичных изображений по текстовым запросам. В README рекомендуются сэмплеры Euler A или DPM++ 2M Karras и CFG Scale 3,5–7. Для версии 5.0 автор карточки советует подключать VAE, чтобы повысить качество генерации и уменьшить артефакты; также приводятся примеры негативных запросов и настройки увеличения разрешения. Лицензия — CreativeML OpenRAIL-M.

Realistic Vision v5.1 — модель генерации изображений по текстовому описанию, размещённая аккаунтом stablediffusionapi и доступная через API ModelsLab. Она предназначена для создания фотореалистичных изображений; в примере карточки показаны портретная сцена, кинематографическое освещение и управление результатом с помощью позитивного и негативного промптов. Для примера указаны размер 512 × 512 пикселей, 30 шагов генерации и guidance scale 7,5. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка показывает способ вызова через API, но не раскрывает сведения об архитектуре, размере модели или поддерживаемых языках промптов.

Realistic Vision v6.0 — модель генерации изображений по текстовому описанию, опубликованная под именем stablediffusionapi. Карточка предлагает использовать её через API ModelsLab; в примере можно задавать положительный и отрицательный промпты, размер изображения, число шагов генерации и guidance scale. В README модель описана как ориентированная на фотореалистичные изображения, включая портреты с детализированным освещением и внешностью. Репозиторий Hugging Face содержит веса в форматах Diffusers и PyTorch, а модель использует StableDiffusionPipeline. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, максимальное разрешение или поддерживаемые языки промптов.

RealVisXL V2.01 — модель генерации изображений по текстовому описанию от SG161222, основанная на Stable Diffusion XL. Она предназначена для создания фотореалистичных изображений; автор отмечает, что модель может создавать как изображения общего характера, так и материалы для взрослой аудитории. Репозиторий содержит веса в формате safetensors для использования с Diffusers. Автор указывает, что на момент публикации модель всё ещё обучалась и могла давать артефакты или слабые результаты в отдельных случаях. В README приведены рекомендуемые параметры генерации и увеличения разрешения. Лицензия — OpenRAIL++.

RealVisXL V5.0 Lightning — модель генерации изображений от SG161222, ориентированная на фотореализм. Она принимает текстовые запросы и создаёт изображения; в карточке указана поддержка генерации как SFW-, так и NSFW-контента. Модель использует конвейер StableDiffusionXLPipeline и распространяется в форматах Diffusers и safetensors. В README рекомендованы быстрые настройки генерации: 5 шагов сэмплирования, DPM++ SDE Karras или DPM++ SDE и CFG 1,0–2,0. Для увеличения разрешения предложены отдельные параметры Hires Fix и апскейлеры. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.

Карточка модели Arsh9210/RE-USE на Hugging Face совпадает с карточкой nvidia/RE-USE, поэтому описание составлено по ней. NVIDIA RE-USE — модель для универсального улучшения речи: она обрабатывает монофонический аудиосигнал и возвращает очищенную речь в формате WAV. Архитектура сочетает свёрточные кодировщик и декодировщик с 30 слоями двунаправленной Mamba для моделирования временно-частотных характеристик; размер модели — 9,6 млн параметров. Модель предназначена для восстановления речи при разных искажениях: фоновом шуме, реверберации, клиппинге, ограничении полосы частот, артефактах кодеков и потерях пакетов. Поддерживаются частоты дискретизации от 8 до 48 кГц, включая 8, 16, 22,05, 24, 32, 44,1 и 48 кГц. Заявлена языковая независимость; обучение охватывало английский, немецкий, испанский, французский и китайский языки. RE-USE стремится улучшать качество звука, сохраняя содержание речи, голос говорящего, эмоции, акцент и другие речевые характеристики. Модель рассчитана на исследовательскую и экспериментальную работу; NVIDIA рекомендует проверять её на данных конкретного сценария перед развёртыванием. В карточке указана лицензия other, поэтому условия использования следует сверить с лицензией репозитория NVIDIA. Для ускорения рассчитана на системы с GPU NVIDIA; в README указана совместимость с Ampere A100 и Linux.

RORem — модель удаления объектов на изображениях, разработанная авторами проекта RORem и опубликованная на Hugging Face пользователем LetsThink. Она предназначена для локального заполнения изображения после удаления объекта: на вход подаются изображение, маска и текстовый запрос, а на выходе получается изменённое изображение. Модель реализована как пайплайн Stable Diffusion XL Inpainting на Diffusers; в конфигурации указана базовая модель diffusers/stable-diffusion-xl-1.0-inpainting-0.1. Карточка описывает RORem как инструмент для редактирования изображений и демонстрирует пример преобразования объекта с помощью текстового запроса. Репозиторий распространяется по лицензии Apache-2.0. Доступные материалы не сообщают размер модели, длину контекста или список поддерживаемых естественных языков.

gokaygokay/sd3-long-captioner-v2 — дообученная модель на основе PaliGemma с входным разрешением изображений 224×224. Автор дообучил её на наборах данных google/docci и google/imageinwords для создания подробных текстовых описаний изображений. Модель принимает изображение и формирует текстовое описание. В метаданных указаны архитектура PaliGemma, библиотека Transformers, формат весов safetensors и поддержка английского языка. Лицензия — Apache 2.0. Карточка сообщает о дообучении, но не приводит результаты оценки качества и не уточняет максимальную длину описания; пригодность для конкретных изображений стоит проверять на примерах.

thibaud/sdxl_dpo_turbo — слияние SDXL Turbo и SDXL DPO для генерации изображений по текстовому описанию. Модель распространяется в формате Diffusers и Safetensors и предназначена для использования с AUTOMATIC1111, ComfyUI, InvokeAI или библиотекой Diffusers. Пример в карточке показывает генерацию изображения за два шага инференса с использованием GPU и FP16. Это указывает на сценарии быстрого получения изображений по запросу. Перед использованием следует ознакомиться с лицензиями исходных моделей; в метаданных модели указана лицензия other.

SDXL InstructPix2Pix — модель редактирования изображений по текстовым инструкциям, созданная на основе Stable Diffusion XL с помощью дообучения по методике InstructPix2Pix. Она предназначена для преобразования загруженного изображения по запросу: например, изменения погоды, художественного стиля или возраста человека. Обучение выполнено на разрешении 768×768 в течение 15 000 шагов на наборе timbrooks/instructpix2pix-clip-filtered. Модель распространяется в формате Diffusers и Safetensors и использует базовую модель stabilityai/stable-diffusion-xl-base-1.0. Для работы требуются изображение и текстовая инструкция; результатом служит отредактированное изображение. Лицензия — OpenRAIL++.

DESSEP/SDXL-v1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Evgeniy Pantin на основе Stable Diffusion XL Base 1.0 от Stability AI. Это диффузионная модель в формате Diffusers с весами Safetensors; для текстового кодирования используются OpenCLIP-ViT/G и CLIP-ViT/L. Модель предназначена для создания изображений по промптам и изменения изображений. Версия «a12» прошла 12 шагов дообучения на специально отобранных 80 изображениях; автор рекомендует использовать последнюю доступную версию репозитория. Основной язык промптов — английский. Лицензия CreativeML Open RAIL++-M разрешает коммерческое и некоммерческое использование с соблюдением её условий и ограничений. Модель может плохо отображать читаемый текст, сложные пространственные композиции, лица и людей; автоэнкодер вносит потери. Она не предназначена для достоверного воспроизведения людей или событий, а результаты на других языках могут быть хуже. Обучающие изображения, согласно карточке, не содержали NSFW-данных.

SenseNova-U1.5-8B-MoT-Preview — предварительная версия унифицированной мультимодальной модели SenseNova на архитектуре NEO-unify с классом NEOChatModel. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений по инструкциям, включая работу с несколькими референсами, масками, ограничивающими рамками и визуальными маркерами. Заявлены создание изображений в разрешении до 4K, улучшенная передача текстур, материалов и освещения, а также генерация сложных композиций и текста на китайском и английском языках. Модель поддерживает текстовые диалоговые сценарии и интерфейс вызова инструментов, а веса доступны в формате safetensors. Карточка описывает её как preview-релиз: короткие и недостаточно точные запросы могут приводить к лишнему тексту на изображении, ошибки возникают в мелком и плотном тексте и сложных макетах, а детализированные изображения людей и многоэтапное редактирование могут быть нестабильными. Лицензия — Apache-2.0.

Sentence Frame Classifier — модель на архитектуре RoBERTa для классификации предложений по медийным фреймам. Она дообучена на основе facebook/roberta-large на корпусе Media Frame Corpus и данных, адаптирующих задачу к онлайн-обсуждениям. Модель относит текст к одной из 10 категорий: экономика, мораль, справедливость и равенство, право и преступность, политика и государственная политика, безопасность и оборона, здоровье и безопасность, культурная идентичность, общественное мнение или прочие темы. Вероятности по всем категориям можно использовать для многометочной классификации. Модель предназначена для анализа журналистских статей, комментариев и публикаций в социальных сетях. В карточке указаны 454,1 млн параметров и контекст до 514 токенов; заявленный Macro F1 составляет 0,66. Поддерживается английский язык. Лицензия — CC BY 4.0.

Shuttle 3 Diffusion — модель генерации изображений по текстовому описанию от ShuttleAI, предназначенная для создания детализированных и разнообразных изображений за четыре шага. Она работает через библиотеку Diffusers и доступна в вариантах bfloat16, FP8 и GGUF для разных аппаратных условий. В карточке заявлено улучшенное качество изображений, работа с типографикой и сложными промптами, а также эффективность использования ресурсов; приведено сравнение с Flux Dev, но независимые результаты оценки не указаны. Модель принимает текстовые промпты и выдаёт изображения. Лицензия Apache 2.0 разрешает использование и распространение на её условиях. Поддерживается английский язык; сведения о других языках и длине контекста не приведены.

UBC-NLP/Simba-W — модель распознавания речи из серии Simba, разработанной UBC-NLP для африканских языков. Это дообученная на данных SimbaBench версия Whisper large v3; карточка описывает её как систему для транскрибирования речи, а метаданные указывают архитектуру Whisper с 905,2 млн параметров и формат safetensors. Модель предназначена для распознавания речи на 43 африканских языках, включая амхарский, арабский, хауса, игбо, суахили, йоруба и зулу, а также французский и португальский. Она рассчитана на аудиоввод и выдаёт текстовые транскрипции; для запуска поддерживается библиотека Transformers. README заявляет о высокой точности благодаря обучающим данным с разными доменами, но не приводит численных результатов именно для этой модели. Модель распространяется по лицензии CC BY 4.0. Она предназначена для ASR; заявленная для семейства Simba возможность синтеза речи не подтверждена для этой конкретной модели.

SkyReels-V2-DF-14B-720P-Diffusers — модель генерации видео SkyReels-V2, разработанная командой Skywork. Это вариант на 14 млрд параметров для генерации видео по текстовому запросу с разрешением 720p; веса представлены в формате Diffusers и Safetensors. Модель использует авторегрессионную архитектуру Diffusion Forcing, предназначенную для создания длинных видео с последовательным продолжением кадров. Она подходит для генерации кинематографических сцен и сюжетных роликов по текстовому описанию. В README также описаны другие возможности семейства SkyReels-V2, но данная карточка относится к текстовой генерации видео. Для запуска предусмотрена интеграция с Diffusers и код инференса для одной или нескольких GPU. README демонстрирует ролики длительностью до 30 секунд, но не уточняет максимальную длительность для этой версии. Лицензия указана как other; конкретные условия использования следует сверить с лицензионными материалами репозитория.

SmolVLM-500M-Instruct — компактная мультимодальная модель компании Hugging Face для диалогов по изображениям. Она построена на архитектуре Idefics3 и объединяет языковую модель SmolLM2-360M-Instruct с визуальным энкодером SigLIP; число параметров в предоставленных данных не указано. Модель принимает изображения и текстовые запросы, включая чередующиеся последовательности этих входов, и генерирует текст на английском языке. Модель предназначена для ответов на вопросы об изображениях, описания визуального содержимого, распознавания текста на изображениях, понимания документов и диаграмм, а также создания историй по визуальным материалам. Сжатое представление изображений и лёгкая архитектура рассчитаны на эффективный запуск: в README указано потребление около 1,23 ГБ видеопамяти для обработки одного изображения. Модель не генерирует изображения. В README приведены рекомендации по настройке разрешения изображений и использованию пониженной точности для экономии ресурсов. Ответы могут быть фактически неверными; модель не предназначена для решений с серьёзными последствиями для людей. Лицензия — Apache 2.0.

SmolVLM-Instruct — компактная мультимодальная модель Hugging Face для диалога по изображениям и тексту. Она принимает текстовые запросы и одно или несколько изображений, в том числе в чередующихся последовательностях, и формирует текстовые ответы. Модель построена на архитектуре Idefics3, объединяющей языковую модель SmolLM2-1.7B-Instruct и визуальную основу SigLIP SoViT-400m; репозиторий содержит веса Safetensors и формат ONNX. Лицензия — Apache 2.0. Модель подходит для ответов на вопросы об изображениях, описания визуального содержимого, подписей к изображениям, понимания документов и диаграмм, а также историй по нескольким изображениям. Компактная архитектура и сжатое представление изображений рассчитаны на эффективный запуск, в том числе на устройствах с ограниченными ресурсами. Основной язык карточки — английский; модель также может работать как языковая модель без изображений. Она не генерирует изображения. Ответы могут быть фактически неточными, поэтому модель не предназначена для решений, влияющих на благополучие или средства к существованию людей.