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

gaianet/FLUX.1-Redux-dev-GGUF — квантованный GGUF-вариант модели FLUX.1-Redux-dev от Black Forest Labs. В репозитории доступны варианты Q4_0, Q4_1, Q5_0, Q5_1 и Q8_0, а также safetensors; квантование выполнено с помощью stable-diffusion.cpp. Модель предназначена для генерации изображений по тексту и, согласно описанию базовой модели, для создания вариаций и рестайлинга изображений по исходному изображению. Для запуска нужны отдельные компоненты T5, CLIP и ae: автор предупреждает, что они не включены в репозиторий. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией базовой модели и файлами репозитория.

FLUX.1-schnell-GGUF — квантованная версия модели FLUX.1-schnell, разработанной Black Forest Labs и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на сценарии text-to-image, включая локальный запуск через совместимые серверы, например sd-api-server и LlamaEdge. В составе представлены основные компоненты пайплайна генерации: диффузионная модель, VAE, CLIP-L и T5XXL. Доступны варианты квантования от Q2_K и Q4 до Q8_0, а также версии с точностью f16 и f32 для отдельных компонентов; размер файлов диффузионной модели варьируется от 6,69 до 23,8 ГБ. В метаданных указан английский язык, однако сведения о размере исходной архитектуры, максимальном контексте, поддерживаемых разрешениях и других модальностях отсутствуют. Квантованные варианты упрощают размещение модели и позволяют выбирать компромисс между размером и точностью, но конкретное влияние квантования на качество в README не описано. Модель распространяется по лицензии Apache 2.0.

Это 4-битная квантованная версия модели FLUX.1-schnell от Black Forest Labs, подготовленная с использованием подхода mflux версии 0.6.2. Модель генерирует изображения по текстовому описанию; в репозитории есть два текстовых энкодера CLIP, основной трансформер диффузии и VAE. Квантование уменьшает требования к памяти и размер файлов: в README указано около 9 ГБ для 4-битной версии против примерно 57 ГБ у исходной FP16. Это позволяет запускать генерацию на оборудовании с ограниченной видеопамятью. Модель предназначена для быстрого создания изображений по текстовым запросам; в метаданных указан английский язык. По сравнению с исходной версией качество немного снижено, возможны артефакты, а скорость вывода может быть несколько ниже. Лицензия — Apache-2.0.

FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

Карточка модели Brhtu/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

Карточка модели Jinstudio/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

Карточка модели Kuau/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

Карточка модели OsGo/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

Карточка модели PROROK26REG/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

FLUX.2 [klein] 4B — компактная модель генерации и редактирования изображений, разработанная Black Forest Labs и опубликованная здесь Unsloth как зеркало с неизменёнными весами. Это трансформер rectified flow с 4 млрд параметров, объединяющий генерацию по текстовому описанию и редактирование изображений, в том числе по нескольким референсам, в одной архитектуре. Модель предназначена для интерактивных сценариев, локальной разработки, развёртывания на периферийных устройствах и производственных систем, где важны скорость и задержка. В README заявлены генерация менее чем за секунду и работа примерно на 13 ГБ видеопамяти; доступны Diffusers и ComfyUI. Метаданные указывают английский язык. Лицензия — Apache 2.0, допускающая коммерческое использование. Модель не предназначена для предоставления фактической информации. Следование запросу зависит от формулировки, результат может не соответствовать описанию, а текст внутри изображения может искажаться. Как и другие статистические модели, она может воспроизводить или усиливать смещения из обучающих данных; README также перечисляет ограничения на отдельные виды использования.

Карточка модели vikram73/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

FLUX.2-Klein-4B-4bit — 4-битная версия модели семейства FLUX.2 [klein], разработанной Black Forest Labs и представленной в репозитории mlx-community. Это компактный rectified flow transformer с 4 млрд параметров для генерации изображений по текстовому описанию и редактирования изображений, в том числе с несколькими референсами. Архитектура объединяет генерацию и редактирование в одной модели. Модель рассчитана на быстрый инференс, локальную разработку, развертывание на периферийных устройствах и производственное применение; авторы указывают возможность запуска на потребительском оборудовании. Для работы с текстом заявлен английский язык. Репозиторий распространяется по лицензии Apache 2.0. Преимущества — компактный размер и поддержка генерации и редактирования; фактическая скорость и качество зависят от оборудования и сценария использования.

FLUX.2-klein-4B-Q4_K_M — GGUF-квантизированная версия модели FLUX.2-klein-4B, разработанной Black Forest Labs. Модель представляет собой rectified flow transformer с 4 миллиардами параметров и объединяет генерацию и редактирование изображений в единой компактной архитектуре. Указан английский язык; модель работает с текстовыми описаниями и изображениями, поддерживая text-to-image, image-to-image и редактирование с несколькими референсами. Модель предназначена для интерактивной генерации изображений, редактирования, локальной разработки, edge-развёртывания и производственных сценариев с жёсткими требованиями к задержке. Это дистиллированная модель, ориентированная на генерацию менее чем за секунду, доступная на потребительских GPU примерно с 13 ГБ VRAM, включая NVIDIA RTX 3090 и RTX 4070. GGUF-версия использует методологию Unsloth Dynamic 2.0 с повышением точности отдельных важных слоёв; для работы упоминаются ComfyUI и Diffusers. Сильные стороны модели — компактность, высокая скорость, объединение генерации и редактирования, поддержка многоэлементного редактирования и возможность коммерческого локального использования. Ограничения включают возможные искажения текста на изображениях, неточное следование запросам, зависимость результата от стиля формулировки промпта и риск воспроизведения или усиления предвзятости обучающих данных. Модель не предназначена для предоставления фактической информации и не должна применяться для незаконного, вредоносного, обманного или высокорискового автоматизированного принятия решений. Распространяется под лицензией Apache 2.0.

FLUX.2-klein-9B-Nunchaku — это квантизированная версия модели FLUX.2 [klein] 9B, разработанной Black Forest Labs. Репозиторий квантизированных весов поддерживается tonera и основан на исходной модели black-forest-labs/FLUX.2-klein-9B. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений с использованием нескольких референсов; в экосистеме Diffusers она относится к задачам image-to-image и text-to-image. Модель содержит квантизированный Transformer в форматах fp4 или int4 с применением SVDQuant и Nunchaku, а также комплект Diffusers с VAE и текстовым энкодером. Размер базовой модели — 9B параметров. В README не указаны точные сведения о поддерживаемых языках, максимальном размере контекста и полном наборе модальностей. Квантизация существенно снижает требования к видеопамяти и ускоряет инференс: на RTX 5090 в тестах для конфигурации с квантизированными Transformer и текстовым энкодером пиковое потребление составляло около 7,52 ГБ при редактировании и 6,42 ГБ при генерации 1024×1024, а скорость была примерно в 3 раза выше базовой модели при использовании model CPU offload. Сильные стороны модели — поддержка генерации и редактирования изображений, уменьшенное потребление VRAM и высокая скорость инференса. Ограничения связаны с зависимостью от совместимых сборок Nunchaku, Diffusers, CUDA и оборудования; для FLUX.2 Klein в README рекомендуется community-сборка vitoom-nunchaku, поскольку официальная поддержка в upstream Nunchaku ещё не объединена. Качество квантизации характеризуется средним PSNR 17,56, SSIM 0,735 и LPIPS 0,212, поэтому возможны отличия от полноточной версии. Лицензия указана как other; конкретные условия необходимо уточнять в официальной карточке базовой модели Black Forest Labs.

FLUX.2 [klein] 9B SNOFS — модель Black Forest Labs для генерации и редактирования изображений. Это трансформер rectified flow на 9 млрд параметров с текстовым энкодером Qwen3 на 8 млрд параметров; модель дистиллирована до четырёх шагов инференса для быстрой генерации. Она поддерживает создание изображений по тексту, редактирование по одному или нескольким референсам и рассчитана на приложения с низкой задержкой, включая творческий перебор идей. Работает через Diffusers и ComfyUI; для запуска указано требование около 29 ГБ видеопамяти. Модель принимает текстовые запросы и изображения-референсы, выдаёт изображения. В карточке отмечены английский язык и поддержка текстового управления; надписи внутри сгенерированных изображений могут быть искажены, а следование запросу зависит от формулировки и не всегда точно. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Указана лицензия other, а README сообщает о некоммерческом использовании и ограничениях на отдельные сценарии применения.

Flux2-Klein-9B-True-V2 — модель генерации изображений по текстовому описанию и их редактирования, опубликованная пользователем Leon1000 и основанная на FLUX.2-klein-9B от Black Forest Labs. Это полноценно дообученная версия Flux2-Klein-9B-True-V1, предназначенная для задач text-to-image и image editing в экосистеме Diffusers с использованием PyTorch. Модель поддерживает английский и китайский языки. Заявлены улучшения реалистичности и проработки текстур, следования промпту, восстановления содержания, адаптации параметров и совместимости с LoRA. Также отмечены более упорядоченная композиция, эстетические улучшения и уменьшение смещения формы и цветовых искажений при редактировании. Для ускорения можно применять Turbo или Distill LoRA, однако это может снизить качество изображения; рекомендуются небольшие значения веса LoRA. Для коррекции цвета и формы после редактирования предлагается использовать ComfyUI-LCS. Размер контекста, точная архитектура, число параметров и дополнительные модальности в README не указаны. Модель распространяется по некоммерческой лицензии FLUX Non-Commercial License от Black Forest Labs, поэтому её использование должно соответствовать условиям этой лицензии.

FLUX.2 [klein] 4B Base — модель Black Forest Labs для генерации и редактирования изображений. Это трансформер rectified flow с 4 млрд параметров: он создаёт изображения по текстовым описаниям и поддерживает редактирование по нескольким референсным изображениям. Модель работает через Diffusers и рассчитана на запуск на потребительском оборудовании; в README указано требование около 13 ГБ видеопамяти. Это полновесная недистиллированная базовая модель, предназначенная для дообучения, обучения LoRA, исследований и создания пользовательских конвейеров. По сравнению с дистиллированными версиями она даёт больше гибкости и разнообразия результатов, но ориентирована на контроль и настройку, а не на максимальную скорость. Модель не предназначена для предоставления фактической информации; следование промпту зависит от его формулировки, а текст внутри изображения может искажаться. Лицензия Apache 2.0 допускает коммерческое использование при соблюдении её условий.

unsloth/FLUX.2-klein-base-9B-GGUF — GGUF-квантизированная версия FLUX.2-klein-base-9B, разработанная Black Forest Labs и подготовленная Unsloth с использованием методологии Dynamic 2.0. Это модель генерации и редактирования изображений на основе rectified flow transformer с 9 млрд параметров. Она принимает текстовые описания и поддерживает редактирование с несколькими референсными изображениями; заявленный язык — английский. Модель предназначена для творческой генерации, интерактивного редактирования, исследований, обучения LoRA, дообучения и создания собственных конвейеров обработки изображений. Это полноразмерная foundation-модель без дистилляции, поэтому она сохраняет большую гибкость, разнообразие результатов и возможности контроля, но рассчитана прежде всего на сценарии, где важнее управляемость, чем максимальная скорость. GGUF-версия оптимизирована для запуска через совместимые инструменты, включая ComfyUI-GGUF; базовая модель доступна также через Diffusers и ComfyUI. Модель может генерировать изображения с разрешением, указанным в примере 1024×1024, а для запуска требуется около 29 ГБ видеопамяти; заявлена совместимость с NVIDIA RTX 4090 и более производительными GPU. Ограничения включают возможное несоответствие результата запросу, зависимость качества следования инструкциям от формулировки промпта и искажения текста на изображениях. Модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать предвзятость обучающих данных. Распространение осуществляется по FLUX Non-Commercial License с Acceptable Use Policy; запрещены, в частности, незаконное или вредоносное использование, эксплуатация несовершеннолетних, создание несогласованных интимных изображений, травля и полностью автоматизированные решения с высоким риском для юридических прав людей.

FLUX.2 [klein] 9B Base NVFP4 — разработанная Black Forest Labs модель генерации и редактирования изображений. Это 9-миллиардная rectified flow transformer; данный репозиторий содержит её квантизированную версию NVFP4. Модель принимает текстовые описания и изображения-образцы, включая несколько референсов для редактирования, и выдаёт изображения. Карточка указывает английский язык; модель рассчитана на запуск примерно с 29 ГБ видеопамяти, включая NVIDIA RTX 4090 и более мощные устройства. Модель подходит для генерации изображений по описанию и преобразования изображений с опорой на текстовые инструкции и референсы. Следование запросу зависит от стиля формулировки, а сгенерированный текст на изображениях может быть искажён. Модель не предназначена для получения фактической информации и может не соответствовать запросу или воспроизводить смещения из обучающих данных. Для NVFP4-весов указан формат safetensors; модель распространяется по некоммерческой лицензии FLUX для 9B-моделей, а не по Apache 2.0.

Foto Assisted Diffusion — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Это версия с разрешением 768×768 для inference API; репозиторий содержит веса в формате Diffusers и safetensors. Примеры демонстрируют фотореалистичные изображения и цифровые иллюстрации: портреты, пейзажи, городские сцены, еду и фантастические сюжеты. Модель предназначена для создания изображений по текстовым промптам. В карточке показаны промпты на английском языке, в том числе с указаниями художественного стиля и деталей композиции. Модель основана на Stable Diffusion; точное семейство или размер базовой модели в доступных данных не уточнены. Указана лицензия CreativeML OpenRAIL-M. Примеры показывают широкий диапазон сюжетов, однако не содержат систематической оценки качества или ограничений генерации; результаты могут зависеть от формулировки промпта.

Kotajiro/fuduki_mix — модель генерации изображений по текстовому описанию на базе SDXL. Карточка рекомендует сэмплер DPM++ 2M SDE karras, 30–40 шагов и разрешение 1152×896; репозиторий распространяет веса в формате safetensors. Модель предназначена для создания изображений по текстовым запросам. В тегах указана поддержка японского и английского языков. Лицензия — CreativeML Open RAIL++-M. Автор запрещает генерацию насилия, изображений и сексуальных образов несовершеннолетних, чрезмерно сексуального контента, а также публикацию изображений, похожих на конкретных реальных людей, без их разрешения.

Fun-ASR-Nano-2512 — компактная модель распознавания речи от Tongyi Lab, входящая в экосистему FunASR. По карточке модели, она содержит 800 млн параметров и обучена на десятках миллионов часов реальной речи. Модель предназначена для преобразования речи в текст, включая потоковую транскрипцию с низкой задержкой. Она распознаёт китайский, английский и японский языки; для китайского заявлена поддержка семи диалектов и 26 региональных акцентов. Также карточка описывает распознавание пения и рэпа, работу с фоновой музыкой, дальним звуком и шумными условиями, а метаданные указывают многоязычную поддержку. Репозиторий использует FunASR и формат PyTorch. Лицензия — Apache 2.0. В карточке упомянута точность до 93% для дальнего звука и шумной среды, но методика и условия этого показателя в доступном тексте не раскрыты. Возврат временных меток и диаризация говорящих перечислены как TODO, поэтому эти возможности не следует считать поддерживаемыми этой версией.

Gemma4-BLIP3o-Captioner-8B — мультимодальная модель для описания изображений, разработанная prithivMLmods на основе google/gemma-4-E4B-it. Она дообучена примерно на 3 тысячах примеров из набора BLIP3o-Pretrain-Long-Caption, чтобы воспроизводить подход BLIP3o к созданию подробных и насыщенных описаний изображений. Модель предназначена для captioning-сценариев: описания пейзажей, природных сцен, портретов, объектов и других категорий изображений. Она также поддерживает последовательное описание кадров видео, поэтому может применяться для задач, где важен временной порядок визуальных наблюдений. По заявлению автора, шаблон чата содержит встроенную системную инструкцию для детализированных описаний, а режим рассуждений по умолчанию отключён, что ориентировано на низкую задержку. Заявлен английский язык; модель работает с текстом и изображениями. Точный размер контекста и архитектурные параметры в README не указаны, однако доступны версии GGUF с разными уровнями квантования размером примерно от 4,4 до 15,1 ГБ, а также отдельные мультимодальные проекторы. Сильными сторонами модели являются специализация на структурированных, подробных и контекстно насыщенных описаниях, поддержка локального запуска и последовательной обработки кадров видео. Модель экспериментальная и не является универсальной: при использовании для общего диалога или задач instruction following вне области captioning возможны артефакты и ухудшение качества. Распространяется по лицензии Apache-2.0.

microsoft/git-base-textcaps — модель семейства GIT (Generative Image-to-text), разработанная Microsoft и дообученная на наборе TextCaps. Это трансформер-декодер, который обрабатывает токены изображения, полученные из CLIP, и генерирует текстовые токены. Модель содержит 80,1 млн параметров и рассчитана на контекст до 1024 токенов. Основное назначение этой версии — создание подписей к изображениям, в том числе с распознаванием текста, встречающегося на изображении. Семейство GIT также применимо к визуальным вопросам и ответам и классификации изображений через текстовую генерацию, однако эти сценарии не заявлены как специализация данного чекпойнта. В карточке указан английский язык. Модель принимает изображения и текстовый контекст и выдаёт текст. Ограничение: это специализированная версия для TextCaps, поэтому её качество на других задачах и типах изображений может отличаться; подробные результаты оценки приведены в статье. Лицензия — MIT.

facebook/hiera-large-224-in1k-hf — модель классификации изображений на архитектуре Hiera, разработанной исследователями Meta и обученной на ImageNet-1K. Hiera — иерархический vision transformer; эта версия содержит 74,3 млн параметров и предназначена для классификации изображений с разрешением 224 пикселя. Модель загружает изображение и возвращает метку класса. Модель подходит для распознавания объектов и сцен на изображениях, сортировки и автоматической разметки изображений по категориям. Архитектура Hiera рассчитана на эффективное распознавание визуальных данных; семейство также применимо для извлечения признаков, однако данный чекпойнт предназначен именно для классификации. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

HunyuanDiT-v1.2-Diffusers-Distilled — дистиллированная модель генерации изображений по текстовому описанию, разработанная Tencent Hunyuan и опубликованная в формате Diffusers. Она создаёт изображения по запросам на китайском и английском языках; в карточке отмечены поддержка длинных текстовых запросов и китайских элементов. Модель предназначена для генерации изображений за 25 шагов. В README описана оценка по соответствию изображения запросу, отсутствию артефактов, ясности объектов и эстетике. Репозиторий содержит веса в формате Diffusers и Safetensors; лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

HyperCLOVAX-SEED-Vision-Instruct-3B — компактная мультимодальная модель NAVER для понимания изображений и видео и генерации текстовых ответов. Она основана на собственной текстовой модели NAVER HyperCLOVAX-SEED-Text-Base-3B и дообучена с помощью SFT и RLHF; архитектура включает LLaVA-подобную языковую часть, визуальный энкодер на основе SigLIP и соединитель C-Abstractor с механизмом AnyRes. В языковой части 3,2 млрд параметров, в визуальной — 0,43 млрд. Модель принимает текст, изображения и видео и выдаёт текст. Она предназначена для визуальных вопросов и ответов, интерпретации диаграмм и графиков, распознавания текста на изображениях без отдельного OCR и понимания видео; также улучшена работа с корейским языком. Контекст составляет 16 тыс. токенов, а обработка видео оптимизирована по числу визуальных токенов. Модель подходит для прикладных сценариев, где важны компактность и визуальный анализ, однако её возможности и качество могут уступать более крупным системам на сложных задачах. Данные обучения собраны до августа 2024 года. В репозитории указана лицензия other; конкретные условия следует проверять в карточке модели NAVER перед использованием.

Ideogram4 GGUF — это набор квантованных файлов модели для генерации изображений по текстовому описанию. Файлы подготовлены leejet на основе моделей Ideogram4 от Ideogram AI и преобразованы с использованием stable-diffusion.cpp. Модель предназначена для локального запуска через stable-diffusion.cpp и сценариев text-to-image, включая создание изображений с детализированными композициями, заданным стилем и текстовыми надписями внутри изображения. В репозитории представлены файлы в формате GGUF; конкретный размер, архитектура, объём контекста и параметры квантования зависят от выбранного файла. В качестве языков заявлены английский и китайский. Для работы используются дополнительные компоненты, включая языковую модель Qwen3VL-8B-Instruct и VAE, а также поддерживается генерация изображений разрешением 1024×1024 в приведённом примере. Сильными сторонами являются локальный запуск и совместимость с stable-diffusion.cpp, а ограничениями — необходимость совместимых компонентов и отсутствие в README подробных характеристик качества, производительности и требований к оборудованию. Лицензия квантованных файлов следует лицензии исходной модели Ideogram4; её точные условия указаны в LICENSE.md оригинальной модели.

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

x1101/IllustXL — модель генерации изображений по текстовому описанию, размещённая пользователем x1101 на Hugging Face. Репозиторий содержит файл Illustrious-XL-v1.0.safetensors и поддерживает запуск через Diffusers StableDiffusionXLPipeline. По названию чекпойнта модель относится к семейству Illustrious-XL; доступные сведения не раскрывают её точную архитектуру, число параметров, контекст или языковой охват. Модель предназначена для создания изображений по текстовым промптам. В примере Hugging Face изображение генерируется из описания сцены; файл модели имеет размер около 6,94 ГБ. Лицензия и конкретные ограничения использования по доступным сведениям не установлены.