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

Qwen3.7-Plus — экономичная мультимодальная модель из серии Qwen3.7 компании Alibaba. Она принимает текст и изображения и формирует текстовые ответы, поэтому подходит для диалога и задач, где нужно интерпретировать визуальное содержимое вместе с текстовым запросом.

Wangkanai публикует модифицированную версию Qwen3-VL-2B-Instruct — мультимодальной модели семейства Qwen3-VL с архитектурой Transformer и 2 млрд параметров. Она принимает изображения и текст, а отвечает текстом; поддерживает диалоговый режим и визуальное понимание. В репозитории доступны веса SafeTensors и GGUF в FP16. Заявлены сценарии описания изображений, визуальных вопросов и ответов, OCR, анализа документов и рассуждений о сценах. Модель предназначена для работы с изображениями и текстовыми инструкциями, в том числе для создания текстовых описаний и анализа визуального содержимого. В README указана версия с удалёнными механизмами отказа, рассчитанная автором на исследования и творческие эксперименты; из-за этого ответы могут быть неограниченными и небезопасными, а точность не гарантируется. Языковая поддержка и длина контекста в предоставленных данных не описаны. Лицензия репозитория — Apache-2.0.

Sutoonq представил шестишаговую дистиллированную версию генератора Qwen-Image-2.1 для создания изображений по текстовым запросам и редактирования изображений. Это чекпойнт трансформера QwenImage21Transformer2DModel: веса FP32 объёмом 28,46 ГБ распределены по восьми файлам Safetensors для Diffusers. Для инференса нужны текстовый энкодер, VAE, процессор и планировщик из базовой модели Qwen/Qwen-Image-2.1; репозиторий не содержит полного самостоятельного пайплайна. Модель рассчитана на шесть вычислений модели с сэмплированием Euler flow и поддерживает настройку разрешения, по умолчанию около 2048 пикселей на сторону. Карточка показывает генерацию и редактирование изображений, но не сообщает результаты количественной оценки качества. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии и условиями базовой модели.

molbal/Qwen-Image-2.1-GGUF — GGUF-версия модели Qwen Image 2.1, разработанной командой Qwen и адаптированной molbal для использования в ComfyUI. Базовая модель представляет собой diffusion transformer для генерации изображений по текстовому описанию и редактирования изображений с поддержкой референсных изображений через ComfyUI. Модель принимает текстовый prompt и, опционально, исходное изображение для редактирования или визуального обусловливания. Результатом является изображение в формате RGBA, включая поддержку прозрачности. Для текстового кодирования используется Qwen3-VL 8B. Доступны варианты GGML-квантизации Q4_0 и Q8, а также вариант Q8_CR с нативным INT8 ConvRot; Q4_CR обозначен как находящийся в разработке. Модель предназначена для запуска через узлы GGUF Loader из пакета comfyui-gguf-reboot и требует размещения совместимых компонентов Qwen Image 2.1, текстового энкодера Qwen3-VL 8B и VAE в каталогах ComfyUI. К сильным сторонам относятся поддержка генерации и редактирования изображений, референсных изображений, прозрачности и нескольких уровней квантизации. В README не указаны поддерживаемые языки, размер контекста, точные требования к памяти и производительность, поэтому эти характеристики нельзя определить по имеющимся данным. Лицензия указана как qwen-research; подробные условия приведены в лицензии Qwen Image 2.1.

Qwen-Image-2.1-Heretic-mlx-8bit — 8-битная версия Qwen-Image-2.1 для запуска на компьютерах Apple Silicon через MLX и библиотеку mflux. Репозиторий включает текстовый энкодер Heretic; размер файлов составляет около 16,6 ГБ. Модель предназначена для генерации изображений по текстовому запросу и редактирования изображений с несколькими референсами. Поддерживает создание изображений с прозрачностью RGBA и может использоваться с опциональным ускорителем Viggle Turbo LoRA. По описанию автора, версия сохраняет более 95% деталей исходной модели при меньших требованиях к диску и памяти. Базовая модель — Qwen/Qwen-Image-2.1. В метаданных указана лицензия other; конкретные условия следует сверить с файлами лицензии репозитория и базовой модели.

Frederic75/Qwen-Image-2512-GGUF — это квантизированная версия фундаментальной text-to-image-модели Qwen-Image-2512, разработанной командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и распространяется в формате GGUF через библиотеку Diffusers. Модель ориентирована на создание реалистичных изображений людей, сцен природы и повседневных сюжетов, а также на формирование композиций с текстовыми элементами. По сравнению с базовой версией Qwen-Image она заявляет более естественную передачу человеческой внешности, мелких деталей природных объектов, волос, лиц и улучшенное рендеринг текста и компоновки. Заявлены поддержка английского и китайского языков, однако сведения о размере модели, точной архитектуре, максимальном контексте и дополнительных модальностях в README не приведены. К преимуществам относятся повышенный фотореализм, детализация и качество отображения текста внутри изображений. К ограничениям относятся отсутствие в предоставленных данных подробных характеристик производительности, требований к оборудованию и описания возможных ограничений генерации. Модель распространяется по лицензии Apache-2.0.

Это конвертированная в формат Diffusers и оптимизированная версия модели Qwen-Image-Edit-2509 от Qwen. Она предназначена для редактирования изображений по текстовым инструкциям и исходному изображению. В трансформере используется квантизация Nunchaku Lite SVDQ INT4 с группой 64 и рангом 32; текстовый энкодер загружается в 4-битном формате BitsAndBytes NF4. В чекпойнт слита Lightning LoRA для генерации за четыре шага, а конфигурация планировщика рассчитана на режимы Lightning в 4 или 8 шагов. В README приведён замер генерации за четыре шага для изображения 1248×832: средняя задержка составила 12,60 секунды, пиковое выделение памяти CUDA — 21,21 ГиБ. Эти показатели относятся к описанным условиям замера и могут отличаться на другом оборудовании. Модель поставляется как Diffusers-конверсия; сведения о лицензии, поддерживаемых языках и ограничениях использования в предоставленных данных отсутствуют.

Это конвертированная версия Qwen Image Edit 2509, подготовленная проектом lite-infer для загрузки через Diffusers Nunchaku Lite. Она предназначена для редактирования изображений по текстовому запросу и входному изображению. Трансформер использует квантизацию Nunchaku Lite SVDQ INT4 с группой 64 и рангом 32; текстовый энкодер сохранён в BitsAndBytes 4-bit NF4 с вычислениями в bfloat16. В README указано пиковое выделение 21,20 ГиБ видеопамяти в приведённом тесте генерации с входным изображением 1248×832 и 40 шагами. Лицензия в доступных данных не указана.

Qwen-Image-Edit-2511-FP8 — FP8-квантизованная версия модели Qwen-Image-Edit-2511, разработанная командой Qwen. Это модель редактирования изображений для image-to-image-сценариев, совместимая с библиотекой Diffusers и другими поддерживаемыми конвейерами, включая пользовательские узлы ComfyUI. Она предназначена для генеративного редактирования изображений по текстовым инструкциям, включая изменение внешности и окружения персонажей, сохранение идентичности объектов, объединение людей в групповых сценах, управление освещением и ракурсом, промышленный дизайн, замену материалов и создание вспомогательных геометрических линий. Ключевая особенность версии — FP8-квантизация, направленная на снижение потребления памяти и ускорение инференса при сохранении высокого качества редактирования. Модель поддерживает работу с изображениями и текстовыми запросами; в карточке указаны английский и китайский языки. Размер модели, точная архитектура, максимальное разрешение и длина контекста не указаны. Заявлены улучшенная согласованность персонажей, включая многолюдные сцены, интеграция отдельных популярных LoRA-эффектов в базовую модель и усиленные способности к геометрическому рассуждению. Сильными сторонами являются эффективное FP8-представление, широкий набор сценариев редактирования и повышенная сохранность визуальных характеристик субъектов. Ограничениями выступают отсутствие подробных количественных оценок, сведений о поддерживаемых разрешениях и требований к оборудованию; для запуска в README показан конвейер на CUDA с использованием PyTorch и bfloat16. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-Edit-2511-GGUF — квантизированная версия модели Qwen-Image-Edit-2511, разработанной командой Qwen; опубликованный вариант использует формат GGUF и методологию Unsloth Dynamic 2.0. Модель предназначена для редактирования изображений по текстовым инструкциям и исходным изображениям, включая работу с несколькими входными изображениями. Заявлена совместимость с Image-to-Image-сценариями и запуском через ComfyUI-GGUF. Ключевые возможности включают уменьшение дрейфа изображения, улучшенное сохранение идентичности персонажей и согласованности людей на групповых фотографиях, поддержку LoRA, генерацию объектов промышленного дизайна и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Архитектура, число параметров, максимальное разрешение и размер контекста в README не указаны. Квантизация может снизить требования к ресурсам, однако конкретные системные требования и возможные потери качества не приведены. Модель распространяется по лицензии Apache-2.0. Для работы рекомендуется использовать Diffusers или ComfyUI с поддержкой GGUF; в примере запуска применяется GPU и тип данных bfloat16, но точные требования к видеопамяти не указаны.

Re3Cap-CLIP-Qwen2.5-VL-7B — мультимодальная модель для описания изображений, созданная дообучением Qwen2.5-VL-7B-Instruct. В работе применены GRPO, награда на основе сходства изображения и текста CLIP и стратегия Re³Cap, разработанная для уточнения подписей к изображениям с помощью retrieval-guided refinement. Модель предназначена для генерации более точных и подробных подписей к изображениям. Компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять в подписи галлюцинации и пропущенные детали. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения с текстовыми инструкциями; заявленная длина контекста — 128 000 токенов. В карточке указана лицензия Apache-2.0. README связывает метод с основной статьёй EMNLP 2026, но не приводит сравнительных метрик или подробностей о датасетах, поэтому качество на конкретных типах изображений по этим данным оценить нельзя.

Карточка модели fedjumpergaming/Real-ESRGAN-x4plus на Hugging Face совпадает с карточкой mlx-community/Real-ESRGAN-x4plus, поэтому описание составлено по ней. 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 Stock Photo 3 SD1.5 — модель генерации изображений по текстовому описанию в формате Stable Diffusion 1.5, распространяемая в форматах Diffusers и safetensors. Карточка предлагает добавлять в промпт слово photo и содержит примеры фотореалистичных сцен, портретов и кинематографических снимков. Модель подходит для создания реалистичных изображений людей, семейных и праздничных сцен, фантастических персонажей и постановочных фотографий. В метаданных указан английский язык. Модель использует лицензию CreativeML OpenRAIL-M; её условия регулируют допустимое использование и распространение.

Realistic Vision V2.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем SG161222. Карточка рекомендует использовать VAE для повышения качества и устранения синих артефактов. Автор предлагает настройки генерации: сэмплеры Euler A или DPM++ 2M Karras, 25 шагов и CFG Scale 3,5–7; для увеличения разрешения описан вариант с Latent upscaler. Модель предназначена для создания фотореалистичных изображений, в том числе портретов и сцен с людьми. README приводит пример промпта для портрета и советует задавать детали объекта, освещения и съёмки. Репозиторий использует форматы Diffusers, PyTorch и Safetensors; лицензия — CreativeML Open RAIL-M.

Realistic Vision v4.0 — модель Stable Diffusion для генерации реалистичных изображений по текстовому запросу, опубликованная stablediffusionapi. Карточка показывает использование через API ModelsLab и пример генерации портретного изображения с настройками размера, числа шагов и guidance scale. Модель предназначена для создания фотореалистичных изображений, в том числе портретов с заданным освещением, внешностью и окружением. В репозитории представлены веса в форматах Diffusers/PyTorch и Safetensors; указана лицензия CreativeML OpenRAIL-M. Пример API предусматривает положительный и отрицательный запросы, а также параметры для дополнительных функций вроде апскейлинга и LoRA. README не описывает архитектурные детали, объём параметров, контекст или подтверждённую языковую поддержку. Результаты зависят от запроса и настроек генерации; пример указывает на возможность нежелательных анатомических артефактов и содержит переключатель safety checker. Условия использования определяются лицензией CreativeML OpenRAIL-M.

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.

Uminosachi/realisticVisionV51_v51VAE-inpainting — модель для генерации и дорисовки изображений по текстовому запросу. В README она названа inpainting-моделью и описана как конверсия realisticVisionV51_v51VAE-inpainting. Метаданные указывают на Stable Diffusion Pipeline и форматы Diffusers, PyTorch и Safetensors. Модель предназначена для заполнения или изменения выбранных областей изображения по текстовой инструкции. Также она размечена для генерации изображений по тексту. Репозиторий использует лицензию CreativeML OpenRAIL-M. Подробности об архитектуре, размере, языках и ограничениях качества в предоставленных данных не приводятся.

RealLife v2 — модель генерации изображений по текстовому описанию, опубликованная Yntec. Она распространяется в формате Diffusers с весами safetensors и предназначена для создания фотореалистичных изображений и художественных сцен по запросу. В примерах показаны праздничные сюжеты, животные и портреты с описанием внешности, освещения и фотоплёнки. Модель основана на Stable Diffusion 1.5. Лицензия — CreativeML OpenRAIL-M. Карточка содержит примеры запросов, но не сообщает точные параметры модели и её контекст.

RealVisXL V3.0 Turbo — модель генерации изображений от SG161222, предназначенная для создания фотореалистичных изображений по текстовым запросам. Репозиторий содержит модель для Stable Diffusion XL в форматах Diffusers и Safetensors. Автор описывает её как модель, способную создавать изображения приемлемого качества, и приводит рекомендуемые параметры генерации: от 4 шагов, метод DPM++ SDE Karras и CFG 1,5–3. Модель рассчитана на создание изображений как безопасного, так и откровенного содержания. В README сказано, что на момент публикации модель ещё обучалась, не являлась финальной версией и могла давать артефакты или низкое качество в отдельных случаях. Лицензия репозитория — OpenRAIL++.

frankjoshua/realvisxlV40_v40Bakedvae — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face и основанная на RealVisXL V4.0 от SG161222. Она предназначена для создания фотореалистичных изображений людей, сцен и объектов по промптам. Модель совместима с Diffusers и StableDiffusionXLPipeline, распространяется в формате Safetensors и содержит около 3 млрд параметров. Это чекпойнт семейства Stable Diffusion XL с встроенным VAE; основной сценарий — text-to-image генерация с использованием SDXL-инструментов, включая Diffusers, ComfyUI и совместимые локальные приложения. Язык промптов явно не указан в доступных метаданных. Сильная сторона модели — ориентация на реалистичную визуальную стилистику и детализированные изображения. Ограничения включают зависимость качества от промпта, параметров сэмплирования и аппаратных ресурсов; модель не является универсальной мультимодальной системой и не предназначена для распознавания или анализа изображений. Для семейства RealVisXL V4.0 указана лицензия CreativeML Open RAIL++/openrail++; перед коммерческим применением необходимо проверить условия лицензии конкретного репозитория.

Red-Synthesis-12B — слитая модель для генерации текста, созданная Vortex5 объединением семи моделей семейства Mistral Nemo. Она рассчитана на рассказывание историй, ролевые диалоги и творческое письмо. Модель содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 131 072 токенов. Доступны веса в формате safetensors. Модель подходит для создания художественных текстов и поддержания ролевых сценариев в диалоге. Она унаследовала свойства исходных моделей, поэтому качество и стиль ответов могут меняться в зависимости от запроса. Лицензия в предоставленных данных не указана.

RetroLife — модель для генерации изображений по текстовому описанию, созданная путём слияния Real Life 2.0 и ElldrethsRetroMix. Она предназначена для создания фотореалистичных и стилизованных изображений с ретро-эстетикой: винтажными цветами, эффектом плёнки, зернистостью и ретропанк-мотивами. В карточке представлены примеры портретов, фантастических сцен и праздничных сюжетов; автор отмечает, что новая версия улучшает анатомию по сравнению с RetroLifeAlpha. Модель распространяется в форматах Diffusers и Safetensors по лицензии CreativeML OpenRAIL-M. Конкретные сведения о размере и длине контекста не применимы к этой модели генерации изображений.

philz1337x/revanimated — модель генерации изображений по текстовому описанию, опубликованная пользователем philz1337x на Hugging Face. Она предназначена для создания изображений из текстовых промптов и работает через библиотеку Diffusers в формате StableDiffusionPipeline. Модель поставляется в виде весов revAnimated_v122.safetensors. Модель подходит для генерации художественных сцен, персонажей, иллюстраций и визуальных концепций по заданному описанию. Доступные сведения не содержат подтверждённых данных о размере архитектуры в параметрах, поддерживаемых естественных языках, длине контекста, специализированных доменах, ограничениях или лицензии.

RIFE 4.25 (MLX) — порт модели Practical-RIFE, подготовленный сообществом mlx-community для Apple MLX и устройств Apple Silicon. Модель предназначена для интерполяции кадров: она создаёт промежуточные кадры между изображениями или кадрами видео, позволяя повышать частоту кадров и сглаживать движение. Поддерживается интерполяция в произвольный момент времени между парой кадров и увеличение частоты кадров в несколько раз. Модель использует архитектуру IFNet с пятью блоками IFBlock, работающими по схеме от грубого разрешения к точному. Веса преобразованы из официального RIFE 4.25 в формат safetensors с точностью fp32; размер весов составляет около 23 МБ. Для обработки видео предусмотрены масштабирование пирамиды для 4K и сохранение аудио. Лицензия — MIT. Порт рассчитан на Apple Silicon и MLX, а не на универсальный запуск в PyTorch: README указывает, что для инференса PyTorch не требуется. В README также приведено небольшое расхождение с PyTorch CPU fp32 при проверке полного IFNet; результаты могут зависеть от сценария и реализации.

RunDiffusionFXPhotorealistic_v1 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. В README она представлена как модель для фотореалистичной генерации, описанная автором как достаточно стабильная; карточка также содержит демонстрационные изображения первоначального автора. Модель распространяется в форматах Diffusers, PyTorch и safetensors и предназначена для создания реалистичных изображений по текстовым запросам. Репозиторий помечен как основанный на Stable Diffusion и использует StableDiffusionPipeline. Лицензия указана как other, поэтому конкретные условия использования следует проверять в файлах репозитория.

Sana 1600M 1024px — модель генерации и редактирования изображений по текстовому описанию, разработанная NVIDIA. Она использует архитектуру Linear Diffusion Transformer, текстовый энкодер Gemma2-2B-IT и сжатие латентных признаков DC-AE; размер модели — около 1,65 млрд параметров. Модель рассчитана на изображения базового разрешения 1024 пикселя с разными соотношениями сторон. Семейство Sana также поддерживает генерацию изображений высокого разрешения, вплоть до 4096 × 4096, и заявлено как достаточно быстрое для запуска на GPU ноутбука. Модель подходит для создания иллюстраций и концептов по промптам, творческих и образовательных инструментов, а также исследований генеративных моделей. Карточка указывает английский и китайский языки. Лицензия — Apache 2.0; также действуют условия использования Gemma 2 и политика запрещённого использования Google. Модель не предназначена для достоверного изображения реальных людей и событий. Фотореализм несовершенен, сложный читаемый текст и анатомические детали, например пальцы, могут генерироваться неправильно; латентное автокодирование приводит к потере информации.

Sapiens2-1B-Matting — модель Meta для попиксельного выделения человека на изображении. Она предсказывает мягкую альфа-маску и изображение переднего плана с предварительно умноженным RGB, что помогает отделять человека от фона с сохранением полупрозрачных границ. Модель основана на Vision Transformer Sapiens2-1B и дообучена для маттинга людей. В архитектуре используются backbone Sapiens2 и специализированная голова маттинга; в репозитории указано около 1,5 млрд параметров. Модель принимает изображения и предназначена для человекоцентричных сценариев, в том числе обработки портретов и других изображений с людьми. Чекпойнт распространяется в формате safetensors по лицензии Sapiens2 License; метаданные обозначают лицензию как other. README также указывает исследовательское применение. Модель специализирована на выделении людей и не предназначена для универсальной сегментации произвольных объектов.

Saraiki Whisper Medium — модель распознавания речи на основе Whisper Medium от OpenAI, дообученная автором репозитория themohal. Она предназначена для преобразования аудиозаписей на сараики в текст; в метаданных указана задача automatic-speech-recognition и входная аудиомодальность. Модель содержит 455,8 млн параметров и распространяется в формате safetensors для библиотеки Transformers. В README приведены результаты оценки: WER 19,4149 и CER 5,6416; набор данных для дообучения не уточнён. Лицензия — Apache-2.0. Показатели относятся к указанному оценочному набору и не гарантируют такую же точность на других записях.

Карточка модели cocktailpeanut/sd35 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.