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

PRXPixel — модель генерации изображений по текстовому описанию, разработанная Photoroom. Это пиксельная версия PRX: диффузионный трансформер PRXTransformer2DModel напрямую очищает от шума RGB-пиксели, без VAE, и использует текстовый энкодер Qwen3-VL. Модель содержит около 7 млрд параметров, работает в bfloat16 и рассчитана на генерацию с разрешением 1024 пикселя; при формировании изображения учитывается заданное разрешение. Модель предназначена для создания изображений по текстовым запросам. Для запуска README описывает PRXPixelPipeline из diffusers и Transformers версии 4.57 или выше; PRXPixelPipeline пока не входит в выпущенную версию diffusers. Репозиторий распространяется по лицензии Apache-2.0.

AITRADER подготовил конверсию модели Qwen2.5-VL-32B-Instruct-abliterated в формат MLX с точностью FP16. Это плотная мультимодальная модель на 32 млрд параметров для диалога и обработки изображений; базовая модель поддерживает также анализ видео и структурированное извлечение данных. Модель принимает текст и изображения и генерирует текст, включая ответы в диалоге. Указанное родство в метаданных — дообучение Qwen/Qwen2.5-VL-32B-Instruct; README сообщает о конверсии из huihui-ai/Qwen2.5-VL-32B-Instruct-abliterated с помощью mlx-vlm 0.3.11. Контекст составляет 128 000 токенов. Метки «abliterated» и «uncensored» указывают на ослабленные ограничения генерации. Репозиторий распространяется по лицензии Apache-2.0.

Qwen2-VL-2B-Abliterated-Caption-it-i1-GGUF — это квантованная vision-language модель для понимания изображений и генерации текстовых описаний. Базовая модель prithivMLmods/Qwen2-VL-2B-Abliterated-Caption-it разработана prithivMLmods, а GGUF-квантизация выполнена mradermacher. Модель ориентирована на image captioning, visual understanding и задачи image-to-text, включая автоматическое составление описаний изображений. Модель имеет размер 2B параметров, поддерживает работу с изображениями и текстом и заявлена для английского языка. Она обучалась с использованием наборов данных Caption3o-XL-v4, Caption3o-Opt-v3-Tiny, Caption3o-LongCap-v4 и Caption3o-Opt-v3. Доступны варианты GGUF-квантизации с размером примерно от 0,5 до 1,1 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами; варианты различаются балансом скорости, качества и объёма памяти. Для работы с визуальными входными данными могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильными сторонами модели являются компактный размер, поддержка визуального анализа и широкий выбор квантованных вариантов, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S. Ограничения включают ориентацию на английский язык, возможное снижение качества у наиболее агрессивных квантов и отсутствие в предоставленной карточке сведений о размере контекста, точных характеристиках архитектуры и результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-0.8B-SFT-name-parser-yaml — дообученная Yale University LUX Platform Team модель на базе Qwen 3.5, предназначенная для извлечения структурированных сведений из неформатированных исторических имён людей. Это компактная причинная языковая модель семейства Qwen3.5 с 581,4 млн параметров, работающая через Transformers и принимающая текст; результат выдаёт в строгом формате YAML. Модель выделяет имя, фамилию, вторые имена, даты жизни или деятельности, титулы и дополнительные сведения. Она рассчитана на пакетную обработку записей для галерей, библиотек, архивов и музеев. В README заявлена точность 94–96% на целевой задаче и возможность эффективного запуска на локальном оборудовании. Хотя модель ориентирована на английский язык, обучение учитывало традиции именования на французском, немецком, итальянском, арабском и китайском языках. Лицензия — Apache 2.0, унаследованная от базовой модели. Результаты могут быть неточными на именах и форматах, отличающихся от целевых; заявленная точность относится к описанному сценарию и не гарантирует качество на любых коллекциях.

Qwen3.5-KETI-HAECHI-27B-GGUF — это GGUF-квантизация модели Qwen3.5-KETI-HAECHI-27B, разработанной KETI-NLP и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для мультимодальных сценариев image-text-to-text, включая обработку изображений и текста, OCR, работу с объектами культурного наследия, использование инструментов и выполнение задач с длинной цепочкой рассуждений. Заявлена поддержка корейского и английского языков. Модель имеет размер 27B параметров. Это vision-language модель с дополнительными файлами mmproj для мультимодальной обработки; доступны варианты mmproj-Q8_0 и mmproj-f16. Предлагаются квантизации от Q2_K до Q8_0, включая IQ4_XS, с размером файлов примерно от 10,8 до 28,7 ГБ. В README не указана длина контекста, а также отсутствуют подробности об архитектуре базовой модели, качестве на конкретных benchmarks и требованиях к оборудованию. Сильной стороной является сочетание мультимодальности, поддержки корейского языка и специализации на культурном наследии и OCR. Качество и требования к ресурсам зависят от выбранного варианта квантизации: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как наиболее качественный среди перечисленных. Модель распространяется по лицензии Apache-2.0.

Qwen-Image 2.1 GGUF — квантизированная версия диффузионной модели Qwen-Image 2.1, разработанной командой Qwen (Alibaba). Конвертацию весов в формат GGUF и их квантизацию выполнил AlperKTS; модель предназначена для запуска в ComfyUI с расширением ComfyUI-GGUF. Модель поддерживает генерацию изображений по текстовому описанию, редактирование и преобразование изображений, а также сценарии image-to-image. В карточке заявлена поддержка английского и китайского языков. Основные возможности включают качественную визуализацию, рендеринг текста на изображениях и сохранение композиции. Архитектурные параметры, количество параметров и размер контекстного окна не указаны. Доступны варианты Q8_0 размером около 7,2 ГБ с рекомендуемым объёмом видеопамяти от 12 ГБ, Q6_K размером около 5,5 ГБ для 8–12 ГБ видеопамяти и Q5_K_M размером около 4,6 ГБ для 8 ГБ видеопамяти. Квантизация снижает требования к памяти по сравнению с исходной BF16-моделью размером около 14,2 ГБ, однако может сопровождаться компромиссом между экономией ресурсов и точностью. Для работы также требуются отдельные VAE и текстовый энкодер Qwen3-VL. Модель распространяется по лицензии Qwen Research License.

Qwen-Image-2.1-Heretic-mlx-bf16 — версия модели Qwen-Image-2.1, подготовленная для запуска через MLX на компьютерах Apple Silicon. В репозитории указаны точность bfloat16 и размер около 29,3 ГБ; для ускорения используется Metal. Текстовый энкодер заменён на Heretic-версию pottokao/Qwen-Image-2.1-Text-Encoder-Heretic. Модель предназначена для генерации изображений по текстовым описаниям и редактирования изображений с несколькими референсами. Она также поддерживает создание изображений с альфа-каналом и прозрачным фоном. В README упомянута возможность ускорения с помощью Viggle Turbo LoRA. Базовая модель Qwen-Image-2.1 поддерживает генерацию и редактирование изображений; метаданные указывают английский и китайский языки. В карточке указана лицензия other; конкретные условия использования в предоставленных данных не раскрыты. Для запуска требуется библиотека mflux и совместимое оборудование Apple Silicon. Полная точность bfloat16 требует около 29,3 ГБ места на диске.

Qwen-Image-2.1 W4A4 (nvfp4) — вариант модели генерации изображений Qwen-Image-2.1, подготовленный ModelsLab. Трансформер использует 4-битные веса и активации: веса откалиброваны с помощью SVDQuant, скорректированы GPTQ и упакованы для слитого ядра Nunchaku. По данным карточки, файл занимает 4,54 ГБ; текстовый энкодер Qwen3-VL остаётся в bf16, а общий объём резидентной памяти в измерениях составляет около 21,5 ГБ. Модель предназначена для генерации изображений по текстовым запросам; базовая Qwen-Image-2.1 также поддерживает редактирование изображений, но в метаданных этой версии подтверждена задача text-to-image. В измерениях на RTX PRO 6000 Max-Q и RTX 5090 генерация изображения 1024×1024 за 40 шагов занимала около 7,7 секунды. Сравнение на двух текстовых запросах дало близкую к bf16 точность отрисовки текста, однако оценка ограничена небольшим набором примеров. Для запуска требуются GPU NVIDIA поколения Blackwell (sm_120 и новее), PyTorch 2.12.1 и указанная в README сборка Nunchaku; модель не загружается на Ada. Совместимость упакованных весов зависит от версии ядра Nunchaku. Лицензия Qwen Research License разрешает только некоммерческое использование; коммерческое применение требует отдельного разрешения правообладателя.

Ilus-AI/Qwen-Image-2512-FP8 — вариант Qwen-Image-2512, подготовленный сообществом Ilus-AI и представленный в формате Diffusers для генерации изображений по текстовому описанию. Модель использует конвейер QwenImagePipeline; веса Transformer и текстового энкодера квантизированы до FP8 методом weight-only с помощью torchao. Модель предназначена для создания изображений по запросу. В README приведены поддерживаемые размеры 1328×1328, 1664×928 и 928×1664 для квадратного, альбомного и портретного форматов. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализацию природных сцен и отрисовку текста; карточка этой версии не сообщает об отдельной адаптации для конкретного языка или предметной области. Квантизация FP8 снижает точность представления весов по сравнению с исходной моделью, поэтому итоговое качество может отличаться. Для запуска указаны PyTorch, Diffusers, Transformers, torchao и Accelerate. Лицензия — Apache-2.0.

Qwen-Image-2512-Turbo-LoRA — это ускоряющая LoRA-адаптация базовой модели Qwen/Qwen-Image-2512, разработанная командой Wuli Team. Она предназначена для генерации изображений по текстовому описанию и распространяется для использования с библиотекой Diffusers; заявлена поддержка английского и китайского языков. Модель ориентирована на быстрый инференс в сценариях text-to-image и способна работать за 4 или 8 шагов генерации. По данным разработчиков, благодаря CFG-дистилляции и сокращению числа шагов она обеспечивает сопоставимое с исходной моделью качество при ускорении более чем в 20 раз. В README также указано, что в веб-сервисе Wuli можно генерировать четыре изображения в разрешении 2K примерно за 5 секунд. Выпуск V3.0 дополнительно улучшает цветопередачу и детализацию и совместим с ComfyUI. Сильная сторона модели — высокая скорость при сохранении качества базовой Qwen-Image-2512, что делает её подходящей для интерактивных генераторов, прототипирования и массового создания изображений. При этом это именно LoRA-адаптер, поэтому для работы требуется базовая модель Qwen/Qwen-Image-2512 и совместимый inference-процесс. README не содержит подробных сведений о размере адаптера, точных требованиях к оборудованию, допустимых разрешениях и ограничениях по содержанию, поэтому эти характеристики нельзя определить по представленным данным. Лицензия — Apache-2.0.

Это конвертированная версия Qwen/Qwen-Image-Edit-2509 для загрузки через Diffusers и Nunchaku Lite. Она предназначена для редактирования изображений по текстовым инструкциям с помощью модели Qwen Image Edit; в исходном чекпойнте объединена Lightning LoRA на четыре шага генерации. Трансформер упакован с квантизацией Nunchaku Lite SVDQ NVFP4 ранга 32, а текстовый энкодер — в 4-битном формате BitsAndBytes NF4 с вычислениями в bfloat16. В README приведён замер генерации за четыре шага на изображении 1248×832: в среднем 6,06 секунды и пиковое выделение 21,54 ГиБ видеопамяти на использованной конфигурации; это результат конкретного бенчмарка, а не гарантия для другого оборудования. Для работы нужны Diffusers и совместимая среда Nunchaku Lite. Лицензия в предоставленных данных не указана.

Frederic75/Qwen-Image-Edit-2511-GGUF — это квантизированная в формате GGUF версия модели Qwen-Image-Edit-2511, разработанной командой Qwen. Модель предназначена для редактирования изображений по входному изображению и текстовым инструкциям, включая изменение внешности и окружения персонажей, объединение нескольких людей в одну сцену, замену материалов и создание промышленных дизайнов. Заявлена поддержка интегрированных LoRA-возможностей, улучшенной согласованности персонажей и усиленного геометрического рассуждения. Модель ориентирована на сценарии image-to-image, творческое редактирование, промышленный дизайн, управление освещением, генерацию новых ракурсов и создание вспомогательных геометрических линий для проектирования или аннотирования. В README указаны английский и китайский языки, а также использование библиотеки Diffusers. Размер модели, конкретная архитектура, объём контекста и точные параметры квантизации не указаны. Ключевое преимущество — улучшенная защита от дрейфа изображения и сохранение идентичности объектов, в том числе в сценах с несколькими людьми; ограничением является отсутствие подробных технических характеристик и результатов сравнительного тестирования. Модель распространяется по лицензии Apache 2.0.

Это версия Qwen/Qwen-Image-Edit-2511, подготовленная для работы с Hugging Face Diffusers и квантованная до NF4, 4 бит. Разработчик репозитория — milan33; исходная модель создана командой Qwen. Модель принимает изображение и текстовую инструкцию и предназначена для редактирования изображения по запросу, включая сценарии image-to-image и inpainting. Модель совместима с конвейером QwenImageEditPlusPipeline. Веса трансформерного компонента хранятся в формате NF4 с двойной квантизацией, а вычисления выполняются в BF16. Репозиторий распространяется по лицензии Apache 2.0, унаследованной от базовой модели. Архитектура, размер модели, контекст и поддерживаемые языки в предоставленных источниках не описаны.

Qwen-Image-Edit-2511-Object-Remover — адаптер LoRA, разработанный prithivMLmods для базовой модели Qwen/Qwen-Image-Edit-2511 от Qwen. Это image-to-image-модель для точного удаления указанных объектов с изображений с сохранением фона, остальных элементов, текстур, освещения, теней и структуры сцены. Адаптер предназначен для фотореалистичного и визуально незаметного редактирования: удаления украшений, очков, логотипов и других объектов. Для запуска используется библиотека Diffusers; заявлена совместимость с версиями 2509 и 2511. В README не указаны размер адаптера, точная архитектура базовой модели, максимальный контекст, полный список поддерживаемых языков и фактические требования к оборудованию. Для активации рекомендуется использовать специальный prompt на английском языке, описывающий удаление объектов с сохранением исходных деталей. Также упоминается возможность сочетания с lighting-моделью, настроенной на 4 шага, для получения качественных изображений высокого разрешения. Сильные стороны модели — специализация на удалении объектов и сохранение окружающего содержимого, реалистичности и исходных визуальных деталей. Ограничения включают зависимость от базовой Qwen/Qwen-Image-Edit-2511, необходимость корректного текстового запроса и отсутствие в README количественных оценок качества, сведений о производительности и подробностей о поддерживаемых сценариях. Лицензия — Apache-2.0.

ChrisColeTech/qwen-image-edit-turbo-GGUF — это квантизированная сборка Qwen-Image-Edit-2511 для управляемого редактирования и генерации изображений. Модель содержит около 20 млрд параметров, поставляется в формате GGUF с разделённой компоновкой весов и включает предварительно объединённую Lightning LoRA для работы за 8 шагов. Поддерживаются режимы txt2img и img2img: модель может создавать изображения по текстовому описанию, применять к исходному изображению инструкции по изменению объектов, фона и стиля, а также преобразовывать визуальный стиль с сохранением композиции. Сборка рассчитана на работу трансформера на одной видеокарте с 24 ГБ памяти и использует CFG-free режим с guidance 1.0 и true_cfg_scale 1.0. К сильным сторонам относятся высокая скорость благодаря дистилляции, сохранение исходной сцены и положения объектов при редактировании, а также поддержка фотореалистичных и художественных преобразований. Ограничения включают необходимость совместимого программного окружения для GGUF, отсутствие сведений о поддерживаемых языках и максимальном контексте, а также то, что параметр strength для img2img, согласно README, не влияет на результат и не требуется. Лицензия в карточке указана как unknown; модель описана как переупакованные и переквантизированные веса без дополнительного обучения.

SirSahOl/Qwen-Image-mlx-16bit — преобразованный набор 16-битных весов диффузионной модели Qwen-Image для запуска через mflux на устройствах Apple Silicon. В основе — 60-блочная архитектура Diffusion Transformer Qwen/Qwen-Image-2512; общий размер конвейера с текстовым энкодером и VAE составляет около 8,2 млрд параметров. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации изображений по текстовым описаниям. 16-битная версия служит вариантом с полной точностью весов; для неё заявлено потребление около 72,6 ГБ памяти. Для использования требуется совместимая среда Apple Silicon и библиотека mflux. Лицензия — Tongyi Qianwen License.

SirSahOl/Qwen-Image-mlx-4bit — это 4-битная квантованная версия диффузионной модели Qwen-Image, подготовленная SirSahOl для запуска на Apple Silicon. Веса преобразованы с помощью фреймворка mflux и сохранены в формате safetensors, совместимом с MLX. Модель предназначена для генерации изображений по текстовому описанию в составе pipeline Text-to-Image. Она использует архитектуру Diffusion Transformer (DiT) на базе Qwen/Qwen-Image-2512 с 60 трансформерными блоками и примерно 7 млрд параметров в DiT-backbone; совокупный размер pipeline с текстовым энкодером и VAE составляет около 8,2 млрд параметров. README не указывает поддерживаемые языки, максимальный контекст или набор модальностей помимо текста и изображений. Ключевое преимущество варианта — сниженное потребление памяти и более высокая скорость по сравнению с версиями большей разрядности: заявленный активный объём VRAM составляет около 33,5 ГБ. Ограничениями являются требование совместимого оборудования Apple Silicon, зависимость от mflux и возможное снижение качества по сравнению с 8-битной и 16-битной версиями. Модель распространяется по Tongyi Qianwen License; в метаданных также указано обозначение лицензии other.

Real-ESRGAN-x2plus — версия модели RealESRGAN_x2plus, перенесённая софициального чекпойнта xinntao/Real-ESRGAN в формат MLX fp16 для работы на Apple Silicon. Модель использует архитектуру RRDBNet с 64 признаками, 23 блоками и 32 растущими каналами и увеличивает разрешение изображений в 2 раза. Она предназначена для сверхразрешения изображений: увеличения их размера с восстановлением деталей. Для использования предусмотрен пакет realesrgan-mlx; README приводит запуск обработки входного изображения с сохранением результата в выходной каталог. Репозиторий содержит веса safetensors и распространяется по лицензии BSD-3-Clause. В README приведены результаты сравнения с PyTorch: максимальное расхождение полного прохода на CPU fp32 составляет 2,4e-6, а fp16 относительно эталона fp32 — 5,5e-4. Модель рассчитана на Apple Silicon и не описана как универсальный апскейлер для иных платформ.

realistic-stock-photo — модель генерации изображений по текстовому описанию, представленная stablediffusionapi.com и доступная через API ModelsLab. Карточка Hugging Face указывает конвейер StableDiffusionXLPipeline и форматы Diffusers, PyTorch и SafeTensors; лицензия — CreativeML OpenRAIL-M. Модель предназначена для создания фотореалистичных изображений в стиле стоковой фотографии, включая портреты и сцены с заданными визуальными деталями. В примере API доступны позитивный и негативный промпты, настройка размера изображения, числа шагов генерации и guidance scale. README показывает пример 512×512 с 30 шагами; это параметры примера, а не заявленные пределы модели. В карточке не приведены сведения о числе параметров, контекстном окне или языках. Пример промпта дан на английском; подтверждений поддержки других языков нет. Для использования через описанный сервис нужен API-ключ ModelsLab. Условия лицензии CreativeML OpenRAIL-M распространяются на модель; условия доступа к API определяются отдельно сервисом.

Карточка модели hariharasudhan/realisticv5 на Hugging Face совпадает с карточкой kp-forks/Realistic_Vision_V5.0_noVAE, поэтому описание составлено по ней. 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 V1.3 — модель генерации изображений по текстовому описанию от SG161222, предназначенная для создания фотореалистичных изображений, особенно портретов и сцен с людьми. В карточке приведены примеры промптов для фотографического стиля и рекомендации по настройкам генерации: сэмплеры Euler A или DPM++ 2M Karras, 25 шагов и CFG от 3,5 до 7. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и использует лицензию CreativeML OpenRAIL-M. Автор заявляет, что модель бесплатна и не ограничивает её использование; при этом лицензия задаёт собственные условия использования. В карточке нет сведений о размере модели, поддерживаемых языках или длине контекста.

Sanster/Realistic_Vision_V1.4-inpainting — модель генерации и редактирования изображений, опубликованная Sanster на Hugging Face на основе Realistic Vision V1.4 от SG161222. Она предназначена для дорисовки или замены области изображения по маске и текстовому запросу. Модель доступна в формате Diffusers и Safetensors и использует StableDiffusionInpaintPipeline; размер — около 0,9 млрд параметров, точность файлов — F16. Модель принимает изображение и текстовый запрос и выдаёт отредактированное изображение. Репозиторий распространяется по лицензии OpenRAIL. Карточка репозитория не приводит оценок качества или подробных сведений об ограничениях; результат зависит от исходного изображения, маски и запроса.

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

Realistic Vision V5.0 noVAE — модель генерации изображений по текстовому описанию, разработанная автором SG161222. Репозиторий содержит модель в формате Diffusers и веса Safetensors; в карточке указана лицензия CreativeML OpenRAIL-M. Модель предназначена для создания реалистичных изображений по текстовым запросам. Автор рекомендует подключать VAE для повышения качества генерации и уменьшения артефактов. В README также приведены рекомендуемые настройки сэмплера, CFG и повышения разрешения, а также отрицательные запросы для снижения дефектов анатомии и нежелательных стилей. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. При генерации могут возникать артефакты и ошибки анатомии; качество рекомендуется улучшать с помощью VAE и тщательно составленных отрицательных запросов. Условия лицензии CreativeML OpenRAIL-M распространяются на использование модели.

Карточка модели adzca11/Realistic_Vision_V5.1_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V5.1_noVAE, поэтому описание составлено по ней. Realistic Vision V5.1 noVAE — модель генерации изображений по текстовому описанию, опубликованная пользователем Hugging Face SG161222. Она предназначена для создания реалистичных изображений; автор рекомендует для версии 5.1 подключать VAE, чтобы повысить качество и уменьшить артефакты. В карточке указаны формат Diffusers и веса Safetensors, а лицензия — CreativeML OpenRAIL-M. README предлагает параметры генерации Euler A или DPM++ 2M Karras и CFG Scale 3,5–7, а также рекомендует Hires.fix с апскейлером 4x-UltraSharp. В качестве ограничений отмечены возможные артефакты, анатомические ошибки и нежелательные детали, которые автор предлагает снижать с помощью отрицательного промпта. Карточка не указывает базовую модель или размер чекпойнта.

Realistic Vision V5.1 noVAE — модель генерации изображений по текстовому описанию, опубликованная пользователем Hugging Face SG161222. Она предназначена для создания реалистичных изображений; автор рекомендует для версии 5.1 подключать VAE, чтобы повысить качество и уменьшить артефакты. В карточке указаны формат Diffusers и веса Safetensors, а лицензия — CreativeML OpenRAIL-M. README предлагает параметры генерации Euler A или DPM++ 2M Karras и CFG Scale 3,5–7, а также рекомендует Hires.fix с апскейлером 4x-UltraSharp. В качестве ограничений отмечены возможные артефакты, анатомические ошибки и нежелательные детали, которые автор предлагает снижать с помощью отрицательного промпта. Карточка не указывает базовую модель или размер чекпойнта.

Realistic Vision V6.0 B1 — модель генерации изображений по текстовому описанию, созданная разработчиком SG161222; репозиторий zbmacro содержит её копию в формате Diffusers. Это бета-версия обновления семейства Realistic Vision, ориентированная на реализм и фотореалистичные изображения, в том числе портреты и изображения людей в полный рост. Модель использует Stable Diffusion Pipeline и принимает текстовый запрос, выдавая изображение. Для версии 6.0 разработчик рекомендует использовать VAE; при больших разрешениях возможны искажения и дублирование объектов, а некоторые позы могут обрабатываться некорректно. В карточке исходной модели указана лицензия CreativeML OpenRAIL-M.

RealVis Medium 1.0b — модель генерации изображений, созданная SG161222 дообучением SD3.5 Medium для получения реалистичных и фотореалистичных изображений по текстовым запросам. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для работы, в частности, через ComfyUI. Модель ещё находится в разработке, поэтому результаты могут меняться. При длине запроса более 256 токенов T5 на краях изображения могут появляться артефакты; сокращение запроса может помочь. Распределение обучающих данных отличается от версии Large, поэтому одинаковые запросы могут давать другие результаты. Автор рекомендует Skip Layer Guidance для улучшения структуры и анатомической согласованности. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

RealVisXL V3.0 — модель генерации изображений по текстовому описанию, опубликованная SG161222 и построенная на Stable Diffusion XL. Она ориентирована на создание фотореалистичных изображений; автор отмечает, что модель всё ещё находится в процессе обучения и в некоторых случаях может давать артефакты или слабые результаты. По карточке, она способна создавать изображения как безопасного, так и откровенного содержания. Репозиторий содержит веса в формате Diffusers и SafeTensors. Модель подходит для генерации реалистичных изображений по текстовым запросам и настройки результата параметрами семплирования и увеличения разрешения. В README рекомендованы 15–30 шагов и метод DPM++ SDE Karras. Лицензия — OpenRAIL++; применяйте модель с учётом её условий. Автор предупреждает, что это не финальная версия.

Карточка модели ollienicklin/RealVisXL_V5.0 на Hugging Face совпадает с карточкой SG161222/RealVisXL_V5.0, поэтому описание составлено по ней. RealVisXL V5.0 — модель генерации изображений по текстовому описанию от автора SG161222, ориентированная на фотореализм. Она может создавать изображения по промптам, в том числе обычного и откровенного содержания. В метаданных указаны пайплайн StableDiffusionXLPipeline и форматы Diffusers и Safetensors. Для генерации автор рекомендует сэмплеры DPM++ SDE Karras или DPM++ 2M Karras с указанным числом шагов, а для увеличения разрешения — Hires Fix с низкой силой шумоподавления. Среди ограничений отмечены возможные ошибки анатомии и лиц, включая кисти и симметрию черт. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.