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

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.

ReasonGen-R1 — авторегрессионная мультимодальная модель для генерации изображений по текстовому описанию, разработанная авторами одноимённого исследования. Она дообучена на базе DeepSeek Janus-Pro-7B с помощью supervised fine-tuning и оптимизации GRPO: перед созданием изображения модель формирует текстовые рассуждения и планирует композицию, расположение объектов и стиль. Модель предназначена для генерации изображений по промптам и демонстрирует результаты на бенчмарках Geneval, DPG и T2I. Использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0.

GuangyuanSD/RedCraft-DF11-Collection — коллекция конвертированных моделей RedCraft Z-Image Turbo, включая варианты RedZDX и RedZ. Модели предназначены для генерации изображений по текстовым описаниям; в метаданных указана задача text-to-image и библиотека Diffusers. В составе коллекции есть варианты, названия которых указывают на дистилляцию и генерацию за 5 или 10 шагов. Базовые модели коллекции — Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo; метаданные также отмечают дообучение и слияние. Поддерживаются английский и китайский языки. Репозиторий содержит веса safetensors, а лицензия указана как Apache-2.0.

Yntec/REV — модель генерации изображений по текстовому описанию в формате Diffusers и Safetensors. В README указано, что в модель встроен Color101VAE; приведён пример запроса для создания детализированного изображения в стилистике чиби, рекламной иллюстрации и фантастического или художественного арта. В метаданных отмечены фотореалистичные, фэнтезийные и научно-фантастические изображения, а также английский язык. Модель предназначена для преобразования текстовых запросов в изображения. Лицензия — CreativeML OpenRAIL-M. README не сообщает базовую модель, размер, длину контекста или подробные ограничения применения; параметры генерации и качества по приведённому примеру оценить нельзя.

SubtleOne/Rombos-Qwen2.5-Writer-32b — 32-миллиардная плотная языковая модель для генерации текста, созданная слиянием моделей методом DELLA на базе Rombos-LLM-V2.5-Qwen-32b. В слияние вошли три дообученные модели для творческого письма: EVA-Qwen2.5-32B-v0.2, Qwen2.5-32b-RP-Ink и Qwen2.5-Gutenberg-Doppel-32B. Архитектура — Qwen2, модель работает через Transformers и имеет контекстное окно 32 768 токенов. Модель предназначена для творческого письма, ролевых историй и генерации повествовательного текста; автор отмечает её применение в кампании Dungeons & Dragons. Метаданные также указывают на возможности чата и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Репозиторий распространяется по лицензии Apache 2.0. Качество результата зависит от запроса и сценария; карточка не приводит количественных оценок. Это текстовая модель, поэтому она не обрабатывает изображения, аудио или видео как входные данные.

artop79/rubaistt-uz-ft2 — дообученная модель распознавания речи на базе Whisper Medium. Она предназначена для преобразования узбекской речи в текст. В репозитории указаны 455,8 млн параметров и формат safetensors; модель доступна через Transformers. В README приведены результаты оценки на тестовом наборе: loss 0,0188 и WER 2,0305, однако набор данных и условия оценки не описаны. Модель распространяется по лицензии Apache-2.0.

SAM 2.1 Hiera Base Plus — модель сегментации изображений и видео от FAIR, исследовательского подразделения Meta. Это версия семейства SAM 2 с архитектурой Hiera; репозиторий содержит веса в формате safetensors и поддерживает библиотеку Transformers. Модель принимает изображение или кадры видео и создаёт маски объектов. Для задания объектов можно использовать точки, ограничивающие рамки или предыдущие маски, а в видео модель переносит сегментацию между кадрами и отслеживает несколько объектов. Модель подходит для автоматического выделения объектов на изображениях, интерактивной сегментации и отслеживания объектов в видео, включая потоковую обработку кадров. Ключевая особенность SAM 2 — сегментация по визуальным подсказкам с возможностью уточнять результат дополнительными точками. Лицензия — Apache 2.0. README не приводит ограничения точности или сведения о размере этой версии.

Photoreal Photo v2 — дообученная модель Stable Diffusion 1.5 для генерации фотореалистичных изображений по текстовым описаниям. Карточка предлагает протестировать модель, но не приводит сведений о её разработчике, размере или настройках генерации. Модель предназначена для создания изображений в фотореалистичном стиле. В метаданных указаны библиотека Diffusers, форматы Diffusers и PyTorch, задача text-to-image и английский язык. Лицензия — GPL-3.0.

Photoreal v2.8 — дообученная версия Stable Diffusion 1.5 от автора репозитория circulus. Модель предназначена для генерации изображений по текстовым запросам с фотореалистичной стилистикой. Модель распространяется в форматах Diffusers и PyTorch и использует библиотеку Diffusers. В карточке указан английский язык; лицензия — GPL-3.0. Сведений о размере модели, контексте и дополнительных модальностях нет.

SadraCoding/SDXL-Deepfake-Detector — экспериментальная дообученная модель бинарной классификации изображений лиц на классы «искусственное» и «человеческое». Она разработана на основе Organika/sdxl-detector и использует гибридную архитектуру: пространственные признаки Swin объединяются с 128-мерным представлением логарифма амплитудного спектра двумерного преобразования Фурье; дополнительная классификационная голова Swin обучается с отдельной функцией потерь. Изображения приводятся к размеру 224 × 224 и нормализуются по статистикам ImageNet. Модель предназначена для исследовательского анализа синтетических лицевых изображений и ограничена узкой областью данных, связанной с набором 140k Real and Fake Faces и изображениями, описанными как реальные или созданные StyleGAN. Она выдаёт метку класса и оценку softmax; эту оценку нельзя считать калиброванной вероятностью. README сообщает об экспериментальных метриках на тестовом наборе и о режиме раннего выхода, но подчёркивает, что доступных сведений недостаточно для независимого воспроизведения или проверки результатов. Классификатор не подтверждает подлинность или происхождение изображения, факт манипуляции, авторство или согласие изображённого человека. Его надёжность не установлена для подмены лиц, видео, SDXL и других неиспытанных генераторов либо произвольных изображений; не следует использовать его как единственное основание для значимых решений. Для загрузки требуется пользовательский код архитектуры, стандартный AutoModelForImageClassification не подходит. Лицензия CC BY-NC 3.0 ограничивает коммерческое использование.

rupeshs/SDXL-Lightning-2steps — вариант SDXL-Lightning для генерации изображений по текстовому описанию, размещённый пользователем rupeshs. README указывает, что это двухшаговая версия модели из исходного репозитория SDXL-Lightning; модель распространяется в формате Diffusers с весами Safetensors и предназначена для использования через библиотеку Diffusers. Модель принимает текстовые запросы на английском языке и генерирует изображения за два шага. Репозиторий распространяется по лицензии OpenRAIL++.

SDXL-Turbo — генеративная модель преобразования текста в изображения, разработанная Stability AI. Она создаёт изображение по текстовому запросу за один проход сети; для генерации обычно достаточно одного шага, а режим до четырёх шагов может улучшить результат. Модель основана на SDXL 1.0 Base и обучена методом Adversarial Diffusion Distillation для быстрой генерации с сохранением качества при малом числе шагов. Модель подходит для быстрого создания иллюстраций и концептов, художественных и дизайнерских процессов, а также творческих и образовательных приложений. Поддерживается также генерация изображений на основе исходного изображения. Предпочтительный размер результата — 512×512 пикселей; модель не использует guidance_scale и negative_prompt. Ограничения включают нечитаемый текст на изображениях, возможные ошибки в изображении лиц и людей, неполный фотореализм и потери из-за автоэнкодера. Модель не предназначена для достоверного изображения реальных людей или событий. README указывает на исследовательское и некоммерческое применение по лицензии модели и отдельно отсылает к Stability AI для условий коммерческого использования; метаданные обозначают лицензию как other.

OlegSkutte/sdxl-turbo-GGUF — это GGUF-квантизированная версия модели SDXL-Turbo, разработанной Stability AI. Модель предназначена для генерации изображений по текстовым описаниям в сценариях text-to-image и совместима с программным обеспечением на базе stable-diffusion.cpp. В README также приведены рекомендуемые настройки для Dreamio: разрешение 512×512, один шаг сэмплирования, CFG scale 1,0, sampler EULER, scheduler DEFAULT и TAESD taesdxl. Ключевое преимущество модели — возможность быстрой генерации изображений благодаря ориентации SDXL-Turbo на малое число шагов, а GGUF-квантизация может упростить локальный запуск и снизить требования к ресурсам по сравнению с полноразмерной версией. Данные о точном размере модели, варианте квантизации, поддерживаемых языках, максимальном контексте и дополнительных модальностях не указаны. Модель распространяется по лицензии sai-nc-community; условия использования следует уточнять по лицензии Stability AI, указанной в README.

SDXS-512-DreamShaper — модель генерации изображений по текстовому описанию, созданная авторами проекта SDXS как вариант для сообщества. Она относится к семейству латентных диффузионных моделей SDXS и рассчитана на генерацию изображений 512 пикселей за один шаг. При обучении использовались score distillation и feature matching; модель ориентирована на качество изображения и жертвует разнообразием результатов. В качестве учителя использовалась dreamshaper-8-lcm, также применялась dreamshaper-8, а декодирование выполняется с помощью TAESD. Модель подходит для быстрого создания изображений по текстовым промптам. Репозиторий распространяет веса в формате Diffusers и Safetensors, запуск предусмотрен через Diffusers. Авторы опубликовали её как часть исследовательской работы; лицензия — OpenRAIL++. README предупреждает, что декодер изображений модели несовместим с Diffusers и используется TAESD, а его возможная замена ожидалась в будущем обновлении Diffusers.

Карточка модели Franxy789/SeedVR2_comfyUI на Hugging Face совпадает с карточкой numz/SeedVR2_comfyUI, поэтому описание составлено по ней. numz/SeedVR2_comfyUI — выпуск SeedVR2 для ComfyUI и автономного CLI, предназначенный для повышения разрешения видео и изображений. Репозиторий включает интеграцию с ComfyUI и инструменты обработки, а метаданные связывают веса со слитыми моделями ByteDance-Seed/SeedVR2-3B и ByteDance-Seed/SeedVR2-7B. Указанный формат весов — safetensors; библиотека — diffusers. Модель применяет одношаговую диффузионную обработку для улучшения кадров с сохранением временной согласованности между ними. Поддерживаются RGB и RGBA, пакетная обработка, управление перекрытием кадров и запуск на нескольких GPU через CLI. В README также описана интеграция с torch.compile для ускорения на совместимом оборудовании. Ограничение архитектуры: размер пакета кадров должен соответствовать формуле 4n+1, например 1, 5 или 9 кадров; параметры перекрытия помогают смешивать соседние пакеты. Для использования нужны совместимое окружение ComfyUI или CLI и ресурсы оборудования, достаточные для загрузки модели. Лицензия — Apache-2.0.

numz/SeedVR2_comfyUI — выпуск SeedVR2 для ComfyUI и автономного CLI, предназначенный для повышения разрешения видео и изображений. Репозиторий включает интеграцию с ComfyUI и инструменты обработки, а метаданные связывают веса со слитыми моделями ByteDance-Seed/SeedVR2-3B и ByteDance-Seed/SeedVR2-7B. Указанный формат весов — safetensors; библиотека — diffusers. Модель применяет одношаговую диффузионную обработку для улучшения кадров с сохранением временной согласованности между ними. Поддерживаются RGB и RGBA, пакетная обработка, управление перекрытием кадров и запуск на нескольких GPU через CLI. В README также описана интеграция с torch.compile для ускорения на совместимом оборудовании. Ограничение архитектуры: размер пакета кадров должен соответствовать формуле 4n+1, например 1, 5 или 9 кадров; параметры перекрытия помогают смешивать соседние пакеты. Для использования нужны совместимое окружение ComfyUI или CLI и ресурсы оборудования, достаточные для загрузки модели. Лицензия — Apache-2.0.

Segmind-Vega — диффузионная модель генерации изображений по тексту, разработанная Segmind, Yatharth Gupta и Vishnu Jaddipal. Это компактная дистиллированная версия Stable Diffusion XL: по заявлению разработчиков, она примерно на 70% меньше исходной модели и обеспечивает вдвое более быструю генерацию при сохранении качества. Репозиторий предназначен для использования с библиотекой Diffusers и содержит веса в формате safetensors. Модель подходит для создания иллюстраций, концепт-арта и учебных визуальных материалов, а также для быстрых творческих экспериментов. При дистилляции использовались знания SDXL, ZavyChromaXL и JuggernautXL; среди обучающих данных названы GRIT и очищенная подборка изображений Midjourney. Разрешение обучения составляло 1024 пикселя. Модель может испытывать трудности с фотореалистичными изображениями людей, точным текстом внутри изображения и сложными композициями. Она не предназначена для достоверного изображения реальных людей, событий и фактов или задач, требующих высокой точности. Лицензия — Apache 2.0.

Shift — модель генерации изображений по текстовому описанию, созданная Yntec как слияние Redshift Diffusion, LiberteRedmond и Shiny3D Cartoon. Она основана на Stable Diffusion 1.5 и рассчитана на создание фотореалистичных изображений, стилизованных 3D-рендеров и мультяшных сцен. Примеры в карточке включают архитектуру, автомобили, персонажей и портретные сцены. Модель распространяется в формате Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. Качество и стиль результата зависят от текстового запроса; карточка не описывает отдельные ограничения модели или гарантии качества.

Shuttle Jaguar — модель генерации изображений по текстовому описанию, разработанная ShuttleAI. Она предназначена для создания эстетичных, кинематографичных и реалистичных изображений по промптам, включая сценарии локального запуска через Diffusers или ComfyUI, а также использования через API ShuttleAI. Согласно README, изображение можно получить за четыре шага диффузионного процесса. Модель распространяется как pipeline для библиотеки Diffusers и основана на shuttleai/shuttle-3-diffusion. Доступны варианты в форматах bfloat16, FP8 и GGUF, оптимизированные для различного оборудования. В примере указана генерация изображений размером 1024×1024, максимальная длина последовательности — 256 токенов, guidance scale — 3.5. Поддерживаемый язык — английский. README не содержит сведений о точной архитектуре и количестве параметров, а также об ограничениях качества или безопасности. Модель лицензирована по Apache License 2.0.

SkyPaint — модель генерации изображений по текстовому описанию, разработанная Singularity-AI. Она предназначена для работы с китайскими и английскими запросами, включая смешанные подсказки, и для создания изображений в современном художественном стиле. Модель сохраняет привычный формат подсказок Stable Diffusion 1.x и использует конвейер StableDiffusionPipeline из библиотеки Diffusers. Система сочетает текстовый кодировщик на основе OpenAI CLIP, оптимизированный для китайского и английского языков, и диффузионную модель, дообученную на базе stable-diffusion-v1-5. В README также описан отдельный проект SkyCLIP для двуязычного кодирования текста и поиска по сходству изображений и текста; это не следует считать отдельной задачей самой SkyPaint. Модель подходит для создания иллюстраций и художественных изображений по коротким или составным текстовым запросам на китайском и английском языках. Авторы сообщают, что модель продолжает оптимизироваться; лицензия в предоставленных данных не описана.

Moonuure/somHG — модель генерации заголовков на сомалийском языке, разработанная дообучением AfriTeVa v2. Это последовательностная модель семейства T5 с примерно 214,4 млн параметров; она принимает текст новостной статьи и создаёт короткий заголовок, передающий её основное содержание. Модель предназначена для подготовки вариантов заголовков к сомалийским новостям, а также для экспериментов с суммаризацией на языках с ограниченными ресурсами. Она обучалась на парах сомалийских новостных статей и исходных заголовков и оценивалась метриками ROUGE, SacreBLEU, METEOR и BERTScore. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Обучение ориентировано на новостной стиль, поэтому качество может снижаться на текстах других жанров. Для очень длинных или необычных статей возможны общие или повторяющиеся заголовки; лучше всего модель работает со статьями короче примерно 300 токенов. Сгенерированный текст может содержать лишние фрагменты, например название сайта или URL, и перед показом читателю его рекомендуется очищать.

Карточка модели Faketrevor/sophie_rain на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-dev, поэтому описание составлено по ней. FLUX.1 [dev] — модель генерации изображений по тексту от Black Forest Labs. Это 12-миллиардный rectified flow transformer, обученный с помощью дистилляции guidance; веса доступны в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым описаниям и локального использования в творческих и исследовательских рабочих процессах. Модель обеспечивает высокое качество изображений и хорошо следует запросам, хотя результат зависит от формулировки промпта и может ему не соответствовать. Она не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется условиями лицензии.

John6666/sophos-realism-v14-expressive-v2-sdxl — модель text-to-image, созданная sophosympatheia и опубликованная на Hugging Face пользователем John6666. Это слияние моделей на базе Stable Diffusion XL, включая Illustrious-XL-v1.0 и CyberIllustrious, предназначенное для генерации реалистичных и фотореалистичных изображений по текстовым описаниям на английском языке.

Speech-Emotion-Classification — модель prithivMLmods, дообученная на базе facebook/wav2vec2-base-960h для классификации эмоций в речи. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель принимает аудиосигнал и относит речь к одному из восьми классов: гнев, спокойствие, отвращение, страх, радость, нейтральное состояние, грусть и удивление. Она предназначена для анализа разговоров, персонализации голосовых помощников, разметки аудиоколлекций и вспомогательных сценариев мониторинга эмоционального состояния. Карточка указывает английский язык; базовая модель рассчитана на английскую речь с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0. Предсказания отражают классификацию акустических сигналов и не подтверждают фактическое эмоциональное или психическое состояние человека.

Stable Audio 3 Medium GGUF — это конверсия модели stabilityai/stable-audio-3-medium в формат GGUF для инференса через sa3.cpp. Конверсию опубликовал thepatch; исходная модель разработана Stability AI. Модель предназначена для генерации аудио по текстовому описанию, включая музыкальные композиции и звуковые эффекты, без необходимости использовать PyTorch. Поддерживаются CPU, CUDA, Vulkan и Metal на Apple Silicon. Модель состоит из diffusion transformer DiT размером 1,5 млрд параметров, автоэнкодера SAME-L, conditioner и общего текстового энкодера с токенизатором T5Gemma-B-B-UL2. Доступны варианты F32, F16, Q8_0, Q5_K_M и Q4_K_M; объём пары DiT и SAME-L составляет примерно от 1,5 до 8,8 ГБ в зависимости от точности. В README указан английский язык. Контекст модели и точная поддерживаемая длительность аудио не заявлены, однако приведены примеры генерации 12-секундных и более длинных клипов. Сильные стороны — переносимый C++/GGML-инференс, отсутствие PyTorch, несколько вариантов квантования и высокая схожесть квантованных компонентов с эталоном F16. Квантование уменьшает требования к памяти и может ускорять работу на CUDA и Vulkan, но на Metal прирост скорости практически отсутствует. На CPU модель работает примерно в десять раз медленнее, чем на указанном GPU. Для работы требуется комплект из нескольких файлов, причём DiT и SAME-L должны иметь одинаковую точность, а также общий энкодер и токенизатор. Конвертированные веса распространяются по Stability AI Community License: организациям с годовой выручкой менее 1 млн долларов разрешены коммерческое использование, дообучение и производные работы; для организаций выше этого порога требуется Enterprise License. Исходный код Stable Audio 3 имеет лицензию MIT, а T5Gemma распространяется на условиях Gemma Terms of Use.

Stable Cascade — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она построена на архитектуре Würstchen и состоит из трёх частей: Stage C создаёт компактные латентные представления по текстовому запросу, а Stage A и Stage B декодируют их в изображение. Сжатие с коэффициентом 42 позволяет работать с латентным представлением 24×24 для изображения 1024×1024, что снижает стоимость обучения и ускоряет генерацию по сравнению с менее сжатыми подходами. Для Stage C доступны варианты на 1 и 3,6 млрд параметров, для Stage B — на 700 млн и 1,5 млрд; Stage A содержит 20 млн параметров. Модель предназначена для генерации изображений в творческих инструментах, дизайне, образовательных приложениях и исследованиях генеративных моделей. В README отмечены возможности расширения через дообучение, LoRA, ControlNet, IP-Adapter и LCM. Автор рекомендует вариант Stage C на 3,6 млрд параметров и крупный вариант Stage B для более детальных результатов. Лицензия в метаданных обозначена как other; README указывает на соблюдение Acceptable Use Policy Stability AI и описывает модель как предназначенную для исследований. К ограничениям относятся возможные дефекты лиц и людей в целом, а также потери при автоэнкодировании. Модель не предназначена для создания достоверных изображений людей или событий; сгенерированный контент может быть вредоносным или отражать смещения.

Stable Diffusion 2.1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Версия 2.1 дообучена на базе Stable Diffusion 2 дополнительными шагами обучения; карточка описывает вариант с разрешением 768 пикселей. Модель доступна в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, художественных изображений и материалов для дизайна, а также для творческих и образовательных инструментов. Она принимает текстовые запросы, лучше всего понимает английский язык и выдаёт изображения. Лицензия — CreativeML Open RAIL++-M; карточка ограничивает применение исследовательскими целями и описывает недопустимые сценарии использования. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Качество генерации по неанглийским запросам ниже; обучающие данные могут отражать культурные и социальные предубеждения.

Карточка модели LanguageMachines/stable-diffusion-2-1 на Hugging Face совпадает с карточкой Charles-Elena/stable-diffusion-2-1, поэтому описание составлено по ней. Stable Diffusion 2.1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Версия 2.1 дообучена на базе Stable Diffusion 2 дополнительными шагами обучения; карточка описывает вариант с разрешением 768 пикселей. Модель доступна в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, художественных изображений и материалов для дизайна, а также для творческих и образовательных инструментов. Она принимает текстовые запросы, лучше всего понимает английский язык и выдаёт изображения. Лицензия — CreativeML Open RAIL++-M; карточка ограничивает применение исследовательскими целями и описывает недопустимые сценарии использования. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Качество генерации по неанглийским запросам ниже; обучающие данные могут отражать культурные и социальные предубеждения.

Карточка модели WIBE-HuggingFace/stable-diffusion-2-1 на Hugging Face совпадает с карточкой sd2-community/stable-diffusion-2-1, поэтому описание составлено по ней. Stable Diffusion 2.1 — модель генерации и редактирования изображений по текстовому описанию, разработанная Robin Rombach и Patrick Esser. Этот репозиторий — зеркало устаревшего репозитория Stability AI и не связан с этой организацией. Модель основана на Stable Diffusion 2 и дообучена: сначала на 55 тысячах шагов с параметром punsafe=0,1, затем ещё на 155 тысячах шагов с punsafe=0,98. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Она принимает текстовые запросы на английском языке и создаёт или изменяет изображения; запуск доступен через Diffusers. Лицензия — CreativeML Open RAIL++-M License (OpenRAIL++). Модель может быть полезна для художественной генерации, дизайна и творческих инструментов. Она не обеспечивает идеальный фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Качество запросов на языках, отличных от английского, ниже; модель также наследует смещения обучающих данных LAION и может выдавать вредный, стереотипный или нежелательный контент.

SagiPolaczek/stable-diffusion-2-1-base — модель генерации изображений по текстовому описанию, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H; она создана дообучением stable-diffusion-2-base на 220 тысячах дополнительных шагов и доступна в формате Diffusers, PyTorch и SafeTensors. Модель предназначена для создания и изменения изображений по текстовым запросам, в том числе для художественных и дизайнерских задач, творческих инструментов и исследований генеративных моделей. Лучше работает с английскими запросами. Лицензия — CreativeML Open RAIL++-M License. Ограничения: модель не всегда создаёт фотореалистичные изображения, плохо передаёт читаемый текст и сложные пространственные композиции, а лица и люди могут получаться некорректно. Результаты по неанглоязычным запросам слабее; модель может воспроизводить социальные предубеждения, а обучающие данные включали фильтрованный контент для взрослых, насилие и сексуальные изображения.