Найдено: 738
апскейл видео и изображений в ComfyUI
В репозитории emee-ai опубликован официальный релиз SeedVR2 для ComfyUI: диффузионная one-step модель для качественного апскейла видео и изображений. Доступны варианты 3B и 7B на базе ByteDance-Seed/SeedVR2, а также standalone CLI с Multi-GPU.
учим reasoning-модель меньше думать
LoCo-7B — reasoning-compressed версия DeepSeek-R1-Distill-Qwen-7B от MuyaoYuan. Модель на 7.62B параметров локально находит состояния overthinking в chain of thought и заменяет их более короткими проверенными продолжениями.
та же база, но с «вылеченным» residual stream
Полный файнтюн MOSS-Image-Base от KBlueLeaf: трансформер обучен так, чтобы убрать огромные выбросы в residual stream. Остальные компоненты — текстовый энкодер, токенизатор, VAE, scheduler и код пайплайна — взяты из официальной базовой модели. Размер трансформера — около 5,08 млрд параметров.
три синхронизированных ракурса из depth-видео
SINDRI-Transfer — официальный 20K inference-чекпоинт для Wan2.2-Fun-5B-Control. Модель генерирует синхронизированные видео с трёх ракурсов — головы, левого и правого запястья — по depth-видео, референсным изображениям и общему текстовому промпту.
3D-гауссианы из одной картинки за 5 шагов
Idol Turbo от akhaliq — дистиллированная few-step версия speridlabs/idol для image-to-3D. На входе одно фото объекта, на выходе до миллиона 3D-гауссианов: 5 шагов без guidance вместо 50 шагов с classifier-free guidance.
компактная image-to-video на 722M
40fuku — image-to-video модель от Kompaktion: 722M-параметровый denoiser, дистиллированный из Causal Forcing framewise I2V (1.42B) на базе Wan2.1-T2V-1.3B. На вход берёт изображение и текстовый промпт, выдаёт видео 480×832; при желании добавляет звук через MMAudio. Лицензия Apache-2.0.
SDXL-пайплайн с AppleConditioningBridge для T4
Neuron Apple V1.0 — text-to-image пайплайн от Neura Tech AI на базе stabilityai/stable-diffusion-xl-base-1.0. 2,57 млрд параметров, SDXL UNet и кастомный AppleConditioningBridge (MLP/GELU) для улучшения текстового кондиционирования и выравнивания типографики.
4K-видео на одной RTX 4090
FlashVSR+ — эффективный one-step diffusion-фреймворк для высококачественного видео-суперразрешения (video-to-video). На Hugging Face его выложил Dirdx; в метаданных указана база Wan2.1-T2V-1.3B. Модель нацелена на 4K-апскейл видео на одной RTX 4090 с 24 ГБ.
редактирование изображений за 4 шага
Fibo 2.0 Edit Turbo — distilled-версия для редактирования изображений из семейства FIBO от Bria AI; это неофициальное зеркало ml-resources. 8B-модель для diffusers принимает изображение и инструкцию, меняет объекты, стиль, свет или текст, сохраняя остальное, и заявлена как production-ready.
редактирование изображений по инструкции
SDXL InstructPix2Pix 768 — экспериментальный файнтюн Stable Diffusion XL, обученный редактировать изображения по текстовой инструкции в стиле InstructPix2Pix. Опубликован Jinstudio; размер — около 2,57 млрд параметров, разрешение — 768×768.
мультимодальная модель для смартфона
LiteRT-версия LiquidAI/LFM3-Omni-2B от litert-community: принимает текст, изображения и аудио, отвечает текстом; для озвучки есть отдельные LiteRT-графы и Python-runner. Исходная модель — 2,17 млрд параметров в BF16; здесь основной файл .litertlm с int8-декодером весит 3,23 ГБ.
репак для ComfyUI: 5B и 14B в одном наборе
Lb545550 выложил набор репакованных файлов Wan 2.2 для ComfyUI. Это не новая модель, а сборка оригинальных вариантов Wan-AI, alibaba-pai, nvidia ChronoEdit и distill-LoRA от lightx2v: T2V, I2V, TI2V, S2V, Animate, Fun Control/Camera/Inpaint, VACE и ChronoEdit.
черновик, который ускоряет декодирование
DFlash2 draft-модель для MiniMax M3.1 Flash от RadixArk: предлагает токены параллельно, а целевая модель их верифицирует в SGLang. Архитектура MiniMaxDFlash2DraftModel, 5 слоёв GQA, 2,05 млрд параметров в 81 BF16-тензоре (один файл Safetensors).
draft-голова для ускорения OCR
DSpark — это draft-модель для speculative decoding от OpenBMB, предназначенная для MiniCPM-OCR 1.0. Она не работает как самостоятельная OCR-модель: её нужно использовать в паре с основной 1.3B-моделью из того же релиза. У draft-головы 296,8 млн параметров, 5 слоёв и 15 draft-токенов за forward pass.
31B-модель, которая пишет как человек, но не теряет рабочие навыки
LessThanThreeAI выложила BF16-файнтюн google/gemma-4-31B-it для текстовой генерации. У модели 31,27 млрд параметров, лицензия Apache-2.0, веса под vLLM, SGLang и transformers. Системный промпт не обязателен.
компактная модель без встроенных отказов
Это abliterated-вариант LFM3-1.7B от Liquid AI: причинная языковая модель на tri-hybrid архитектуре, ~1.73B параметров и контекстом 262 144 токена. Сборка от Vortecks убирает направления отказов в activation space, поэтому модель позиционируется как uncensored и шире следует промптам, чем базовый…
14.8B-модель для понимания ДНК
Carbon-X-SFT от Hugging Face Bio — это chat-модель на 14,8 млрд параметров, обученная на последовательностях ДНК и тексте. Она принимает сырую ДНК прямо в диалоге и по-английски отвечает: оценивает патогенность мутаций, ищет регуляторные участки, классифицирует последовательности и предсказывает…
380M-параметровый специалист по курации данных
davanstrien выпустил компактную модель решений для очистки и сортировки данных: она принимает текст и набор именованных вопросов, а возвращает вероятности по вариантам без генерации текста.
мультимодальные контекстные эмбеддинги
Это vision-language embedding-модель от perplexity-ai на 0.6B параметров для поиска по тексту, изображениям и визуальным документам. Поддерживает контекстный и неконтекстный режимы, а также контекстное разбиение изображений на горизонтальные полосы.
компактный визуальный grounding с проверкой боксов
Locus-2B — компактная VLM на базе Qwen/Qwen3-VL-2B-Instruct (1,75 млрд параметров) от MTalha2001. Она находит объект по текстовому описанию и возвращает bounding box в пикселях либо отвечает, что объекта нет на изображении.