FLUX.2-devはblack-forest-labsによって開発された画像生成および編集モデルで、GGUF形式に変換され、画像生成タスクに最適化されており、拡散モデルアーキテクチャを採用し、ComfyUIフレームワークでの使用をサポートしています。

マルチモーダルGguf

Wan2.2は基礎ビデオモデルの大幅なアップグレード版で、有効なMoEアーキテクチャ、効率的なトレーニング戦略、マルチモーダル融合などの革新的な技術をビデオ拡散モデルに取り入れ、ビデオ生成分野により強力で効率的な解決策をもたらします。

マルチモーダルDiffusers多言語

Stable Diffusion v2-1-baseは、テキストから画像を生成する拡散モデルで、v2-baseをベースに220kの追加ステップで微調整されています。このモデルは、テキストプロンプトに基づいて画像を生成および修正でき、複数の解像度出力をサポートし、アート創作や教育研究などのさまざまな分野に適しています。

コンピュータビジョンDiffusers

Stable Diffusion v2は拡散モデルに基づくテキストから画像生成モデルで、テキストプロンプトに基づいて画像を生成および修正することができます。このモデルはLAION - 5Bデータセットのサブセットで訓練され、オートエンコーダと拡散モデルを組み合わせて潜在空間で訓練され、複数の解像度とタスクをサポートします。

コンピュータビジョンDiffusers

Stable Diffusion v2-1-unclipはStable Diffusion 2.1をベースに微調整された拡散モデルで、テキストプロンプトとCLIP画像埋め込みを受け取り、画像バリエーションの作成やテキストから画像へのCLIP事前学習モデルと組み合わせて使用できます。

マルチモーダルDiffusers

BR-RMは革新的な2ラウンド推論報酬モデルで、適応的分岐と分岐に基づく反省メカニズムにより、従来の報酬モデルにおける「判断拡散」の問題を解決し、複数の報酬モデリングベンチマークテストで業界をリードする性能を達成しました。

自然言語処理Transformers英語

Stable Diffusion XLをベースに、Inversion-DPO方法でUNetの重みを微調整し、直接嗜好最適化（DPO）技術と反転方法を組み合わせて、画像生成品質とアライメント度を向上させた拡散モデル

コンピュータビジョンDiffusers

Stable Diffusion v1-5は潜在拡散技術に基づくテキストから画像生成モデルで、テキスト記述に基づいてリアルな画像を生成できます。このモデルはLAION - 2Bデータセットで訓練され、英語テキスト入力をサポートし、512x512解像度の画像を生成します。

マルチモーダルDiffusers

RND1は実験的な拡散言語モデルで、300億のパラメータを持ち、疎なエキスパート混合アーキテクチャを採用しています。このモデルは事前学習された自己回帰ベースモデルから変換され、拡散ベースのテキスト生成をサポートしており、各トークンで300億のパラメータのみがアクティブ化され、計算効率とモデル容量のバランスを取っています。

自然言語処理Transformers

Pandoraは、リアルで高品質な携帯写真スタイルの画像を生成するための拡散モデルで、二段階のトレーニングプロセスを採用し、驚きの効果を持つ携帯写真スタイルの画像を生成することができます。

コンピュータビジョンDiffusers多言語

CoDAはSalesforce AI Researchによって開発された拡散モデルに基づくコード生成言語モデルで、双方向コンテキスト理解能力を備え、強力なコード生成と補完タスク用に設計されています。このモデルはわずか17億のパラメータで、低い計算要件を維持しながら卓越したコード生成性能を実現しています。

自然言語処理Transformers英語

LLaDA-MoEは拡散原理に基づいて構築された新しい混合専門家言語モデルで、最初のオープンソースのMoE拡散大規模言語モデルです。約20兆個のトークンで最初から事前学習され、総パラメータは70億で、推論時には14億のパラメータのみがアクティブ化されます。コード生成や数学的推論などのタスクで卓越した性能を発揮します。

自然言語処理Transformers

SRPOは拡散モデルに対する人間の嗜好アライメント手法で、Direct-Align技術と意味的相対嗜好最適化により、FLUX.1-devモデルのリアリティと美学品質を大幅に向上させ、多段階ノイズ除去の計算コストが高い問題とオフライン報酬微調整に依存する問題を解決します。

コンピュータビジョンDiffusers

RUSKANIME2025はLoRAとDiffusers技術に基づくテキストから画像への生成モデルで、特定のトリガーワードを通じて関連するアニメスタイルの画像を生成するために特別に設計されています。このモデルはblack-forest-labs/FLUX.1-dev基礎モデルに基づいて構築され、拡散LoRAテンプレート技術を採用しています。

コンピュータビジョンDiffusers

これは安定拡散XLアーキテクチャに基づくテキストから画像生成モデルで、高度なリアリティと豊富な色彩を持つ写真レベルの画像を生成するために特別に設計されています。このモデルはOnomaAIResearch/Illustrious-xl-early-release-v0をベースに構築され、肌の質感と色彩表現の向上に焦点を当てています。

コンピュータビジョンDiffusers英語

これはQwen-Imageに基づく拡散モデルで、8ステップのLighting LoRA技術を融合し、高速で高品質な画像生成を実現できます。このモデルはGGUF量子化形式で提供され、リソースが制限された環境での実行をサポートします。

マルチモーダルDiffusers

NetaYume Lumina Image 2.0はテキストから画像への拡散モデルで、GGUF形式で量子化処理されており、テキスト記述を画像に変換することができます。このモデルは最適化されており、生成品質を維持しながらメモリ使用量を削減し、パフォーマンスを向上させています。

マルチモーダルGguf英語

これはスコア生成拡散モデルに基づく医学画像処理モデルで、心臓超音波画像の霧除去処理に特化しています。このモデルはDehazeEcho2025データセットで訓練され、超音波画像の霧状の干渉を効果的に除去し、画像の鮮明度を向上させることができます。

コンピュータビジョンTensorflow

Chromaは、高品質なテキストから画像への生成モデルで、リアルな画像コンテンツの生成に特化しています。このモデルは、先進的な拡散技術を採用しており、テキストの記述に基づいて高品質なビジュアルコンテンツを生成することができ、特にローカルデプロイ環境での画像創作ニーズに適しています。

コンピュータビジョンGguf英語

SpatialGenは、多視点、マルチモーダル拡散モデルを利用して、セマンティックレイアウトから多視点、マルチモーダル情報を生成するプロジェクトです。画像からシーン、テキストからシーンへの変換を実現し、関連分野の研究と応用に有力な支援を提供します。

マルチモーダルDiffusers