I.8Изображения и компьютерное зрение

Карточка модели binocheese/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели c44sh/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели Deepdive404-3/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели donutking20/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели liskasYR/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений, представленная командой Qwen. Компонент визуальной генерации содержит 7 млрд параметров и построен на 32 слоях одно-поточного DiT. Модель поддерживает обычные и прозрачные изображения RGBA, а также редактирование с использованием до 10 референсных изображений, масок и локальных пометок. Модель предназначена для создания изображений по текстовым запросам, редактирования отдельных областей, извлечения объектов из фотографий и сохранения внешности людей или товаров при работе с референсами. Среди заявленных улучшений — смешанное внимание с разной гранулярностью, повторное использование prefix KV cache, более точная типографика, освещение портретов и детализация текстур. Репозиторий содержит веса в формате Safetensors для Diffusers. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты. Карточка заявляет высокую эффективность инференса, но не приводит независимых оценок качества или требований к оборудованию.

Карточка модели Rzie227535844/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

LanguaMan/Qwen-Image-2.1-FP8 — квантованная версия Qwen-Image-2.1 для генерации изображений по текстовым запросам. Репозиторий содержит веса в форматах FP8 и INT8, а также предварительно преобразованную в FP8 копию текстового энкодера Qwen3-VL; для запуска указана библиотека diffusers. Базовая модель Qwen-Image-2.1 сочетает генерацию изображений и редактирование: поддерживает прозрачные RGBA-изображения, работу с референсами и локальное редактирование с помощью масок и разметки. Визуальный генератор описан как 7-миллиардная модель с 32 слоями Single-Stream DiT. Карточка демонстрирует создание изображений с текстом, портретами и детализированными текстурами. Указана лицензия other; точные условия следует проверять в лицензии репозитория и базовой модели.

ResNet-152 Text Detector — модель классификации изображений на базе ResNet-152, предназначенная для быстрого определения, содержит ли изображение разборчивый текст. Её обучили как бинарный классификатор на примерно 140 тысячах изображений из COCO-Text и LLaVAR; доли изображений с текстом и без разборчивого текста в обучающем наборе были примерно равны. Модель подходит для предварительной фильтрации изображений перед OCR и для отбора изображений, содержащих читаемый текст. Она выдаёт класс изображения, а не распознанную текстовую последовательность. В карточке указана лицензия? Нет сведений об условиях использования и заявленных ограничениях.

Veritone/siglip2-so400m-patch16-384-vision — облегчённая копия vision tower модели SigLIP 2 So400m, разработанной Google. Она кодирует изображения и видеокадры в общее пространство эмбеддингов и предназначена для отдельной загрузки на этапе индексации, например, когда нужен только визуальный энкодер. Модель подходит для классификации изображений по кандидатным текстовым меткам с нулевым обучением, поиска изображений по тексту и использования в качестве визуального энкодера для мультимодальных моделей. Архитектура — SigLIP, класс SiglipModel; веса сохранены в формате safetensors. Для поиска и сопоставления с текстом предусмотрена отдельная текстовая башня Veritone/siglip2-so400m-patch16-384-text. Модель принимает изображения и выдаёт векторные представления; README также указывает на кодирование видеокадров. Лицензия — Apache-2.0. Размер модели и точные параметры разрешения входа для этой копии в предоставленных сведениях не подтверждены.

cstr распространяет модель google/siglip-base-patch16-384 в формате GGUF для использования с CrispEmbed. Это визуальный энкодер SigLIP ViT-B/16: 12 слоёв, 12 голов внимания и размерность представления 768. Он кодирует изображения размером 384×384, разбитые на 576 патчей 16×16, и выдаёт L2-нормированные эмбеддинги изображения размерностью 768 с усреднением по патчам. Модель предназначена для извлечения признаков и эмбеддингов изображений, например, для поиска похожих изображений и мультимодального поиска по изображениям и тексту в системах на базе SigLIP. В README указана близкая к исходной численная близость для варианта F32: среднее косинусное сходство с версией Hugging Face составляет 0,996. Это визуальный энкодер, поэтому он сам по себе не генерирует текст и не описывает изображения. Репозиторий содержит конверсию в GGUF и/или квантизованные веса без дообучения, слияния или изменения архитектуры; доступна лицензия Apache-2.0 на условиях исходной модели. Размер входного изображения — 384×384; другие размеры и поведение при их обработке в карточке не описаны.

DiTo97/binarization-segformer-b3 — модель семантической сегментации на архитектуре SegFormer-B3, дообученная на ансамбле из 13 наборов данных для бинаризации изображений документов. Она предназначена для разделения пикселей документа на текст и фон, в том числе в сценариях обработки отсканированных страниц и исторических документов. В README приведены результаты оценки по метрикам DIBCO: F-measure 0,9840, псевдо-F-measure 0,9740, DRD 5,9548 и PSNR 16,0119. Модель основана на nvidia/segformer-b3-1024-1024 и использует библиотеку Transformers; веса доступны в форматах PyTorch и Safetensors. Карточка описывает её как продолжающееся исследование семантической сегментации для бинаризации документов. Лицензия — OpenRAIL. README не уточняет ограничения применения и детали обучения.

PP-OCRv6_medium_rec — модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Это крупнейшая модель распознавания в серии: 19 млн параметров, архитектура с backbone LCNetV4, блоком EncoderWithLightSVTR и декодером с головами CTC и NRTR. Модель предназначена для извлечения текста из изображений в составе OCR-системы, где распознавание строк может использоваться вместе с обнаружением текста и другими модулями обработки изображения. Модель поддерживает 50 языков и рассчитана на печатный и рукописный текст, включая промышленные сценарии, цифровые дисплеи, точечно-матричные символы и маркировку на шинах. В README указаны точность распознавания 83,2% и Hmean обнаружения 86,2% для PP-OCRv6_medium; показатель обнаружения относится к системе OCR в целом. Модель распространяется под лицензией Apache-2.0 и предназначена для использования через PaddleOCR.

PP-OCRv6_tiny_det — компактная модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации текста на изображениях и используется как модуль обнаружения в конвейере OCR, где распознавание символов выполняет отдельная модель. Модель построена на LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора; размер составляет 0,43 млн параметров. Она рассчитана на печатный и рукописный текст, в том числе повёрнутый, изогнутый и декоративный, и ориентирована на компактное развертывание. В метаданных указаны английский и китайский языки; README описывает поддержку семейства PP-OCRv6 для 48 языков, но не уточняет полный список для этой версии детектора. Репозиторий предназначен для работы с PaddleOCR. Лицензия Apache-2.0. Это детектор текстовых областей, а не самостоятельная система распознавания текста: для получения текста требуется модуль распознавания.

Карточка модели ewgenni/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели felycia/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели julius-ztpl/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели Supbatomic/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

vikp/surya_det3 — модель обнаружения текстовых строк в составе Surya, разработанная Vik Paruchuri для Surya. Она принимает изображение документа и выделяет расположение строк текста, чтобы передать их на последующие этапы OCR. Модель построена на EfficientViT с архитектурой семантической сегментации EfficientViTForSemanticSegmentation; содержит 38,4 млн параметров и распространяется в формате safetensors с весами F32. Для обучения использована база vikp/line_detector_3; в репозитории указана лицензия CC BY-NC-SA 4.0. Модель предназначена для обнаружения текста в документах и сама по себе не распознаёт и не возвращает текст. Карточка не описывает отдельные языковые ограничения детектора.

RyanBours представляет Candle-совместимую конверсию дообученной YOLOv11n для обнаружения текстовых областей. Модель принимает изображения размером 640 × 640 и находит на них объекты класса «text»; веса доступны в форматах Safetensors и ONNX для использования с Candle и ONNX Runtime. Модель предназначена для выделения областей с текстом на документах, снимках экрана и фотографиях, например перед передачей изображения в OCR. Это компактный детектор на архитектуре YOLOv11n, однако карточка не приводит численные показатели качества или подробности обучающего набора. Лицензия репозитория — Apache-2.0.

FireRed-Image-Edit-1.0 — модель редактирования изображений общего назначения от FireRedTeam. Она построена на базе текстово-графической генеративной модели и предназначена для изменения изображений по текстовым инструкциям, сохраняя визуальную согласованность результата. Модель поддерживает редактирование нескольких изображений, сохранение стиля текста на изображении, восстановление и улучшение старых фотографий, а также виртуальную примерку. В README описана оценка на двуязычных сценариях редактирования на китайском и английском языках; репозиторий использует Diffusers и формат safetensors. Модель распространяется по лицензии Apache-2.0. Авторы предупреждают, что она не оценивалась для всех возможных применений, и запрещают использовать проект для создания незаконного, порнографического, вредоносного или нарушающего права контента.

unsloth/Qwen-Image-2.1-GGUF — это квантованная в формате GGUF версия модели Qwen-Image-2.1, разработанной командой Qwen и адаптированной Unsloth с использованием методологии Unsloth Dynamic 2.0. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений. Она поддерживает английский и китайский языки. Визуальный генератор содержит 7 млрд параметров и построен на 32 слоях Single-Stream DiT. Архитектура использует mixed-granularity attention и повторное использование prefix KV cache для снижения вычислительных затрат. Модель умеет создавать обычные и прозрачные RGBA-изображения, редактировать прозрачные слои, извлекать объекты из фотографий и выполнять редактирование с использованием до 10 референсных изображений, локальных пометок и масок. Заявлены улучшения в передаче текстур, типографики, освещения портретов и мелких деталей. Сильными сторонами являются сочетание качества, эффективности, генерации и редактирования в одной модели, а также поддержка прозрачности и сохранения идентичности людей и товаров при редактировании. GGUF содержит только denoiser, поэтому для работы необходимы совместимые VAE и текстовый энкодер Qwen3-VL-8B-Instruct. В README не указаны максимальный контекст, полный перечень поддерживаемых разрешений и системные требования. Лицензия указана как qwen-research; версия распространяется с ограничениями лицензии Qwen Research.

Qwen-Image-Edit — модель редактирования изображений, разработанная командой Qwen. Она построена на базе Qwen-Image размером 20 млрд параметров и сочетает визуальное семантическое управление через Qwen2.5-VL с управлением внешним видом через VAE-кодировщик. Модель принимает изображение и инструкцию на естественном языке и создаёт отредактированное изображение. Модель предназначена для локального редактирования объектов и областей, изменения фона и одежды, переноса стиля, поворота объектов и создания вариантов персонажей с сохранением их семантической целостности. Она также поддерживает добавление, удаление и исправление китайского и английского текста на изображениях, стараясь сохранить исходные шрифт, размер и стиль. Для работы доступна через библиотеку Diffusers; лицензия — Apache-2.0. Карточка сообщает о высоких результатах на публичных тестах, но не приводит здесь численных оценок. В примере с исправлением редкого китайского иероглифа модель не справилась за один проход, поэтому для точной коррекции может потребоваться последовательное редактирование.

InstructPix2Pix — модель редактирования изображений по текстовым инструкциям, разработанная Тимом Бруксом и соавторами. Она принимает исходное изображение и текстовое описание желаемого изменения и создаёт отредактированное изображение. Модель предназначена для сценариев интерактивного редактирования: например, изменить стиль или цвет объекта, добавить либо убрать элементы, сохранив связь результата с исходным изображением и инструкцией. Репозиторий содержит веса в формате Diffusers, PyTorch и Safetensors; для запуска используется StableDiffusionInstructPix2PixPipeline из библиотеки Diffusers. Модель распространяется по лицензии MIT. В предоставленной карточке не приведены сведения о её ограничениях качества или поддерживаемых языках; надёжность результата может зависеть от формулировки инструкции и содержания исходного изображения.

LongCat-Image-Edit — модель Meituan для редактирования изображений по инструкциям на китайском и английском языках. Она предназначена для глобальных и локальных правок, изменения текста на изображении и редактирования с опорой на референсное изображение. Модель стремится точно следовать инструкциям и сохранять в нетронутых областях композицию, текстуры, цветовую гамму и идентичность объектов. Поддерживает многошаговое редактирование; в карточке также заявлены высокое качество изображений и повышенная эффективность вывода среди открытых моделей для редактирования. Для генерации или изменения текста на изображении целевой текст рекомендуется заключать в кавычки. Модель распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0. В README не приведены размер модели и длина контекста.

LTX2.3-ICEdit-Insight — семейство моделей для восстановления и редактирования видео от JoyFox Lab, дообученное на аудиовизуальной диффузионной основе LTX-2.3 с архитектурой DiT. Модели работают с видео в латентном пространстве и предназначены для очистки артефактов сжатия, шума и размытия, повышения разрешения и детализации, удаления водяных знаков и субтитров с восстановлением закрытого фона. Адаптация использует task-aware IC-LoRA и заявленные авторами компоненты для маршрутизации задач и временной согласованности. Она рассчитана на сохранение структуры сцены, движения камеры и объектов между кадрами, а также на уменьшение мерцания и нестабильности реконструкции. Качество зависит от разрешения и движения в исходном видео; удаление надписей лучше работает при небольших и стабильных перекрытиях. Для обработки указаны ограничения на число кадров по правилу 8k + 1 и размеры кадра, кратные 32 для одноэтапного вывода. Репозиторий распространяется по лицензии Apache-2.0.

ROSE — дообученная модель на основе Wan2.1-Fun-1.3B-InP для удаления объектов и связанных с ними эффектов из видео. Она предназначена для видеоинпейнтинга: по входному видео модель находит области, связанные с объектом, и восстанавливает фон, включая тени, отражения, световые эффекты, полупрозрачные объекты и отражения в зеркалах. Модель построена на диффузионном трансформере WanTransformer3D и содержит около 990,9 млн параметров. ROSE рассчитана на монтаж и очистку видеоматериалов, в том числе сцен с движущейся камерой; для обучения использовались синтетические парные данные, созданные в 3D-среде. Репозиторий распространяет веса в формате safetensors, библиотека — Diffusers. Лицензия — Apache-2.0. Карточка не сообщает языковых требований или длину контекста; модель работает с видео, а не с текстовыми ответами.

xhresko/nomic-embed-vision-v1.5-patched — локально исправленная копия модели Nomic Embed Vision v1.5, разработанной Nomic AI. Это плотная vision-модель семейства Nomic BERT для извлечения признаков изображений и построения эмбеддингов, применимых для поиска и мультимодального retrieval. В README указана совместимость патчей с Transformers 5.x; представлены веса Safetensors и экспорт ONNX. Для работы modeling-кода требуется пакет einops. README сообщает, что эмбеддинги исправленной PyTorch-модели совпадают с upstream ONNX-экспортом с косинусным сходством 1,0. Модель предназначена для прикладного использования в визуальном поиске и мультимодальных сценариях, например для поиска изображений по текстовому запросу с префиксом search_query:. Репозиторий содержит локально скопированный код модели, поэтому последующие изменения upstream-кода автоматически не подтягиваются. Лицензия — Apache-2.0.

PP-OCRv6_small_rec_safetensors — модель распознавания текста на изображениях из семейства PP-OCRv6, разработанного PaddlePaddle. Она предназначена для извлечения текста из строк, предварительно выделенных на изображении; в общем OCR-конвейере модуль распознавания может работать вместе с обнаружением текста и дополнительными модулями ориентации и коррекции изображения. Модель использует LCNetV4 в качестве backbone, EncoderWithLightSVTR в распознающем блоке и многоголовочный декодер CTC+NRTR. По README, она содержит 5,2 млн параметров и поддерживает 50 языков. Семейство рассчитано на различные сценарии распознавания, включая печатный и рукописный текст, дисплеи, матричные символы и промышленные изображения. Репозиторий предоставляет веса в формате safetensors; для работы рекомендуется экосистема PaddleOCR. Лицензия — Apache-2.0. Веса описаны как модель распознавания текста, а не полный OCR-конвейер: для поиска текста на исходном изображении могут понадобиться отдельный модуль обнаружения и предварительная обработка.