I.8Изображения и компьютерное зрение

Craftly-Image-2.1 — модель генерации изображений по текстовому описанию, представленная как разработка Craftly AI Labs. В README она описана как диффузионный трансформер в латентном пространстве (DiT) с flow-matching планировщиками, текстовым энкодером CraftlyVision-7B-Instruct и 16-канальным пространственным VAE. Модель предназначена для фотореалистичной генерации, рендеринга текста на изображениях и создания сложных пространственных композиций. Заявлена поддержка динамического соотношения сторон и разрешения до 2K; метаданные указывают английский и китайский языки. Репозиторий содержит формат Diffusers и веса Safetensors. В README приведён пример запуска с bfloat16 на CUDA. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория.

OpenGVLab/InternVL-14B-Flickr30K-FT-364px — дообученная мультимодальная модель InternVL для поиска соответствий между изображениями и текстами. Она принимает изображения размером 364 × 364 пикселя и текстовые описания; обучение для задач retrieval выполнено на Flickr30K на основе OpenGVLab/InternVL-14B-224px. Архитектура InternVL объединяет зрительный трансформер ViT с языковой моделью; размер модели — 14 млрд параметров. Модель предназначена для извлечения признаков и поиска текста по изображению или изображения по тексту. При использовании README требует добавлять префикс «summarize:» и устанавливать tokenizer.pad_token_id в 0, иначе результаты могут быть некорректными. Репозиторий распространяется по лицензии MIT.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-512 на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Это конвертированная в формат OpenVINO модель классификации изображений microsoft/swin-tiny-patch4-window7-224, подготовленная для ускоренного инференса. Её разработала HelenAI на основе модели Microsoft с архитектурой Swin Transformer; размер исходной модели — около 33 млн параметров. Модель принимает изображения и предсказывает для них классы. Она подходит для интеграции классификации изображений в приложения, использующие OpenVINO. В карточке указан английский язык; иных языковых характеристик и ограничений применения README не описывает. Лицензия в предоставленных данных не указана.

Карточка модели kg1965/MiniMax-H3 на Hugging Face совпадает с карточкой unsloth/MiniMax-H3, поэтому описание составлено по ней. MiniMax-H3 — мультимодальная генеративная модель компании MiniMax для создания видео с синхронизированным стереозвуком по тексту и мультимодальным референсам. Открытая версия построена на архитектуре H3-Omni-Transformer: отдельные текстовый энкодер, Visual VAE и Audio VAE кодируют входные данные в общую последовательность, а трансформер совместно предсказывает видео- и аудиолатенты. Репозиторий распространяет веса в формате Diffusers и safetensors; размер модели и поддерживаемые естественные языки в предоставленных сведениях не указаны. Модель принимает текст и изображения; вариант Omni-reference также позволяет использовать видеоклипы, а аудио — только вместе с изображением или видео. Она генерирует видео длительностью 4–15 секунд с аудио, в различных соотношениях сторон; базовая генерация выполняется при разрешении 768p, а модуль H3-Regenerate-2K может повысить результат до 2K. Подходит для создания роликов по описанию, анимации исходного кадра и генерации видео с визуальными, видео- и аудиореференсами. Полный рабочий процесс включает H3-Context-IR для анализа и подготовки сложных мультимодальных инструкций, но этот размещённый сервис не входит в открытую поставку: для него предлагается API или собственная предварительная обработка. В первой открытой версии доступен только режим полного внимания, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

merve/rfdetr-docvqa-media3-trainval-agree2-medium — дообученная модель обнаружения объектов на базе Roboflow/rf-detr-medium. Она принимает изображения и находит объекты, возвращая их категории и локализацию. По метрикам README модель оценивалась на категориях Chart, Image и Signature; качество различается между категориями, а показатели для малых объектов приведены как −1.0, поэтому применение к ним не подтверждено. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0.

Карточка модели wan-community/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Wan 2.2 — набор переупакованных файлов моделей для ComfyUI, собранный Comfy-Org и распространяемый по лицензии Apache-2.0. Репозиторий предназначен для генерации видео из изображений и включает файлы вариантов Wan 2.2, используемых в рабочих процессах ComfyUI. Карточка приводит примеры преобразования изображения в видео, генерации по первому и последнему кадрам, управления видео и обработки видео по текстовому описанию. Метаданные связывают репозиторий со слитыми моделями семейства Wan2.2-Fun, включая варианты 5B и A14B, а также указывают формат safetensors. Основной сценарий по тегу модели — генерация видео на основе изображения. Переупакованные файлы предназначены для загрузки в ComfyUI; сама карточка не описывает требования к оборудованию или подробные параметры генерации. Языковые возможности не заявлены. Лицензия репозитория — Apache-2.0.

ZwZ-4B — мультимодальная модель для детального восприятия изображений, разработанная inclusionAI на основе Qwen3-VL-4B-Instruct. Это плотная модель семейства Qwen3-VL с 4 млрд параметров, предназначенная для ответов на вопросы об изображениях и распознавания мелких визуальных деталей. Обучение сочетает дистилляцию Region-to-Image и обучение с подкреплением на наборе ZwZ-RL-VQA из 74 тысяч примеров. Модель обрабатывает изображение за один проход без увеличения отдельных областей во время вывода и без вызовов инструментов. Авторы сообщают о высоких результатах на тестах детального восприятия и улучшениях в визуальном рассуждении, сценариях GUI-агентов и обнаружении изображений, созданных ИИ. Доступны веса Safetensors для Transformers; лицензия — Apache-2.0.

Это дообученная модель обнаружения объектов на базе nsugianto/detr-resnet50_finetuned_lstabledetv1s9_lsdocelementdetv1type3_session6, построенная на архитектуре DETR и представленная в формате safetensors. Карточка связывает её с распознаванием элементов документов, однако набор классов и обучающие данные не описаны. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и метками. В карточке не приведены сведения о точности и сценариях применения, поэтому пригодность для конкретного набора документов следует оценивать отдельно. Лицензия в предоставленных данных не указана.

Карточка модели imranevankhan/FLUX.2-klein-4b-nvfp4 на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4b-nvfp4, поэтому описание составлено по ней. FLUX.2 [klein] 4B NVFP4 — модель генерации и редактирования изображений от Black Forest Labs. Это 4-миллиардная rectified flow transformer, сжатая до формата NVFP4; репозиторий содержит эту версию весов, а полновесная модель выпущена отдельно. Модель создаёт изображения по текстовому описанию и поддерживает редактирование с несколькими референсными изображениями. Модель предназначена для генерации изображений по промптам и преобразования изображений с учётом текстовых инструкций и нескольких визуальных образцов. Карточка указывает английский язык; текст, встроенный в изображения, может отображаться неточно. Для запуска требуется около 13 ГБ видеопамяти, например на NVIDIA RTX 3090 или RTX 4070 и выше. Модель может не следовать запросу, а результат зависит от формулировки промпта. Она не предназначена для получения фактической информации и может отражать предвзятости обучающих данных. Лицензия — Apache 2.0; карточка также описывает ограничения на отдельные виды использования.

FLUX.2 [klein] 9B Base NVFP4 — разработанная Black Forest Labs модель генерации и редактирования изображений. Это 9-миллиардная rectified flow transformer; данный репозиторий содержит её квантизированную версию NVFP4. Модель принимает текстовые описания и изображения-образцы, включая несколько референсов для редактирования, и выдаёт изображения. Карточка указывает английский язык; модель рассчитана на запуск примерно с 29 ГБ видеопамяти, включая NVIDIA RTX 4090 и более мощные устройства. Модель подходит для генерации изображений по описанию и преобразования изображений с опорой на текстовые инструкции и референсы. Следование запросу зависит от стиля формулировки, а сгенерированный текст на изображениях может быть искажён. Модель не предназначена для получения фактической информации и может не соответствовать запросу или воспроизводить смещения из обучающих данных. Для NVFP4-весов указан формат safetensors; модель распространяется по некоммерческой лицензии FLUX для 9B-моделей, а не по Apache 2.0.

HunyuanVideo — разработанная Tencent открытая модель генерации видео по текстовому описанию. Репозиторий содержит определения модели на PyTorch, предварительно обученные веса и код для инференса; также выпущена версия для генерации видео на основе изображения. Модель использует Transformer с полным механизмом внимания и объединённую архитектуру для изображений и видео: сначала текстовые и визуальные токены обрабатываются раздельно, затем совместно. Текстовые запросы кодируются мультимодальной языковой моделью, а генерация выполняется в сжатом пространственно-временном латентном представлении с помощью причинного 3D VAE. В карточке заявлено более 13 млрд параметров. Репозиторий включает веса FP8 для снижения потребления видеопамяти и поддержку инференса на нескольких GPU. Модель предназначена для создания видео с заданными сценой, объектами и движением; авторы отмечают качество изображения, разнообразие движения, соответствие запросу и стабильность генерации. Лицензия в метаданных указана как other, поэтому перед использованием следует ознакомиться с условиями лицензии в репозитории. README не сообщает поддерживаемые языки запросов и длину контекста.

HunyuanVideo-1.5 — модель генерации видео от Tencent с 8,3 млрд параметров. Она использует архитектуру Diffusion Transformer (DiT), 3D causal VAE и механизм Selective and Sliding Tile Attention (SSTA), который снижает вычислительные затраты при работе с длинными видеопоследовательностями. Модель поддерживает генерацию видео по текстовому описанию и по изображению, а также разные длительности и разрешения; сеть суперразрешения повышает результат до 1080p. Модель предназначена для создания роликов с согласованным движением, следованием инструкциям и визуально проработанными сценами. README описывает двуязычное понимание английского и китайского, а также поэтапное обучение и оптимизацию вывода. Для запуска доступны веса в формате safetensors и интеграция с Diffusers; заявленная скорость измерялась на восьми GPU H800, поэтому она не гарантирует аналогичную производительность на потребительском оборудовании. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория перед применением или распространением модели.

Карточка модели Evolutech85/IMAGIX на Hugging Face совпадает с карточкой Viggle/Qwen-Image-2.1-viggle-turbo, поэтому описание составлено по ней. Qwen-Image-2.1-viggle-turbo — LoRA-адаптер, обученный Viggle на основе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсных изображений. Версия v0.2.1 использует адаптер ранга 256 в формате bf16 и рассчитана на 6 проходов трансформера без classifier-free guidance; также доступен вариант ранга 128. По заявлению разработчика, генерация примерно в пять раз быстрее базовой модели с 40 шагами, при этом качество на большинстве проверенных примеров сопоставимо. Адаптер рассчитан на работу поверх базового трансформера Qwen-Image-2.1 через Diffusers; в репозитории также приведены workflows для ComfyUI. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. Ограничения заметнее при рендеринге мелкого плотного текста и сложном редактировании, включая композицию по нескольким референсам, замену лиц, сохранение идентичности и инструкции с множеством ограничений; в этих случаях базовая модель может справляться лучше. Для ComfyUI автор предупреждает о возможных шероховатостях интеграции.

Janus-4o-7B — мультимодальная модель FreedomIntelligence, дообученная на базе deepseek-ai/Janus-Pro-7B с использованием набора ShareGPT-4o-Image. Она генерирует изображения по текстовым запросам и редактирует изображения по тексту и входному изображению; авторы сообщают об улучшениях генерации относительно Janus-Pro-7B. Модель предназначена для создания и редактирования изображений по текстовым инструкциям. README отмечает, что качество данных ShareGPT-4o-Image основано на дистилляции GPT-4o-Image, но это не означает сопоставимых возможностей самой Janus-4o: по общей производительности она уступает GPT-4o-Image. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

LongCat-Image — двуязычная открытая модель генерации изображений по текстовому описанию, разработанная Meituan. Она предназначена для создания изображений, в том числе фотореалистичных сцен, и уделяет особое внимание точному отображению китайских надписей и поддержке английских промптов. Модель содержит 6 млрд параметров. В карточке указаны форматы Diffusers и Safetensors; для запуска предлагается библиотека Transformers. Авторы сообщают о высокой эффективности по сравнению с рядом более крупных открытых моделей и об улучшенном покрытии китайских иероглифов. Лицензия Apache-2.0.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-512-MultiImage на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

zeromodels/metaclip2_worldwide_huge_378 — конверсия MetaCLIP 2 от zeromodels в формат Keras 3. Это двухкодерная модель архитектуры CLIP: она сопоставляет изображения и текстовые описания в общем пространстве признаков и предназначена для классификации изображений без обучения на целевых классах. Версия worldwide обучена на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов, поэтому запросы-классы можно задавать на разных языках. Модель подходит для классификации изображений по текстовым меткам, в том числе для многоязычных сценариев и работы с классами, не заданными при обучении. Реализация Keras 3 запускается на TensorFlow, PyTorch и JAX; процессор подбирает размер изображения и токенизатор для варианта модели. Репозиторий содержит веса в формате TensorFlow. Модель основана на facebook/metaclip-2-worldwide-huge-378. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях. Точные ограничения качества и поддерживаемые размеры входных изображений в предоставленных материалах не описаны.

Карточка модели Sirapasteve/my-video-sandbox на Hugging Face совпадает с карточкой FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers, поэтому описание составлено по ней. FastDM/Wan2.2-I2V-A14B-Merge-Lightning-V1.0-Diffusers — объединённая модель генерации видео, созданная слиянием Wan-AI/Wan2.2-I2V-A14B-Diffusers и Wan2.2-Lightning v1. Она принимает исходное изображение и текстовое описание, чтобы создать видеоролик; в примере запуска указаны разрешение 480×832, 81 кадр, частота 16 кадров/с и четыре шага генерации. Модель предназначена для сценариев image-to-video и доступна в формате Diffusers с весами Safetensors. Модель основана на диффузионной MoE-модели Wan2.2-I2V-A14B, для которой в метаданных указана генерация видео 480p или 720p по изображению и тексту. Репозиторий распространяется по лицензии MIT. Пример использования FastDM дополнительно показывает режим FP8 и параметр guidance scale 1.0.

RainbowPiBubbles/Nathanael-Embedding-8M — компактная энкодер-свободная модель зрения и языка на базе SupraLabs/SupraCMA-8M. Она предназначена для извлечения признаков из текста и изображений: принимает токены текста, пиксели изображения и признак наличия изображения, а выдаёт представления в скрытом пространстве языковой модели. Визуальные представления дистиллированы с использованием эмбеддингов SigLIP-2; вместо отдельного тяжёлого визуального энкодера используются математические патчи, отображающие визуальные токены в целевое представление. Модель доступна в форматах SafeTensors и ONNX: FP32 рассчитан на CPU и WASM, а FP16 — на ускорение через WebGPU или WebGL. Граф ONNX включает масштабирование и нормализацию изображений, что подходит для интеграции в браузерные и терминальные приложения. Лицензия — MIT. Карточка не описывает конкретные сценарии генерации ответов по изображениям, поэтому модель следует рассматривать прежде всего как средство извлечения признаков, а не как полноценный чат-интерфейс.

AbstractPhil разработала Qwen3.5-0.8B-json-captioner — компактную мультимодальную модель на архитектуре Qwen3.5 с примерно 873 млн параметров. Это самостоятельный чекпойнт, полученный слиянием базовой Qwen/Qwen3.5-0.8B и LoRA-адаптера AbstractPhil/qwen3.5-0.8b-task_1-lora-v2; для запуска адаптер отдельно не нужен. Модель предназначена для извлечения из изображения буквального, привязанного к исходным данным описания в формате JSON по фиксированной схеме: объекты с атрибутами, действия и тип обстановки. Основной сценарий — подготовка структурированных подписей для обучающих конвейеров. Модель принимает изображение; также README описывает режим с текстовым промптом вместо изображения. Для ожидаемой структуры при генерации необходимо передать системный промпт и описание инструмента из обучающего набора. Хотя модель поддерживает зрительный ввод, адаптер обучался на преобразовании текстовых подписей в JSON, а не непосредственно на изображениях, поэтому текстовый режим может быть надёжнее. Модель мала и специализирована: она не предназначена для общего диалога, ответов на вопросы об изображениях или творческих подписей. Вывод ограничен заданной схемой; поля style и mood всегда равны null. Репозиторий использует safetensors и библиотеку Transformers, лицензия — Apache-2.0.

unsloth/Qwen-Image-GGUF — квантованная версия модели Qwen-Image, разработанной командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и их редактирования, включая создание сцен в различных художественных стилях, фотореалистичных изображений, иллюстраций и дизайна с интегрированным текстом. Модель распространяется в формате GGUF и использует методологию Unsloth Dynamic 2.0, при которой важные слои переводятся в более высокую точность для сохранения качества. Заявлена поддержка английского и китайского языков; особенно сильной стороной считается отображение текста на изображениях, включая китайские иероглифы, с сохранением типографики, структуры и соответствия контексту. Также заявлены развитые возможности точного редактирования изображений и поддержка разных соотношений сторон. К ограничениям относятся необходимость совместимого программного обеспечения и аппаратных ресурсов для работы с GGUF, а также отсутствие в представленных данных подробностей о размере модели, точной архитектуре, максимальном контексте и конкретных требованиях к памяти. Лицензия — Apache-2.0.

rf-detr-mobile-gui-detection — модель обнаружения объектов на изображениях, разработанная на основе Roboflow/rf-detr-medium и предназначенная для локализации элементов мобильного графического интерфейса. Она использует архитектуру RF-DETR для детекции объектов; в карточке описаны визуальный трансформерный backbone в стиле DINOv2 with Registers, оконная схема внимания, многоуровневый проектор и декодер Deformable DETR. Модель подходит для обнаружения и привязки элементов интерфейса на скриншотах мобильных приложений, например для поиска кнопок и других компонентов по их расположению. Карточка указывает английский язык; опубликованные веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Размер параметров и длина контекста не указаны в использованных материалах.

Sana 1600M 1024px — модель генерации и редактирования изображений по текстовому описанию, разработанная NVIDIA. Она использует архитектуру Linear Diffusion Transformer, текстовый энкодер Gemma2-2B-IT и сжатие латентных признаков DC-AE; размер модели — около 1,65 млрд параметров. Модель рассчитана на изображения базового разрешения 1024 пикселя с разными соотношениями сторон. Семейство Sana также поддерживает генерацию изображений высокого разрешения, вплоть до 4096 × 4096, и заявлено как достаточно быстрое для запуска на GPU ноутбука. Модель подходит для создания иллюстраций и концептов по промптам, творческих и образовательных инструментов, а также исследований генеративных моделей. Карточка указывает английский и китайский языки. Лицензия — Apache 2.0; также действуют условия использования Gemma 2 и политика запрещённого использования Google. Модель не предназначена для достоверного изображения реальных людей и событий. Фотореализм несовершенен, сложный читаемый текст и анатомические детали, например пальцы, могут генерироваться неправильно; латентное автокодирование приводит к потере информации.

SigLIP SoViT-400m — мультимодальная модель Google для сопоставления изображений и текста, предварительно обученная на наборе WebLI. Она использует архитектуру SoViT-400m и функцию потерь Sigmoid Loss, которая обучает модель на парах изображение–текст без нормализации по общей матрице сходства. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска изображений по текстовому запросу или текста по изображению. При обработке используются изображения RGB, а текст токенизируется с ограничением 64 токена. В README приведено несоответствие разрешения: описание говорит о предобучении при 224×224, а раздел предобработки — о приведении изображений к 384×384; это следует учитывать при настройке входов. Поддерживаемые языки текстовой части отдельно не перечислены. Лицензия — Apache-2.0.

Это форк модели Stable Diffusion XL Base 1.0, который поддерживает mainbrains; исходная модель разработана Stability AI. Это латентная диффузионная модель для генерации и редактирования изображений по текстовым запросам. Она использует два предварительно обученных текстовых энкодера — OpenCLIP-ViT/G и CLIP-ViT/L — и может работать самостоятельно или как первый этап конвейера с отдельной моделью-refiner для финального денойзинга. Репозиторий также описывает интеграцию с ComfyUI для создания VFX-референсов и пакетной генерации. Модель подходит для создания иллюстраций, дизайн-материалов и визуальных референсов, а также для творческих и образовательных инструментов. README указывает, что она уступает в фотореализме, плохо отображает читаемый текст и сложные пространственные отношения; лица и люди могут получаться некорректно, а декодирование изображений является lossy. Возможны усиление социальных предубеждений и генерация изображений, не соответствующих фактам. В README указана лицензия CreativeML Open RAIL++-M, а метаданные обозначают её как openrail++.

ta_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для распознавания тамильского текста на изображениях и может использоваться как модуль распознавания в конвейере OCR, который также включает обнаружение строк и, при необходимости, коррекцию ориентации и геометрии изображения. Модель принимает изображения строк и возвращает распознанный текст; в README для неё указана точность 87,65% по строгому критерию, где ошибка в любом символе делает всю строку неверной. Мобильный вариант ориентирован на эффективную работу. Для полного распознавания текста на документе или изображении модель следует применять вместе с детектором текста и другими необходимыми модулями PP-OCRv5. Карточка не сообщает размер модели и длину контекста. Лицензия — Apache-2.0.

MCG-NJU/videomae-small-finetuned-kinetics — компактная модель классификации видео на основе VideoMAE, разработанная командой MCG-NJU и дообученная на размеченном наборе Kinetics-400 после 1600 эпох предварительного самообучения. Она использует архитектуру Transformer, близкую к Vision Transformer: видео разбивается на пространственные патчи размером 16×16, а представление токена CLS используется для классификации. Модель содержит 28,3 млн параметров и присваивает видео одну из 400 меток Kinetics-400. Модель подходит для распознавания действий и других категорий, представленных в Kinetics-400, например для автоматической разметки видеоклипов и анализа видеоконтента. В описанной оценке она достигает точности top-1 79,0% и top-5 93,8% на тестовой выборке Kinetics-400. Карточка не приводит поддерживаемые языки, поскольку модель классифицирует видео, а не текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Карточка модели serhatbozkurt/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.