I.8Изображения и компьютерное зрение

BreathOfTheWild Diffusion — модель генерации изображений по тексту, обученная автором на скриншотах The Legend of Zelda: Breath of the Wild и нескольких скриншотах Hyrule Warriors. Для отсылки к стилю автор рекомендует добавлять в запрос токен «botw style». Модель предназначена для создания пейзажей и портретов в эстетике игр серии Zelda. По словам автора, пейзажи получаются хорошо, а портреты могут напоминать Линка и Зельду. Результат не всегда легко менять с помощью запросов; для портретов автор предлагает попробовать формулировку «portrait of». Модель опубликована в формате Diffusers с весами Safetensors и имеет лицензию CreativeML OpenRAIL-M, условия которой ограничивают некоторые варианты использования. Автор описывает её как исследовательский и развлекательный проект и не планирует коммерческое применение.

Это специализированная LoRA-адаптация для генерации и трансформации видео в тематике anthro furry. Модель создана пользователем или организацией Muapi и основана на LTXV 2.3, связанном с базовой моделью Lightricks/LTX-Video. В карточке также указана совместимость с I2V-сценариями LTX-2.3 и Wan2.2 I2V A14B, однако точная архитектура, количество параметров и поддерживаемые языки не раскрыты. Модель предназначена для text-to-video и image-to-video задач, в частности для создания видео с превращением персонажей в антропоморфных furry-персонажей. Для активации специализации рекомендуется использовать обученное слово furrytransformation1. В примере указаны разрешение 768×512 и 97 кадров, но это параметры конкретного запроса, а не обязательно жесткие ограничения модели. Сильная сторона — узкая тематическая специализация; ограничение — вероятная зависимость качества от базовой модели, силы LoRA и корректности промпта. Лицензия указана как openrail++.

MF-KonoSuba — модель генерации изображений по текстовому описанию, посвящённая персонажам и миру серии «Этот замечательный мир!». В карточке указаны авторы Juusoz, 金Goldkoron, Khalil, LightUK и SamuraiCat; доступны версии V1.0 и V1.1. Метаданные относят её к семейству Stable Diffusion и указывают форматы Diffusers и PyTorch. Модель предназначена для создания изображений персонажей, сцен и сюжетов KonoSuba по текстовым промптам. Для промптов авторы рекомендуют задавать главную тему или персонажа, затем перечислять атрибуты и действия через запятые, а отдельные сцены разделять точками с запятой. В README приведены настройки размеров и генерации, включая CFG 9–12 и не менее 30 шагов. Модель специализируется на визуальной тематике KonoSuba; карточка не сообщает размер весов, длину контекста или поддерживаемые естественные языки. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении сгенерированных материалов.

NCS-v1-3d-base — трёхмерная базовая модель для извлечения признаков из сейсмических данных. Её разработали Norwegian Computing Center совместно с Equinor ASA и AkerBP ASA; для предобучения использованы сейсмические кубы Норвежского континентального шельфа из публичной базы DISKOS. Модель построена на архитектуре ViT MAE, расширенной на 3D: она разбивает сейсмические подтома на трёхмерные патчи и обрабатывает их трансформерным энкодером. Для позиционного кодирования применяется LieRE, позволяющее выполнять инференс на объёмах разного разрешения. В репозитории указано 113,2 млн параметров; веса представлены в формате safetensors. Лицензия — Apache-2.0. Полученные признаки предназначены для дообучения под задачи интерпретации сейсмики: классификации фаций, сегментации соляных тел, обнаружения геологических структур, поиска похожих сейсмических фрагментов и отслеживания горизонтов и событий. Модель предобучена на данных одного региона, поэтому её переносимость на иные геологические области и типы сейсмических данных может требовать проверки и адаптации.

Pony Diffusion — латентная модель генерации изображений по текстовому описанию, созданная AstraliteHeart. Чекпойнт дообучен на базе ранней версии Waifu-Diffusion, построенной поверх Stable Diffusion v1.4. Для дообучения использовали около 80 тысяч пар изображений и тегов с Derpibooru: материалы с оценкой выше 500 из категорий safe и suggestive; обучение прошло за четыре эпохи.

starsfriday/Qwen-Image-EVA-LoRA — это адаптер LoRA для модели Qwen/Qwen-Image, разработанный AI Laboratory компании Chongqing Valiant Cat Technology Co., LTD. Модель предназначена для генерации изображений по текстовому описанию, прежде всего портретов и сцен с персонажами Asuka из японского аниме. Для активации адаптера используется триггерная фраза «mrx». Адаптер работает совместно с базовой моделью Qwen-Image через Diffusers или ComfyUI и распространяется в формате Safetensors. В README приведены примеры генерации аниме-персонажей, включая сцены с повседневной одеждой, юкатой и меха. Поддерживаются текстовые запросы на английском и китайском языках, однако полный перечень языков, размер модели и максимальная длина контекста не указаны. Сильная сторона модели — специализация на определённой аниме-эстетике и персонажах, что может повысить соответствие результату при использовании триггерной фразы и подходящего описания. Ограничение заключается в необходимости загрузки базовой модели Qwen-Image; универсальность, качество за пределами целевого стиля и требования к ресурсам отдельно не описаны. Лицензия — Apache 2.0.

Aphophis420 разработал модель stargate как DreamBooth-дообучение Stable Diffusion для создания изображений по текстовым запросам. Она предназначена для генерации изображений в концепции «звёздных врат»: в примерах показан большой синий портал с инопланетными технологиями в научно-фантастическом стиле, в том числе обои и симметричные композиции. В карточке приведены примеры промптов и настройки генерации для A1111 и Diffusers. Модель принимает текст и выдаёт изображения. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не описывает широкий круг задач; показанные примеры сосредоточены на порталах и визуальной тематике Stargate.

timesformerGPscroll1 — небольшая модель архитектуры TimeSformer, разработанная Юссефом Надером в составе команды, победившей в главном зачёте Vesuvius Challenge 2023. Модель обучена сегментировать изображения для обнаружения чернил в трёхмерных сканах древних свитков. На вход подаётся 3D-изображение, на выходе модель формирует двумерную карту обнаруженных чернил размером примерно в 1/16 от входного изображения. В метаданных Hugging Face указана задача feature-extraction и библиотека Transformers; веса представлены в формате safetensors. Лицензия — MIT. Модель специализирована на поиске чернил в сканах свитков и не предназначена для общего распознавания изображений или текста. Репозиторий отмечен как архивный; для работы README указывает зависимости Transformers и timesformer-pytorch.

optimum-intel-internal-testing/tiny-random-latent-consistency — небольшая тестовая модель организации Optimum Intel Internal Testing, размещённая на Hugging Face. Она предназначена для генерации изображений по текстовому описанию и используется через Diffusers с конвейером LatentConsistencyModelPipeline. Модель относится к семейству latent consistency и поддерживает задачу text-to-image; в карточке также указаны форматы Safetensors и библиотека Diffusers. Надёжные сведения о точной архитектуре, числе параметров, размере, языках, длине контекста и модальностях, кроме текстового ввода и генерации изображений, не приведены. Судя по названию tiny-random и принадлежности к internal-testing, это демонстрационный или тестовый вариант, а не полноразмерная модель для получения качественных производственных результатов; её сильная сторона — проверка совместимости и работы интеграций Diffusers. Модель распространяется по лицензии Apache-2.0. Подробная документация отсутствует: README в карточке модели пуст, а модель не предоставляется через Inference Providers. Поэтому её практические ограничения, качество генерации и рекомендуемые параметры использования не описаны.

ATOMIC-Gemma — специализированная зрительно-языковая модель для работы с изображениями просвечивающей электронной микроскопии (TEM), разработанная авторами проекта ATOMIC. Модель дообучена методом instruction tuning второго этапа на базе Google Gemma 3 4B IT; для обучения использовано 60 тысяч диалогов по TEM. Модель предназначена для диалога и ответов на вопросы по микроскопическим изображениям, в том числе для научных сценариев в материаловедении. Она принимает изображения и текстовые запросы и формирует текстовые ответы. В карточке указана лицензия Gemma. README отмечает, что модель создана после срока подачи статьи ECCV 2026 и не входит в опубликованную работу; она служит демонстрацией переноса обучающего конвейера ATOMIC на другую архитектуру.

furaidosu/flux-lora-bad-taxidermist — стилевой LoRA-адаптер для модели FLUX.1-dev, разработанной Black Forest Labs. Он предназначен для генерации изображений по текстовому описанию в характерной эстетике «bad taxidermist»: мрачной, гротескной, сюрреалистичной и намеренно неестественной, с образами таксидермизированных животных, странных существ, жутких сцен и искажённых пространств. Модель используется в задачах text-to-image через экосистему Diffusers и рассчитана на добавление к промпту триггерной фразы «bad taxidermist style». В README приведены примеры генерации осьминогов, льва, лошади, белки, инопланетянина, фантастического существа и сюрреалистичных интерьеров. Рекомендуемый размер изображения — 1024×1024 пикселя. Указан английский язык; конкретные параметры LoRA, её размер и максимальная длина контекста не раскрыты. Сильная сторона адаптера — выраженная тематическая стилизация, позволяющая переносить гротескную эстетику на широкий спектр объектов и сюжетов. Ограничения связаны с узкой художественной направленностью, возможной зависимостью результата от базовой FLUX.1-dev и корректного использования триггерной фразы, а также с отсутствием подробных сведений о параметрах и качестве обучения. Модель распространяется по лицензии flux-1-dev-non-commercial-license, поэтому её использование ограничено некоммерческими сценариями согласно условиям этой лицензии.

MyneFactory/MF-Bofuri — модель генерации изображений по текстовому описанию, обученная на персонажах и образах из аниме «Бофури: Я не хочу получать боль, поэтому вложу всё в защиту». Она создана на базе ACertainty и дообучена на 33 концепциях, связанных с произведением; для генерации использует Stable Diffusion и библиотеку Diffusers. В репозитории представлены форматы Diffusers, PyTorch и Safetensors, а также промежуточные контрольные точки в формате ckpt. Модель предназначена для создания аниме-иллюстраций с конкретными персонажами, костюмами и образами из серии. Можно сочетать два концепта в одной сцене, однако при трёх и более концептах часто возникают смешение персонажей и одежды. Автор отмечает слабые результаты для образа BoMaple sheep form и нечеловеческих персонажей, в том числе нестабильное понимание внешности и размера Syrup. Обучение проведено на 512 пикселях; лицензия — CreativeML Open RAIL-M.

Minoumimi/NIKKE-Pony — это LoRA-адаптер для генерации изображений по текстовому описанию, созданный пользователем Minoumimi и предназначенный для базовой модели LyliaEngine/Pony_Diffusion_V6_XL. Модель специализируется на персонажах и образах из Goddess of Victory: NIKKE, включая внешность, причёски, одежду и тематические атрибуты героинь. Для вызова персонажей используются специальные идентификаторы вроде NIKKE_Ade, NIKKE_Alice и NIKKE_Dorothy, обычно в сочетании с описательными тегами. Модель рассчитана на сценарии text-to-image в экосистеме Diffusers и нацелена на создание стилизованных аниме-изображений персонажей NIKKE в различных костюмах и композициях. В README перечислены многочисленные персонажи и варианты их образов, однако сведения о размере LoRA, рекомендуемых параметрах веса, разрешении, длине контекста, языках, точной архитектуре адаптера и поддерживаемых версиях библиотек не указаны. Модель работает с текстовыми промптами и не заявляет поддержку других модальностей. Сильная сторона адаптера — специализация на узнаваемых персонажах и детализированных визуальных признаках, включая одежду, аксессуары и альтернативные наряды. Ограничения связаны с зависимостью от базовой Pony_Diffusion_V6_XL и отсутствием подробных рекомендаций по настройке и качеству генерации; перечисленные в README персонажи также могут поддерживаться неравномерно. Лицензия модели указана как Apache-2.0.

OpenMed разработала Qwen2.5-3B-MedVL — медицинскую модель визуальных вопросов и ответов, полученную дообучением Qwen/Qwen2.5-VL-3B-Instruct на примерно 200 тысячах медицинских записей VQA из конвейера SynthVision. Это плотная мультимодальная модель семейства Qwen2.5-VL с 3,1 млрд параметров; она принимает текстовые вопросы вместе с изображениями и формирует ответы на естественном языке. Размер контекста по метаданным — 128 000 токенов. Модель предназначена для ответов на вопросы по медицинским изображениям, в том числе для описания ключевых находок на рентгенограммах грудной клетки. В README приведены результаты Exact Match на VQA-RAD, PathVQA и SLAKE: после дообучения средний показатель вырос с 0,4503 до 0,4903 относительно базовой модели. Эти результаты относятся к указанным наборам и не подтверждают клиническую пригодность модели. Модель распространяется под лицензией Apache-2.0. Она ориентирована на медицинский визуальный анализ и не заявлена как система для постановки диагноза или принятия клинических решений.

TARDISfusion — модель генерации изображений на основе Stable Diffusion, созданная Guizmus методом DreamBooth. Она дообучена на 209 изображениях и трёх стилевых концепциях; обучение выполнено за 2500 шагов с новой версией VAE. Специальные фразы Classic Tardis style, Modern Tardis style и Tardis Box style позволяют создавать изображения в классическом или современном интерьере ТАРДИС либо снаружи с её синей будкой в разных сценах. Модель предназначена для генерации изображений по текстовым запросам и доступна через StableDiffusionPipeline библиотеки Diffusers. Репозиторий содержит веса в формате safetensors и поддерживает Diffusers; указана лицензия CreativeML OpenRAIL-M. Небольшой обучающий набор и узкая специализация на трёх концепциях ограничивают её применение за пределами стилизации, связанной с ТАРДИС.

Vulcan Diffusion — модель генерации изображений на основе Stable Diffusion, дообученная на скриншотах вулканцев из франшизы «Звёздный путь». Для появления характерного образа в запросе рекомендуется использовать токен «vulcan». Модель предназначена для создания изображений персонажей и сцен с вулканцами по текстовому описанию. Модель обучена методом DreamBooth с использованием библиотеки Diffusers; репозиторий содержит веса в форматах Diffusers и PyTorch. Указана лицензия CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

AbydosNoobv-pred-1.1.0 — дообученная диффузионная модель RedRayz на базе Laxhar/noobai-XL-Vpred-1.0 для генерации изображений в стиле Blue Archive по текстовым промптам. Модель использует архитектуру SDXL и распространяется в форматах Diffusers и Safetensors. Автор сообщает об улучшенной стабильности и рендеринге теней. В карточке приведены рекомендуемые параметры генерации: 14–24 шага, Guidance Scale 2–5 и несколько вариантов сэмплера и планировщика; также описан сценарий увеличения разрешения через Hires.fix. Это специализированный художественный чекпойнт, ориентированный на стилизацию, а не универсальная модель генерации изображений. Лицензия Fair AI Public License 1.0-SD требует при изменении модели публиковать изменения вместе с исходной лицензией. README также запрещает монетизацию закрытой производной модели, если её исходный код, веса и использование недоступны публике.

Not Your Mary Diffusion — экспериментальная модель генерации изображений на основе Stable Diffusion, обученная автором SenorKaffee на видеороликах с кат-сценами из игры Silent Hill 2. Для вызова усвоенного визуального эффекта в запросе рекомендуется использовать токен notyourmary. Модель предназначена для создания изображений по текстовым описаниям в стиле и с персонажами, связанными с материалами обучения. Обучение выполнено методом DreamBooth с использованием Diffusers, сохранения prior и дообучения текстового энкодера за 1 000 шагов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Автор характеризует модель как экспериментальную; возможны артефакты и нестабильное воспроизведение образов.

TheLastBen/rick-roll-style — модель Stable Diffusion версии V2.1-768, обученная TheLastBen на 130 изображениях. Карточка описывает 1200 шагов обучения UNet и 400 шагов обучения текстового энкодера. Модель предназначена для генерации изображений по текстовым запросам в стиле Rickroll; пример запроса — «(anthropomorphic) chicken rckrll, closeup». Она распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Модель рассчитана на создание изображений по тексту и не описана как универсальная генеративная модель. Карточка не приводит оценки качества или подробностей о составе обучающих данных сверх их количества.

sally-whitemanev — пользовательская модель текстовой генерации изображений, опубликованная в библиотеке SD DreamBooth. Это дообучение AnythingV3 FP16 на изображениях персонажа Sally Whitemane из World of Warcraft; в карточке описаны варианты чекпойнта, включая версии, обученные на 21 изображении, и основной файл dbwhitemane.ckpt, обученный на 39 изображениях. Для генерации используется триггер whitemanedb. Репозиторий содержит веса в формате Diffusers/PyTorch и предназначен для работы с Stable Diffusion. Модель подходит для создания изображений персонажа по текстовым запросам. Автор рекомендует VAE от NovelAI, Anything или Waifu Diffusion и CLIP skip 2. Примеры настроек включают 45 шагов, сэмплер Euler a, CFG 7 и размер 512×512. Лицензия — CreativeML OpenRAIL-M.

Wan 2.2 General NSFW LoRA — адаптер LoRA для модели Wan-AI/Wan2.2-I2V-A14B. Модель размещена пользователем lopi999 и представляет собой зеркало версии с Civitai. Она предназначена для генерации изображений или визуального контента с использованием diffusion-пайплайна и базовой модели Wan 2.2 I2V; по названию и триггерному слову ориентирована на NSFW-сценарии. Для активации адаптера в запросе рекомендуется использовать триггерное слово «nsfwsks». В README не указаны размер адаптера, точные параметры LoRA, поддерживаемые языки, максимальный контекст, перечень модальностей сверх заявленной совместимости с I2V или конкретные требования к вычислительным ресурсам. В качестве ключевой характеристики указана совместимость с Wan-AI/Wan2.2-I2V-A14B и экосистемой Diffusers. Сильной стороной модели является специализированная адаптация базовой Wan 2.2 для соответствующего визуального сценария при сохранении возможности использовать возможности исходной I2V-модели. Ограничения, качество на разных типах входных данных и рекомендуемые значения параметров в README не описаны. Лицензия и условия коммерческого использования также не указаны; перед применением необходимо проверить условия базовой модели и исходной версии на Civitai.

EchoVLM — мультимодальная модель для анализа ультразвуковых изображений, представленная Chaoyin She и Ruifang Lu как реализация исследования об универсальном ультразвуковом интеллекте. Это дообученная версия Qwen/Qwen2-VL-7B-Instruct с архитектурой Qwen2-VL и динамической смесью экспертов; в репозитории указаны веса safetensors и поддержка диалогового режима с изображениями. Модель принимает изображения и текстовые запросы, а ответы формирует текстом. Она предназначена для задач ультразвуковой диагностики и ответов на вопросы по УЗИ; карточка связывает её с медицинскими датасетами EchoVLM-Dataset и EchoVLM-Thyroid. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов и язык zh. Лицензия — Apache-2.0. README описывает исследовательскую реализацию и упоминает будущую версию V2, поэтому качество и клиническая пригодность этой версии отдельно не подтверждены. Также README сообщает о более поздней instruction-tuned версии на основе Lingshu-7B, но метаданные указанного репозитория связывают эту модель с Qwen2-VL-7B-Instruct; описание относится к идентификатору chaoyinshe/EchoVLM.

Genevieve Release v1.0 — модель Xanthius для генерации изображений по текстовым запросам. Она обучена на созданном автором вымышленном персонаже Genevieve и предназначена для создания изображений с её внешностью в собственных творческих проектах. Модель распространяется в форматах Diffusers и PyTorch и может использоваться через Diffusers или интерфейс A1111. Автор сообщает, что персонаж не основан на реальном человеке и разрешает коммерческое и некоммерческое использование модели и её образа. Лицензия репозитория — MIT. В README отмечено, что показанные примеры были ранними сырыми результатами без коррекции лица и с числом шагов менее 40; отдельных данных о качестве или универсальности модели нет.

photonmz/llava-roco-8bit — квантованная 8-битная версия мультимодальной модели BabyDoctor, разработанной Маркусом Чжаном и Виром Чау. Модель построена на архитектуре LLaVA с языковой частью LLaMA 2-7B-Chat и визуальным энкодером CLIP-L; в карточке указано дообучение для интерпретации радиологических изображений. По метаданным, модель содержит 6,6 млрд параметров, использует PyTorch и имеет контекст 2048 токенов. Модель принимает медицинские изображения, включая рентгеновские снимки, УЗИ, МРТ и КТ, и формирует англоязычные текстовые ответы в формате медицинского помощника. Она предназначена для исследований и академических проектов, а не для готовых пользовательских медицинских сервисов. Лицензия в метаданных — AFL-3.0; README также указывает ограничения лицензий LLaMA 2, CLIP, GPT-4 и LLaVA и заявляет исследовательское назначение. Модель может ошибаться и не заменяет профессиональную медицинскую консультацию; её оценивали на более узком наборе задач, чем базовые модели LLaMA 2. README предписывает использовать её только на английском языке и не считает готовой для производственного применения.

raks87/resnet-18-finetuned-cifar10 — сверточная модель ResNet-18 для классификации изображений, полученная дообучением microsoft/resnet-18. Базовая ResNet-18 обучена на ImageNet-1k; в README указано, что эта версия дообучена на неизвестном наборе данных, несмотря на название CIFAR-10. Модель принимает изображения и предсказывает классы. В README приведена точность 0,1017 на оценочном наборе и значение loss nan, поэтому результат не подтверждает надёжное качество классификации. Модель распространяется в формате safetensors по лицензии Apache-2.0.

optimum-intel-internal-testing/tiny-random-stable-diffusion-with-safety-checker — небольшая тестовая модель из экосистемы Diffusers, предназначенная, судя по идентификатору, для внутреннего тестирования Stable Diffusion с компонентом safety checker. Она относится к задачам генерации изображений по текстовому описанию и проверки связки генеративной модели с механизмом контроля безопасности. В README не указаны разработчик, точная архитектура, число параметров, поддерживаемые языки, размер контекста, модальности, результаты оценки, учебные данные и требования к вычислительной инфраструктуре. Название tiny-random указывает на уменьшенную случайно инициализированную конфигурацию, поэтому модель, вероятно, пригодна прежде всего для тестов, отладки и проверки интеграции, а не для получения качественных изображений в прикладных сценариях. Лицензия и условия использования в предоставленных данных не указаны. Ограничения качества, характеристики safety checker и количественные показатели безопасности также не описаны, поэтому модель не следует рассматривать как подтверждённое средство фильтрации или как production-ready генератор изображений.

Minoumimi/NIKKE-Illustrious — LoRA-модель для генерации изображений, разработанная для использования с базовой моделью calcuis/illustrious в экосистеме Diffusers. Она специализируется на персонажах и образах из Goddess of Victory: NIKKE, включая Ade, Admi, Alice, Anis, Blanc, Cinderella, Dorothy, Drake, Emma, Guillotine и многих других. Для вызова отдельных персонажей README указывает специальные текстовые идентификаторы и наборы описательных тегов внешности, одежды и аксессуаров. Модель предназначена для text-to-image генерации и может применяться при создании иллюстраций персонажей NIKKE в различных костюмах и сценических образах. Это адаптер LoRA, поэтому для работы требуется совместимая базовая diffusion-модель; конкретный размер, параметры обучения, рекомендуемые веса, разрешение и языки текстовых запросов не указаны. Основное ограничение — узкая специализация на перечисленных персонажах и связанных с ними визуальных признаках, поэтому универсальность за пределами этой тематики не подтверждена. Лицензия — Apache-2.0.

SEA-CLIP-Tiny ablation «Only Mammoth» — мультимодальная модель семейства CLIP, опубликованная как один из вариантов эксперимента SEA-CLIP-Tiny для ACCV 2026. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на новых классах, а также для поиска соответствий между изображениями и текстом. Вариант отличается от основной модели составом обучающей смеси: использовался только источник данных Mammoth. Модель построена на OpenCLIP: визуальный энкодер ViT-T/16 сочетается с 12-слойным текстовым энкодером шириной 384; размер общего пространства эмбеддингов — 512. Всего модель содержит 46,11 млн параметров. CLIP BPE-токенизатор имеет контекстное окно 77 токенов. Карточка указывает поддержку английского, индонезийского, яванского, сунданского, малайского, тайского, вьетнамского и бирманского языков. В приведённых результатах качество невысокое: точность zero-shot на ImageNet составляет 0,5%, а средний R@1 для указанных наборов поиска изображений и текста — 0,5%. Модель распространяется под лицензией MIT; её экспериментальная абляция может быть полезна для сравнений и воспроизведения результатов, но результаты не указывают на готовность к практическому применению.

hf-tiny-model-private/tiny-random-OwlViTModel — тестовая модель из набора HF tiny models, размещённая организацией hf-tiny-model-private на Hugging Face. Она основана на архитектуре OWL-ViT, разработанной авторами из Google Research и интегрированной в библиотеку Hugging Face Transformers. Назначение конкретного репозитория — извлечение признаков из изображений и текста; это базовая модель без специализированной головы обнаружения объектов. OWL-ViT — мультимодальная модель с двумя Transformer-энкодерами: Vision Transformer для изображений и причинным языковым Transformer для текста, объединёнными CLIP-подобными проекциями. Полная архитектура применяется для открытого словаря и zero-shot обнаружения объектов по текстовым запросам, однако данный репозиторий имеет имя tiny-random и предназначен прежде всего для тестирования совместимости, а не для прикладного вывода. Точные размеры, параметры, языки, длина контекста и качество этой конфигурации в карточке модели не указаны; веса, вероятно, случайно инициализированы. Лицензия для конкретного репозитория не указана.

optimum-intel-internal-testing/tiny-random-stable-diffusion-xl — тестовая модель, опубликованная организацией Optimum Intel Internal Testing на Hugging Face и зеркалирующая репозиторий echarlaix/tiny-random-stable-diffusion-xl. Она предназначена для генерации изображений по текстовому описанию и используется через Diffusers с конвейером StableDiffusionXLPipeline. В репозитории представлены компоненты scheduler, два text encoder, два tokenizer, UNet и VAE; общий размер файлов указан как 11,4 МБ. Точные число параметров, контекст, поддерживаемые языки и дополнительные модальности не указаны. Название tiny-random и тестовый характер репозитория указывают на предназначение для проверок совместимости и разработки, а не на получение качественных изображений; опубликованные материалы не содержат бенчмарков или описания сильных сторон. Модель имеет лицензию Apache-2.0.