I.8Изображения и компьютерное зрение

BK-SDM-Base-2M — сжатая модель Stable Diffusion для генерации изображений по текстовому описанию, разработанная авторами проекта BK-SDM. Это вариант с удалёнными блоками U-Net и предварительным обучением методом дистилляции; для версии 2M использовано около 2,3 млн пар LAION Aesthetics V2 6.25+, что в десять раз больше данных, чем в предыдущем выпуске BK-SDM. Полная модель содержит около 0,76 млрд параметров, из них 0,58 млрд приходится на U-Net. Модель предназначена для синтеза изображений по текстовым запросам. В опубликованной оценке генерация с разрешением 512×512 и последующее сравнение на MS-COCO показали улучшение метрик относительно предыдущей BK-SDM-Base. Модель можно запускать через Diffusers; приведённый в карточке пример использует планировщик PNDM и 50 шагов денойзинга. Лицензия — CreativeML OpenRAIL-M; применяются ограничения использования Stable Diffusion v1.

DFloat11/FLUX.1-Canny-dev-DF11 — это без потерь сжатая версия модели black-forest-labs/FLUX.1-Canny-dev, подготовленная проектом DFloat11, связанным с LeanModels. Модель предназначена для генерации изображений по текстовому описанию с управлением структурой изображения через Canny-карту или другое контрольное изображение, используя pipeline FluxControlPipeline. Сжатие выполняется в формате DFloat11 с применением Huffman-кодирования экспонент чисел BFloat16 и аппаратно-ориентированной распаковки непосредственно на GPU. Заявлено снижение потребления памяти GPU примерно на 30% при побитово идентичных результатах по сравнению с исходной моделью BFloat16. Веса хранятся в сжатом виде и распаковываются перед матричными умножениями, без необходимости CPU-декомпрессии или передачи данных между CPU и GPU. Для работы требуются совместимые с CUDA GPU, PyTorch, пакет dfloat11 с соответствующей версией CUDA, а также diffusers и controlnet_aux. В README приведён сценарий генерации изображений размером 1024×1024 за 50 шагов с использованием текстового промпта и Canny-контроля. Ограничения включают зависимость от CUDA-окружения и необходимость использования специальной интеграции DFloat11; сведения о размере модели, поддерживаемых языках, длине контекста и лицензии в предоставленных данных не указаны.

DeepFloyd IF-II-M-v1.0 — модель генерации изображений по тексту, разработанная DeepFloyd и StabilityAI. Это средний этап каскадной пиксельной диффузионной системы IF: он использует текстовые эмбеддинги T5 и архитектуру UNet с cross-attention, чтобы увеличить изображение с 64×64 до 256×256 пикселей. Размер модели — 450 млн параметров; запуск поддерживается через библиотеку diffusers. Модель подходит для создания и повышения разрешения изображений по текстовым описаниям, особенно на английском языке. Карточка приводит оценку FID-30K 6,66 на COCO, но отмечает, что фотореализм не идеален, а качество на других языках ниже. Модель не предназначена для достоверного изображения реальных людей и событий и может воспроизводить культурные и социальные предубеждения. Для использования требуется принять условия DeepFloyd IF License Agreement. Для работы всей системы IF карточка указывает возможность запуска с 14 ГБ видеопамяти при выгрузке частей модели в CPU.

LazyMix-v4.0-inpainting — модель от The Imposter Imposters для генерации и редактирования изображений методом inpainting по текстовому описанию. Она предназначена для image-to-image сценариев, в которых исходное изображение преобразуется с помощью Diffusers и StableDiffusionInpaintPipeline; модель распространяется в формате Safetensors и рассчитана на использование через библиотеку Diffusers. Модель подходит для локального редактирования изображений и замены или преобразования визуальных элементов по промпту. Репозиторий помечен как содержащий чувствительный контент и потенциально вредные материалы. Лицензия в доступных источниках не установлена.

PP-OCRv6_small_det_onnx — модель обнаружения текста на изображениях из экосистемы PaddlePaddle и PaddleOCR, разработанная командой PaddlePaddle. Она предназначена для OCR-сценариев, где требуется находить текстовые области или строки на изображении перед последующим распознаванием. Модель поставляется в формате ONNX и относится к облегчённой версии PP-OCRv6. В карточке указаны поддерживаемые языки English и Chinese, а также задачи textline detection и image-to-text. Точные сведения об архитектуре, числе параметров, размере контекста и производительности в предоставленных данных отсутствуют. Сильная сторона модели — специализация на обнаружении текстовых строк и возможность использования в ONNX-совместимых средах. Она не предназначена для самостоятельного полноценного распознавания содержимого текста: для получения символов потребуется отдельный OCR-компонент распознавания. Модель распространяется по лицензии Apache 2.0.

Dsaf69/Qwen-Image-Edit-Rapid-AIO-GGUF — это GGUF-квантизированная сборка модели для генерации и редактирования изображений, предназначенная для использования в ComfyUI. Она основана на Phr00t/Qwen-Image-Edit-Rapid-AIO и связана с Qwen/Qwen-Image-Edit-2509 и lightx2v/Qwen-Image-Lightning. В комплект включены LoRA-компоненты для NSFW-сценариев и ускоренной генерации Lightning. README не указывает точный размер модели, поддерживаемые языки и максимальный контекст. Модель рассчитана на text-to-image и image-to-image, включая редактирование изображений за четыре шага с вариантами квантизации Q2_K и Q5_K_M. Это позволяет использовать её в сценариях локальной генерации и редактирования изображений с меньшими требованиями к ресурсам, однако сборка не является полностью автономной: текстовый энкодер и VAE не включены в GGUF и должны быть установлены отдельно. Рекомендуется использовать Qwen2.5-VL-7B-Instruct-abliterated или совместимый текстовый энкодер, соответствующий mmproj-файл и VAE; также требуется заменить узел nodes_qwen.py на исправленную версию. Лицензия — Apache-2.0.

RefControl Pose LoRA — FLUX.2-klein-4B — это адаптер LoRA, разработанный xocialize для базовой модели black-forest-labs/FLUX.2-klein-base-4B. Он предназначен для генерации изображения персонажа в новой позе по двум входным изображениям: OpenPose-совместимому скелету с целевой позой и референсному изображению, задающему личность и внешний вид объекта. Для работы используется edit-путь FLUX.2-klein; модель не является отдельным ControlNet, а представляет собой низкоранговый адаптер DiT. Требуется триггерное слово refcontrol и текстовая инструкция «apply pose from image 1 with reference from image 2». Порядок изображений критичен: изображение 1 — скелет, изображение 2 — референс. Адаптер имеет ранг 32, содержит около 88 МБ и 160 тензоров, нацелен на 60 double-блоков и 40 single-блоков архитектуры flux2_klein_4b; заявлена загрузка в форматах bf16 и int4. Поддерживается image-to-image генерация, а базовая модель рассчитана на визуальные данные; отдельные языковые характеристики и максимальный контекст в README не указаны. Модель обучалась на примерно 1800 тройках «скелет, референс, результат», охватывающих около 110 идентичностей и 25 типов активности. Она особенно подходит для переноса позы персонажа, включая стилизованных персонажей, но качество зависит от корректного COCO-18 OpenPose-скелета и чистоты референса: сложный фон может переноситься в результат. Лицензия Apache-2.0; исходные материалы из Wikimedia Commons и Pexels не распространяются вместе с весами и требуют соблюдения условий их лицензий и атрибуции.

SenseNova-U1-8B-MoT-8step-preview — предварительная мультимодальная модель SenseNova на архитектуре NEO-Unify, представленная в карточке как средство для объединения понимания и генерации. Репозиторий использует библиотеку Transformers и хранит веса в формате safetensors; в названии указаны размер 8B и вариант MoT с 8 шагами. Модель предназначена для мультимодального чата и сценариев преобразования между текстом и изображениями: метаданные отмечают генерацию и редактирование изображений, описание изображений и чередование текста с изображениями. Интерфейс также содержит поддержку вызова инструментов. Лицензия — Apache-2.0. Карточка README краткая и отсылает к публичному репозиторию за инструкциями по использованию; детали контекста, поддерживаемых языков и точного поведения отдельных режимов здесь не приведены.

DFloat11/stable-diffusion-3.5-large-DF11 — это без потерь сжатая версия модели stabilityai/stable-diffusion-3.5-large, подготовленная с использованием формата DFloat11. Она предназначена для генерации изображений по текстовому описанию и сохраняет идентичные исходной модели BFloat16 результаты на уровне битов. Основное преимущество модели — уменьшение размера примерно с 16 до 11,3 ГБ, что позволяет запускать её на видеокартах с 16 ГБ памяти. DFloat11 использует кодирование экспонент BFloat16 методом Хаффмана и аппаратно-ориентированную распаковку непосредственно на GPU во время матричных операций. Сжатые веса остаются в памяти GPU, что снижает требования к памяти без потери точности; заявленная производительность лишь незначительно ниже полной версии. Для работы требуются CUDA-совместимая видеокарта, PyTorch, пакет diffusers и пакет dfloat11 с поддержкой CUDA 11 или CUDA 12. Модель рассчитана на использование через StableDiffusion3Pipeline и может применяться в условиях ограниченного объёма видеопамяти. Языки, максимальный контекст и лицензия в README не указаны.

prolapse/xl4supir — дообученная фотореалистичная модель на базе Stable Diffusion XL Base 1.0, предназначенная для генерации изображений по текстовым запросам с использованием Diffusers. Карточка описывает её как SDXL-модель для SUPIR-апскейла и отмечает фотореалистичную направленность. Модель принимает текстовые запросы и выдаёт изображения. В метаданных указан английский язык. Сведения о размере, контексте и лицензии модели не приведены; условия использования базовой модели могут отличаться от условий этой производной модели.

tanganke/clip-vit-large-patch14_cifar100 — дообученная на CIFAR-100 модель компьютерного зрения на архитектуре CLIP ViT-Large/14 от OpenAI. Она извлекает признаки изображений и предназначена для классификации изображений из 100 классов CIFAR-100 и экспериментов с этим набором данных. Модель содержит около 402,7 млн параметров; репозиторий использует формат Safetensors. В README приведены результаты оценки: 0,7505 для исходной модели и 0,9301 после дообучения. Это значения из карточки, без описания метрики и протокола оценки. Модель принимает изображения и выдаёт векторные представления; лицензия в предоставленных данных не указана.

DFloat11/FLUX.1-dev-DF11 — это сжатая без потерь версия модели FLUX.1-dev, разработанной Black Forest Labs, в формате DFloat11. Модель предназначена для генерации изображений по текстовому описанию с использованием библиотеки Diffusers и pipeline text-to-image. Она ориентирована на запуск FLUX.1-dev в условиях ограниченной GPU-памяти. DFloat11 сжимает веса BFloat16 с помощью кодирования Хаффмана экспонент и аппаратно-ориентированной декомпрессии непосредственно на GPU. Сжатые веса хранятся в памяти GPU и временно распаковываются перед матричными умножениями. По данным README, это снижает потребление GPU-памяти примерно на 30%, не изменяя результаты: выходы побитово идентичны исходной модели BFloat16. Для работы требуются совместимые с CUDA GPU и PyTorch; заявлена поддержка CUDA 11 и CUDA 12. В приведённом примере используются изображения размером 1024×1024, контекст текстовой последовательности до 512 токенов и 50 шагов инференса. Сильные стороны модели — без потерь в качестве и результатах, отсутствие необходимости в декомпрессии на CPU и передачи данных между CPU и GPU, а также более низкие требования к видеопамяти по сравнению с исходной моделью. Ограничения включают зависимость от CUDA-совместимого GPU, PyTorch и специального пакета DFloat11 с CUDA-ядром. Лицензия в README не указана.

DFloat11/FLUX.1-Krea-dev-DF11 — это без потерь сжатая версия модели FLUX.1-Krea-dev, разработанной Black Forest Labs. Модель предназначена для генерации изображений по текстовым описаниям и совместима с pipeline text-to-image. Сжатие выполнено с помощью Huffman-кодирования экспонентных битов весов BFloat16 и CUDA-ядра для распаковки весов непосредственно на GPU. Размер модели сокращён примерно на 32%: с 23,80 до 16,33 ГБ по сравнению с исходной версией BFloat16. Выходы заявлены как побитово идентичные исходной модели, поэтому качество не должно изменяться. При генерации изображения 1024×1024 пиковое потребление GPU-памяти составляет около 17,54 ГБ без выгрузки на CPU и 9,76 ГБ с CPU offloading; время генерации на A100 — примерно 58 и 78 секунд соответственно. Это позволяет запускать модель на одной видеокарте с 24 ГБ памяти или на GPU с 12 ГБ при использовании CPU offloading. Для работы требуются CUDA-совместимая видеокарта, PyTorch, пакет DFloat11 и библиотека diffusers. README не указывает точное число параметров, архитектуру базовой модели, поддерживаемые языки, дополнительные модальности или лицензию. Ограничения включают зависимость от CUDA-окружения и некоторое увеличение времени генерации при выгрузке на CPU.

Карточка модели 6Morpheus6/FLUX.2-klein-4B-fp8-diffusers на Hugging Face совпадает с карточкой tonera/FLUX.2-klein-4B-fp8-diffusers, поэтому описание составлено по ней. FLUX.2 [klein] 4B fp8 diffusers — квантованная версия компактной модели Black Forest Labs для генерации и редактирования изображений. В основе — rectified flow transformer с 4 млрд параметров; модель принимает текстовые запросы и изображения, включая несколько референсов, и объединяет генерацию и редактирование в одной архитектуре. Репозиторий подготовлен для Diffusers и содержит веса в формате safetensors; трансформер квантован до FP8, а текстовый энкодер заменён на 4-битную версию unsloth/Qwen3-4B-unsloth-bnb-4bit. Модель предназначена для локальной разработки, развёртывания на периферийных устройствах и производственных сценариев, где важны скорость и умеренные требования к памяти. В README заявлены пиковое потребление около 9 ГБ VRAM и генерация примерно за 0,1 секунды при четырёх шагах на RTX 5090; требования к памяти и скорость зависят от оборудования и конфигурации. Карточка описывает генерацию по тексту, редактирование и работу с несколькими референсами. Текст, встроенный в изображение, может отображаться неточно, модель может не следовать запросу, а результат не предназначен для получения фактической информации. Поведение зависит от формулировки запроса, и возможны смещения из обучающих данных. Лицензия — Apache 2.0; в карточке также перечислены ограничения на отдельные виды использования.

Gemma4-31B Vision — это выделенный визуальный энкодер из мультимодальной модели Gemma 4 31B, подготовленный Immanuel Peter на основе весов Google DeepMind. Репозиторий содержит 27-слойную башню зрения с размерностью скрытого состояния 1152, 16 головами внимания, промежуточным размером 4304, патчами 16×16 и пулингом 3×3, а также проектор Linear(1152, 5376) с RMSNorm без обучаемого масштаба. Веса сохранены в BF16 в формате safetensors. Модель предназначена для извлечения признаковых представлений изображений и может использоваться как визуальная часть мультимодальных систем. README описывает пример извлечения признаков и проверку совпадения весов с исходной моделью. Это не самостоятельная модель для диалога или генерации текста; для её применения может потребоваться интеграция с совместимым кодом модели. Контекст базовой Gemma 4 31B составляет 131072 токена, но это значение относится к родительской модели, а не отдельно к визуальному энкодеру. Лицензия — Apache-2.0.

Gliese-Qwen3.5-0.8B-Abliterated-Caption — мультимодальная vision-language модель от prithivMLmods, построенная на базе Qwen/Qwen3.5-0.8B. Она предназначена прежде всего для обобщённого и нефильтрованного описания изображений: генерации подробных подписей, анализа сцен, объектов, людей и окружения. Модель ориентирована на создание наборов данных и аннотаций, мультимодальные исследования, локальные inference-пайплайны, развёртывание на периферийных устройствах и разработку приложений с анализом изображений. Модель содержит 0,8 млрд параметров и поддерживает обработку текста и изображений. В README заявлена оптимизация визуального понимания, контекстных и семантически подробных описаний, а также поддержка английского и китайского языков. Доступны варианты в форматах BF16, F16, F32 и Q8_0, включая мультимодальные проекционные компоненты для GGUF. Указанный pipeline — image-text-to-text; поддерживаются Transformers и vLLM. К сильным сторонам относятся компактность, эффективность развёртывания, высокая детализация подписей и сниженное количество встроенных отказов благодаря abliterated-тренировке и анализу направлений отказа. Ограничения включают отсутствие в README точных данных о размере контекста, качестве на стандартных бенчмарках и полной архитектуре. Снижение отказов может повысить риск генерации небезопасного или нежелательного контента, поэтому авторы рекомендуют использовать модель только в исследовательских и учебных целях и возлагают ответственность за её применение на пользователя. Модель распространяется по лицензии Apache-2.0.

KOALA-700M-LLaVA-Caption — модель генерации изображений по тексту от лаборатории визуального интеллекта ETRI. Это вариант KOALA-700M, обученный на парах изображений и синтезированных подписей к ним, созданных с помощью LLaVA на основе LAION-aesthetics-V2 6+. Модель использует латентную диффузию и текстовые энкодеры SDXL-Base-1.0, заменяя его U-Net на более компактный вариант с 782 млн параметров; для генерации изображений заявлено разрешение до 1024×1024. Модель предназначена для создания иллюстраций и визуальных материалов, творческих инструментов и исследований генеративных моделей. По данным карточки, KOALA-700M генерирует изображение 1024×1024 менее чем за 1,5 секунды на NVIDIA 4090 при 25 шагах и FP16; это результат авторского тестирования на указанном оборудовании. Лицензия в предоставленных данных не указана.

MiniMax-M3 Vision — компонент извлечения визуальных признаков из мультимодальной модели MiniMax-M3, опубликованный пользователем immanuelpeter. Репозиторий содержит башню зрения CLIP-типа на базе ViT и проектор, преобразующий и сжимающий визуальные токены; это не полная диалоговая модель. По README, башня имеет 32 слоя, скрытую размерность 1280 и обрабатывает изображения размером до 2016 пикселей; используются патч-эмбеддинг Conv3d, 3D RoPE и временные патчи размера 2. Проектор выдаёт признаки размерности 6144. Веса сохранены в BF16 и формате safetensors. Модель предназначена для извлечения визуальных признаков, которые можно передавать в языковую часть MiniMax-M3 для анализа изображений и видео. Проверка в README сравнивает все веса башни и проектора с закреплённым исходным чекпойнтом. Метаданные указывают 879,8 млн параметров и библиотеку Transformers. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

Molmo2-VideoPoint-4B — мультимодальная модель семейства Molmo2, разработанная Allen Institute for AI (Ai2). Она предназначена для анализа видео: указания объектов и подсчёта их появлений с привязкой к кадрам. Модель основана на Qwen3-4B-Instruct-2507 и использует SigLIP 2 как визуальную основу; в карточке указана архитектура Molmo2ForConditionalGeneration и формат safetensors. Чекпойнт дообучен специально на данных Molmo2-VideoPoint после предварительного обучения на pixmo-cap, pixmo-points и данных Tulu. Он принимает видео и текстовые запросы и формирует текстовые ответы с точками и координатами объектов. В метаданных также указана поддержка изображений и текста. Основной язык карточки — английский. Модель опубликована под лицензией Apache 2.0, однако обучающие данные третьих сторон могут ограничивать использование академическими и некоммерческими исследованиями; следует проверить условия исходных датасетов и рекомендации Ai2.

NV-Segment-CT — интерактивная модель сегментации трёхмерных медицинских КТ-изображений, разработанная NVIDIA. Она предназначена для разметки анатомических структур и патологий, а также для ускорения подготовки медицинских аннотаций. Модель построена на архитектуре Transformer типа SAM и использует несколько выходных голов; для сегментации требуется хотя бы одна подсказка: индекс класса, точки на изображении или оба вида подсказок одновременно. Модель принимает КТ в формате NIfTI и массивы с информацией о классах или точках, а выдаёт трёхмерную маску в формате NIfTI. Доступны режимы сегментации всего объёма, выбранного класса и интерактивной сегментации по точкам. Среди поддерживаемых классов — органы, сосуды, кости, отдельные опухоли и другие структуры. Для запуска указаны MONAI Core 1.3 и Triton; из аппаратных платформ перечислены NVIDIA Ampere и Hopper, а поддерживаемая операционная система — Linux. Модель заявлена для исследований и разработки, но не для клинического применения. Метаданные указывают лицензию other, поэтому перед использованием необходимо проверить применимые условия NVIDIA. Языковая обработка не заявлена: модель работает с медицинскими изображениями и подсказками, а не с естественным языком.

TBT000/Qwen-Image-2.1-Uncensored-GGUF — это набор GGUF-квантизаций модели Qwen-Image-2.1 для локальной генерации изображений по текстовому описанию и редактирования изображений. Релиз подготовлен на основе исходных весов Qwen/Qwen-Image-2.1; в репозитории также доступны совместимые текстовый энкодер Qwen3-VL 8B и VAE из Comfy-Org/Qwen-Image-2.1. Модель предназначена для использования в ComfyUI через расширение ComfyUI-GGUF. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 ГБ. Q4_K_M рекомендуется как баланс размера и качества; для текстового энкодера доступны варианты BF16 и Int8, причём Int8 удобнее при ограниченной памяти. Диффузионную модель рекомендуется размещать в VRAM, а текстовый энкодер — в оперативной памяти или выгружать на CPU. Поддерживаются официальные рабочие процессы ComfyUI для text-to-image и image editing. Для Q8_0 заявлена возможная ошибка несовпадения форм при некоторых конфигурациях, поэтому стабильнее использовать Q4_K_M, Q5_K_M или Q6_K. Релиз не содержит встроенного safety checker или фильтра контента и может генерировать взрослые, NSFW и чувствительные изображения без отказов; итоговое поведение зависит от запроса и среды запуска. Языки, максимальный контекст и точные архитектурные характеристики в README не указаны. Указана лицензия other с названием qwen-research; условия лицензии следует проверять отдельно перед использованием.

yolo26-seg — набор моделей компьютерного зрения, подготовленных Software Mansion для библиотеки React Native ExecuTorch. Это экспортированные программы ExecuTorch в формате .pte на основе модели Yolo26 от Ultralytics, предназначенные для сегментации изображений непосредственно на мобильных и других устройствах с использованием React Native. Доступны варианты размеров n, s, m, l и x с входными разрешениями 384, 512 и 640 пикселей. Для backend Core ML опубликованы версии с точностью FP16, а для XNNPACK — с точностью FP32. Модель работает с изображениями и предназначена для задач image segmentation; сведения о поддерживаемых классах, языках и максимальном контексте не указаны. Наличие нескольких размеров, разрешений и backend позволяет выбирать компромисс между размером модели, производительностью и качеством, однако крупные варианты требуют существенно больше памяти. Файлы опубликованы для ExecuTorch v1.4.1, при этом обратная совместимость с более старыми версиями runtime не гарантируется. Backend MLX экспортирован, но не опубликован. Лицензия — AGPL-3.0.

ByteDance/Sa2VA-Qwen2_5-VL-3B — мультимодальная чат-модель семейства Sa2VA, предназначенная для работы с изображениями и видео. Она отвечает на вопросы по визуальному содержимому, понимает визуальные подсказки и выполняет сегментацию объектов с плотной привязкой к изображению или кадрам видео. Семейство Sa2VA объединяет языковые и визуальные компоненты; в этом репозитории указаны 3,1 млрд параметров, архитектура Sa2VAChatModelQwen и контекст до 128 000 токенов. Модель рассчитана на визуальные диалоги, локализацию объектов и сегментацию, включая задачи на видео. В README семейство Sa2VA описано как конкурентоспособное с Qwen2.5-VL и InternVL3 в тестах ответов на вопросы и сильное в визуальной привязке и сегментации. Указанная лицензия — Apache-2.0. Поддержка языков обозначена как многоязычная, без перечисления отдельных языков.

ThinkMorph-7B — мультимодальная модель, созданная дообучением BAGEL-7B-MoT от ByteDance Seed на примерно 24 тысячах высококачественных последовательностей рассуждений с чередованием текста и изображений. Модель предназначена для мультимодального рассуждения: она строит последовательные текстовые и визуальные шаги, манипулируя визуальным содержимым и сохраняя связность рассуждений. В карточке заявлены результаты на бенчмарках для визуального рассуждения и обобщения на новые данные, а также способности к визуальным преобразованиям. Модель принимает визуальный контекст и выдаёт текстовые и визуальные результаты; базовая BAGEL описана как модель для понимания изображений и видео, генерации изображений и редактирования по текстовым инструкциям. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

UMM-Reflection-BAGEL-SFT — этап supervised fine-tuning проекта UMM-Reflection, созданный дообучением BAGEL-7B-MoT. Модель анализирует собственное изображение, оценивает, завершена ли генерация, и при необходимости формирует правку и создаёт исправленное изображение в рамках одного контекста. Чекпойнт предназначен для итеративной генерации изображений по текстовому запросу и редактирования изображений с самопроверкой. Обучение использовало траектории рефлексии для генерации и редактирования, а также flow matching для переходов между изображениями. Это версия для инициализации этапа RL; в README также указан последующий чекпойнт UMM-Reflection-BAGEL-RL. Модель принимает текст и изображения и выдаёт текстовые решения о проверке и редактировании, а также изображения. Репозиторий содержит safetensors; лицензия — Apache-2.0. В карточке не приведены сведения о размере контекста и поддерживаемых естественных языках.

VARGPT_LLaVA-v1 — мультимодальная модель семейства VARGPT, разработанная авторами проекта VARGPT. Она объединяет понимание визуальных данных и генерацию изображений в одной системе: для понимания модель предсказывает следующий текстовый токен, а для генерации — следующий визуальный масштаб. В README указана конфигурация 7B+2B; архитектура представлена классом VARGPTLlavaForConditionalGeneration и рассчитана на работу через Transformers. Модель предназначена для мультимодального диалога и генерации изображений по текстовому запросу. Карточка демонстрирует сценарии визуального понимания и text-to-image generation. Указана поддержка английского языка; модель распространяется в формате safetensors по лицензии Apache-2.0. Длина контекста в доступных сведениях не приведена.

VLM-R1-Qwen2.5VL-3B-OVD-0321 — дообученная omlab модель семейства Qwen2.5-VL, созданная на базе Qwen/Qwen2.5-VL-3B-Instruct с применением обучения с подкреплением в стиле VLM-R1. Это компактная мультимодальная модель с 3,1 млрд параметров, принимающая изображения и текст и выдающая ответы на естественном языке; заявленная длина контекста — 128 000 токенов. Модель предназначена для обнаружения объектов по текстовым описаниям в изображениях: она связывает запрос на естественном языке с соответствующими объектами и формирует ответ в диалоговом формате. Разработчик сообщает о результатах уровня state of the art на наборе OVDEval. В README также описаны обобщение на данные вне обучающего домена для связанных задач локализации по выражению, однако эта карточка относится именно к версии OVD. Модель опубликована в формате safetensors и рассчитана на использование через Transformers. Лицензия — Apache-2.0. Заявленные результаты относятся к оценке разработчика на OVDEval; качество на других наборах данных из этих сведений не следует.

ASMv2 — открытый мультимодальный чат-бот OpenGVLab, созданный дообучением LLaMA/Vicuna на данных для следования мультимодальным инструкциям. Модель сочетает диалоговые возможности Relation Conversation с общими возможностями языковой модели и визуальным пониманием изображений. ASMv2 предназначена для исследований мультимодальных моделей и чат-ботов. Она поддерживает ответы на вопросы по изображениям, понимание отношений между объектами, привязку и указание областей изображения, описание регионов и генерацию сценовых графов в открытой форме. Архитектура — плотная LlavaLlamaForCausalLM; размер — 12,9 млрд параметров, контекст — 4096 токенов. Метаданные указывают текстовую генерацию, а карточка описывает мультимодальные возможности модели.

ifmain разработал модель на основе Salesforce/blip-image-captioning-base и дообучил её на данных Ar4ikov/civitai-sd-337k. Модель принимает изображение и создаёт текстовое описание в форме промпта для Stable Diffusion. Модель подходит для подготовки промптов по изображениям, в том числе для SFW- и NSFW-сценариев. В метаданных указаны архитектура BLIP и класс BlipForConditionalGeneration; поддерживаемый язык — английский. Сведения о лицензии, размере и длине контекста в доступных данных отсутствуют.

DFloat11/Chroma-DF11 — это сжатая без потерь версия модели lodestones/Chroma v39, подготовленная с использованием технологии DFloat11. Модель предназначена для генерации изображений по текстовому описанию через pipeline_tag text-to-image и совместима с библиотекой Diffusers. Разработчик исходной модели — lodestones, а DFloat11 — технология и реализация сжатия от команды LeanModels. DFloat11 кодирует экспонентные биты весов BFloat16 с помощью Huffman coding и выполняет распаковку непосредственно на GPU через CUDA kernel. Размер модели уменьшен с 17,80 до 12,16 ГБ, то есть примерно на 32%, а пиковое потребление видеопамяти при генерации изображения 1024×1024 — с 18,33 до 13,26 ГБ. Модель сохраняет bit-identical outputs относительно исходной версии BFloat16 и может работать на одной GPU с 16 ГБ памяти. На A100 генерация занимает около 59 секунд против 56 секунд у исходной модели. Для работы требуются CUDA-совместимая GPU, PyTorch, пакет dfloat11 с поддержкой CUDA 11 или CUDA 12 и актуальная версия Diffusers. В README не указаны точная архитектура, число параметров, поддерживаемые языки, дополнительные модальности или лицензия. Основное преимущество — существенное сокращение размера и потребления видеопамяти без потери качества и точности вывода; ограничениями являются зависимость от CUDA и необходимость специальной интеграции DFloat11.