I.8Изображения и компьютерное зрение

Estebandidoooi/NSFW — LoRA-адаптер для генерации контента NSFW, разработанный пользователем Estebandidoooi. Модель предназначена для сценариев text-to-image и image-to-video в экосистеме Diffusers; в описании указана специализация на генерации сексуализированных изображений и видео. Адаптер рассчитан на использование вместе с базовой моделью Wan-AI/Wan2.1-I2V-14B-720P, поэтому не является самостоятельной моделью. Для активации рекомендуются триггерные слова porn, video, sex и pussy. Архитектура LoRA, точный размер адаптера, поддерживаемые языки и дополнительные параметры контекста в README не указаны. Сильная сторона модели — узкая специализация на NSFW-сценариях и интеграция с базовой I2V-моделью Wan. Ограничения связаны с необходимостью совместимого базового компонента и отсутствием подробных сведений о качестве, стабильности результатов и поддерживаемых режимах генерации. Лицензия указана как creativeml-openrail-m.

SexGod LTX 2.3 DoggyStyle Sex — специализированная LoRA-модель для генерации эротических текст-видео на базе Lightricks/LTX-Video, версии LTXV 2.3. В README модель представлена под идентификатором Muapi/sexgod-ltx-2.3-doggystyle-sex; сведения об отдельном разработчике или авторе дообучения не указаны. Модель предназначена для создания видеосцен по текстовому описанию через pipeline text-to-video и ориентирована на контент для взрослых. Ключевая характеристика модели — использование LoRA-адаптера поверх базовой модели LTX-Video. В качестве примера запуска указаны разрешение 768×512, 97 кадров и параметр интенсивности LoRA 1.0. Поддерживаемые модальности, языки запросов, максимальный контекст, точный размер адаптера и дополнительные требования к оборудованию в README не описаны. Сильной стороной является специализация на определённом взрослом сценарии и совместимость с экосистемой Diffusers и LTX-Video, однако область применения узкая, а качество и управляемость генерации зависят от базовой модели и параметров запроса. Для использования через указанный API требуется ключ MUAPI. Лицензия обозначена как openrail++.

harita001/qwen-plus-lora — это LoRA-адаптер для генерации изображений по текстовому описанию, распространяемый для использования с Diffusers. Он создан на основе модели ScottzillaSystems/qwen-image-edit-plus-nsfw-lora и предназначен для добавления или усиления NSFW-сцен и сексуализированных визуальных элементов в генерируемых изображениях. Модель использует текстовые триггеры, включая nsfw, cum_on_face, blowjob, cowgirlout, creamp1e, penis, l1ck, missionary, nipples, reversecowgirlpov и vagina. README не содержит сведений о размере адаптера, архитектуре базовой модели, поддерживаемых языках, длине контекста, точных параметрах применения, качестве, ограничениях совместимости или лицензии. Сильная сторона модели — специализированная настройка под узкий набор эротических и порнографических сценариев. Ограничения заключаются в отсутствии технической документации, сведений о лицензии и характеристиках производительности; возможность использования должна дополнительно проверяться по условиям базовой модели и репозитория.

profpeng/nsfwv2 — LoRA-адаптер для text-to-image и, вероятно, image-to-video сценариев на базе Wan-AI/Wan2.2-I2V-A14B. Модель разработана пользователем profpeng и предназначена для генерации откровенного контента для взрослых по текстовым описаниям с использованием Diffusers и указанных триггерных слов. В README не указаны размер адаптера, точная архитектура LoRA, поддерживаемые языки, размер контекста, требования к ресурсам и качество генерации. Доступны пять триггерных слов: m15510n4ry, bl0wj0b, d0gg1e, c0wg1rl и d0ubl3_bj; при этом README отдельно рекомендует использовать m15510n4ry. Основное ограничение — узкая специализация на NSFW-контенте и зависимость от совместимого базового пайплайна Wan-AI/Wan2.2-I2V-A14B. Лицензия в представленных данных не указана.

2ch/penflux — LoRA-модель для генерации изображений по текстовому описанию, предназначенная для использования с базовой моделью FLUX.1-dev от Black Forest Labs. В README модель представлена под названием xpenis; автор или организация-разработчик отдельно не указаны, поэтому можно достоверно говорить только о публикации в репозитории 2ch/penflux. Модель специализируется на добавлении в изображения анатомических признаков необрезанного пениса, включая нависающую крайнюю плоть, вялое состояние и визуальное изображение прозрачной вязкой жидкости. Для активации рекомендуются английские триггерные фразы uncut penis, flaccid penis, overhanging foreskin, dripping translucent fluid и clear viscous fluid dripping from tip. Основной сценарий использования — text-to-image-генерация в совместимом pipeline Diffusers или другом интерфейсе, поддерживающем LoRA для FLUX.1-dev. В README указаны тип адаптера LoRA, базовая модель FLUX.1-dev, текстовая модальность управления и английский язык промптов. Размер модели, архитектура адаптера, требования к памяти, коэффициенты масштабирования и ограничения по разрешению не приведены. Сильная сторона модели — узкая специализация и наличие явных триггерных слов; ограничение заключается в зависимости от FLUX.1-dev и отсутствии подробных инструкций по настройке и качественной оценке результатов. Лицензия в предоставленных данных не указана.

uviol/scat-krea2-v1 — LoRA-адаптер для генерации изображений на базе Krea-2-Raw и совместимый с Krea-2-Turbo. Модель разработана пользователем uviol и предназначена для создания фотореалистичных изображений на тему дефекации и фекалий; в карточке указано, что она относится к контенту не для всех аудиторий. Для активации рекомендуется использовать естественно-языковой триггер «shitting». Обучение проводилось преимущественно на фотографиях, поэтому для нереалистичных или художественных результатов могут потребоваться дополнительные стилевые LoRA-адаптеры. Это diffusion LoRA для экосистемы Diffusers с рангом 16. Обучение выполнялось на базе Krea-2-Raw с использованием musubi-tuner, оптимизатора AdamW8Bit, cosine_with_min_lr и 120 эпох, что составило 12 240 шагов. Другие характеристики, включая точный размер файла, поддерживаемые разрешения, языки, длину контекста и полный набор модальностей базовой модели, в README не указаны. Сильной стороной является узкая специализация на тематике модели и возможность подключать адаптер к базовым моделям Krea 2; ограничениями остаются зависимость от совместимой базовой модели, преимущественная ориентация на фотореализм и потенциальная необходимость подбора веса LoRA. Лицензия обозначена как other; используется имя лицензии scat-flux-2-klein-9b-v1, а текст лицензии размещён по указанной в карточке ссылке. Условия коммерческого и иного использования следует проверять непосредственно в этом документе.

TinyDoc-VLM-256M — экспериментальная компактная модель vision-language для вопросов и извлечения информации из документов, разработанная eulogik. Чекпойнт содержит 256 млн параметров и предназначен для исследовательских экспериментов с OCR и пониманием документов; карточка указывает архитектуру TinyDocVLMForConditionalGeneration. Модель принимает изображение документа и текстовый запрос, а результат формирует в текстовом виде. В карточке указана поддержка английского языка. Чекпойнт снят с разработки и не демонстрирует пригодного качества: по README, на OCRBench он набрал 0% на 1000 примерах, а генерация вырождается даже при исходном формате запроса. Ранее публиковавшиеся оценки качества отозваны. Для практического локального извлечения данных автор рекомендует SDK TinyDoc с отдельной моделью Qwen2.5-VL, однако эти возможности не относятся к данному чекпойнту. Файлы представлены в форматах Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0.

blinkcreampie — специализированная LoRA-модель для генерации видео с использованием Diffusers, разработанная пользователем profpeng. В качестве базовой модели указана Wan-AI/Wan2.2-I2V-A14B. Модель предназначена для создания реалистичных эротических сцен для взрослых с переходом между кадрами и визуальным изображением семяизвержения, включая позы на корточках и лёжа, крупные планы и сольное позирование. Ключевые особенности включают работу в сценариях text-to-image и, вероятно, image-to-video через указанную базовую модель, статичную камеру, средние крупные планы, быстрые переходы и акцент на видимых анатомических деталях. README не содержит данных о размере LoRA, поддерживаемых языках, максимальном контексте, требованиях к оборудованию, качестве или результатах тестирования. Сильной стороной модели является узкая специализация на определённых композициях и действиях для генерации контента 18+. Ограничения связаны с отсутствием подробной технической документации, параметров обучения и сведений о совместимости, а также с тем, что модель ориентирована на крайне специфический и явно сексуальный контент. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно.

BRIA RMBG-2.0 — модель сегментации изображений для удаления фона, разработанная BRIA AI на архитектуре BiRefNet. Она выделяет передний план на фотографиях и других изображениях, включая объекты, людей и сцены с несколькими объектами, и подходит для рабочих процессов электронной коммерции, рекламы, игрового контента и создания материалов. Модель формирует одноканальную 8-битную альфа-маску: значения пикселей задают степень прозрачности, поэтому порог отделения переднего плана можно настраивать под задачу. В README описано обучение на более чем 15 000 вручную размеченных изображений с пиксельной точностью, охватывающих фотореалистичные и нефотореалистичные изображения, сплошной и сложный фон. Доступны веса и реализации в форматах PyTorch, safetensors и ONNX. Самостоятельное использование весов разрешено по CC BY-NC 4.0 только в некоммерческих целях; для коммерческого применения требуется отдельное соглашение с BRIA, либо можно использовать API BRIA на условиях их лицензии.

BRIA RMBG-2.0 — модель удаления фона, разработанная BRIA AI на архитектуре BiRefNet с собственной схемой обучения и профессиональным набором данных. Она выполняет сегментацию изображения и выдаёт одноканальную 8-битную альфа-карту: значение каждого пикселя задаёт степень его прозрачности, позволяя настраивать порог отделения переднего плана от фона. Модель предназначена для вырезания объектов и людей на фотографиях и других изображениях, включая материалы электронной торговли, рекламы и игрового контента. Обучение проводилось на более чем 15 000 вручную размеченных лицензированных изображений с разными типами объектов и фонов. Весам на Hugging Face соответствует лицензия CC BY-NC 4.0 для некоммерческого использования. Для коммерческого развёртывания требуется отдельное соглашение с BRIA AI либо использование API BRIA с коммерческой лицензией.

pirocheto/schp-atr-18 — модель семантической сегментации для разбора изображений людей на области одежды и части тела. Это чекпойнт SCHP (Self-Correction for Human Parsing), разработанный на основе оригинального проекта PeikeLi/Self-Correction-Human-Parsing. Архитектура сочетает ResNet-101 с механизмом самокоррекции; модель обучена на наборе ATR и выделяет 18 классов, включая фон, предметы одежды и части тела. Входное изображение обрабатывается при размере 512 × 512 пикселей, а результат включает карты логитов сегментации и границ. Модель предназначена для подготовки изображений моды: извлечения масок отдельных предметов одежды, автоматической разметки каталогов, предварительной обработки для виртуальной примерки и ускорения аннотирования датасетов. Для ATR указано значение mIoU 82,29%. В репозитории также доступны файлы ONNX; README сообщает о варианте статической INT8-квантизации с близким к FP32 попиксельным совпадением. Лицензия MIT.

PE-Core-bigG-14-448 — версия Perception Encoder, преобразованная в формат OpenCLIP; исходную модель разработала Meta. Это контрастивный vision-language энкодер с визуальным и текстовым башнями, обученный на изображениях и дообученный на данных синтетических видео. Вариант bigG/14 принимает изображения с разрешением 448 пикселей; представленный репозиторий содержит веса PyTorch в формате safetensors. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения, а также для извлечения сопоставимых признаковых представлений изображений и текста, поиска и задач понимания видео. Её сильная сторона — универсальные визуальные признаки и высокая эффективность на задачах классификации и поиска. Длина текстового контекста для этого конкретного чекпойнта в предоставленных данных не указана. Лицензия — Apache-2.0.

Карточка модели Veritone/siglip2-large-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-large-patch16-256, поэтому описание составлено по ней. SigLIP 2 Large — большая модель визуально-языкового кодировщика, разработанная Google. Она расширяет подход SigLIP дополнительными методами предобучения, улучшая семантическое понимание изображений, локализацию объектов и получение плотных визуальных признаков. Модель предобучена на наборе WebLI и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, поиска изображений по тексту и текста по изображению, а также использования в качестве визуального энкодера для визуально-языковых моделей и других задач компьютерного зрения. На вход подаются изображения и, для классификации, набор текстовых меток; результатом служат оценки соответствия изображения и меток или визуальные признаки. Лицензия — Apache-2.0. Карточка не приводит ограничений по языкам или длине контекста; качество зависит от изображений, формулировок текстовых меток и области применения, а для специализированных сценариев может потребоваться дополнительная проверка или адаптация.

Карточка модели Veritone/siglip2-so400m-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-256, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это плотный визуальный энкодер, обученный на датасете WebLI; вариант So400m использует патчи размером 16 пикселей и входное разрешение 256 пикселей. Модель сопоставляет изображения и текст, поддерживает классификацию изображений по произвольным текстовым меткам без дообучения и поиск изображений по тексту или текста по изображению. Модель подходит для извлечения визуальных признаков и встраивания в мультимодальные языковые модели, а также для задач локализации и получения плотных визуальных представлений. В README не приведены сведения о числе параметров, контекстном окне или языковом охвате. Репозиторий распространяется по лицензии Apache-2.0.

MoonViT-3D — визуальная башня модели Kimi-K2.6, опубликованная Aquiles-ai на основе весов и реализации Moonshot AI. Это плотная vision transformer модель Kimi_K25VisionModel примерно на 544,9 млн параметров; веса сохранены в safetensors и поддерживаются библиотекой Transformers без trust_remote_code. Модель извлекает признаки изображений и предназначена для получения эмбеддингов для поиска похожих изображений, кластеризации и удаления дубликатов, а также для использования как замороженного визуального энкодера при обучении классификаторов, детекторов или регрессионных голов. Визуальные признаки можно подключить к языковой модели для построения собственной мультимодальной системы или использовать для индексации изображений вместе с текстом в мультимодальном RAG. README также упоминает обработку последовательностей кадров с временным измерением, но отмечает, что пример такого использования не приведён и интеграцию нужно реализовать самостоятельно. Модель принимает изображения и выдаёт признаки; поддерживаемые естественные языки не заявлены. Лицензия — Apache-2.0.

Карточка модели Lencebo/rarium-clip-l14 на Hugging Face совпадает с карточкой laion/CLIP-ViT-L-14-laion2B-s32B-b82K, поэтому описание составлено по ней. CLIP ViT-L/14 — мультимодальная модель семейства CLIP, обученная LAION с помощью OpenCLIP на англоязычной подвыборке из 2 млрд пар данных LAION-5B. В карточке указано, что обучение проводил Росс Уайтман на суперкомпьютере JUWELS Booster. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве признаков; основная задача в каталоге — классификация изображений без примеров обучения по текстовым меткам. Её также применяют для поиска изображений по тексту и текста по изображению, линейной классификации и как компонент конвейеров генерации изображений. Для ImageNet-1k заявлена точность zero-shot top-1 75,3%. Модель обучалась на английских данных и не предназначена для сценариев на других языках. Авторы рекомендуют ограничивать применение исследованиями; развёрнутые сценарии и использование без тщательной проверки на фиксированной таксономии не рекомендуются. Применение для наблюдения и распознавания лиц исключено из допустимых сценариев. Лицензия — MIT.

yolo12138/segformer-b2-cloth-parse-9 — модель сегментации изображений, разработанная на основе mattmdjaga/segformer_b2_clothes и дообученная на наборе cloth_parsing_mix. Она присваивает пикселям изображения метки одежды и частей тела, включая торс, рукава, брюки, юбки и воротники. Модель построена на архитектуре SegFormer B2 и предназначена для разметки одежды на изображениях, например для анализа предметов гардероба или подготовки масок сегментации. В оценке на тестовом наборе указаны Mean IoU 0,8611 и общая точность 0,9846; качество различается между классами, а внешний воротник размечается заметно хуже торса и рукавов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

SigLIP 2 Base Patch16-256 — визуальный энкодер, разработанный Google. Модель обучена на наборе WebLI по унифицированной схеме предобучения SigLIP 2; в репозитории доступны веса Safetensors для Transformers. Размер изображения на входе — 256 пикселей, патч — 16 пикселей. Модель предназначена для классификации изображений по пользовательским текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для VLM и других задач компьютерного зрения. Лицензия — Apache-2.0. README описывает улучшенное семантическое понимание, локализацию и плотные визуальные признаки как цели SigLIP 2. В карточке нет сведений о поддерживаемых естественных языках или длине контекста. Для классификации необходимо передавать изображение и варианты меток; сама модель не является диалоговой генеративной VLM.

Карточка модели Veritone/siglip2-base-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-256, поэтому описание составлено по ней. SigLIP 2 Base Patch16-256 — визуальный энкодер, разработанный Google. Модель обучена на наборе WebLI по унифицированной схеме предобучения SigLIP 2; в репозитории доступны веса Safetensors для Transformers. Размер изображения на входе — 256 пикселей, патч — 16 пикселей. Модель предназначена для классификации изображений по пользовательским текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для VLM и других задач компьютерного зрения. Лицензия — Apache-2.0. README описывает улучшенное семантическое понимание, локализацию и плотные визуальные признаки как цели SigLIP 2. В карточке нет сведений о поддерживаемых естественных языках или длине контекста. Для классификации необходимо передавать изображение и варианты меток; сама модель не является диалоговой генеративной VLM.

Veritone/siglip2-base-patch32-256-vision — отдельная зрительная башня SigLIP 2 Base, созданная Veritone на основе Google SigLIP 2. Это сокращённая копия google/siglip2-base-patch32-256, содержащая только визуальный энкодер; она преобразует изображения и видеокадры в эмбеддинги общего пространства. Модель предназначена для классификации изображений по кандидатным текстовым меткам без дополнительного обучения, поиска изображений по тексту и использования в составе мультимодальных систем. Башня рассчитана на работу отдельно при индексации, что позволяет загружать только визуальную часть и экономить память и время загрузки. Для сценариев, которым нужна текстовая башня, в README указана отдельная модель Veritone/siglip2-base-patch32-256-text. SigLIP 2 обучалась на наборе WebLI и развивает предобучение SigLIP для семантического понимания, локализации и плотных визуальных признаков. Репозиторий распространяется в формате safetensors, используется с Transformers и лицензирован Apache-2.0.

SigLIP 2 Large — большая модель визуально-языкового кодировщика, разработанная Google. Она расширяет подход SigLIP дополнительными методами предобучения, улучшая семантическое понимание изображений, локализацию объектов и получение плотных визуальных признаков. Модель предобучена на наборе WebLI и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, поиска изображений по тексту и текста по изображению, а также использования в качестве визуального энкодера для визуально-языковых моделей и других задач компьютерного зрения. На вход подаются изображения и, для классификации, набор текстовых меток; результатом служат оценки соответствия изображения и меток или визуальные признаки. Лицензия — Apache-2.0. Карточка не приводит ограничений по языкам или длине контекста; качество зависит от изображений, формулировок текстовых меток и области применения, а для специализированных сценариев может потребоваться дополнительная проверка или адаптация.

SigLIP 2 Large — модель компьютерного зрения и языка от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для сопоставления изображений с текстом: модель выполняет классификацию изображений по заданным текстовым меткам и поиск изображений по текстовым запросам. Её также можно использовать как визуальный энкодер в мультимодальных языковых моделях и других системах компьютерного зрения. Модель принимает изображения и текстовые описания или метки, а на выходе формирует оценки соответствия между ними. Вариант Large с патчами 16×16 рассчитан на обработку изображений с разрешением 384 пикселя; веса опубликованы в формате Safetensors и доступны для Transformers. Лицензия Apache-2.0.

SigLIP 2 So400m — модель визуального энкодера от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для понимания связей между изображениями и текстом. Модель поддерживает классификацию изображений по заданным текстовым меткам без специального дообучения, поиск изображений по текстовому запросу и использование в качестве визуального энкодера для VLM и других задач компьютерного зрения. Модель принимает изображения и текстовые метки или запросы, сопоставляет их семантически и выдаёт оценки соответствия. Вариант So400m использует патчи 14 × 14 и входное разрешение 224 × 224. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий.

TIPS S/14 (v1) — контрастивная модель «изображение–текст» семейства TIPS, представленная в карточке как конверсия официальных чекпойнтов. Модель сочетает визуальный энкодер ViT-S/14 на 22 млн параметров и 12-слойный текстовый трансформер на 34 млн параметров; размерность эмбеддингов — 384. Она создаёт пространственно информативные признаки изображений, согласованные с текстовыми эмбеддингами. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для извлечения и сопоставления визуальных и текстовых признаков. Штатное разрешение изображений — 448 пикселей; поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Изображения подаются в диапазоне [0, 1] без нормализации ImageNet; текст обрабатывается токенизатором SentencePiece в нижнем регистре, максимум 64 токена. Визуальная башня обучалась с двумя CLS-токенами: первый согласован с текстовой башней, второй обучался на синтетических подписях. Модель опубликована под лицензией Apache-2.0. Языковой охват в карточке не уточнён.

Это ONNX-экспорт модели UVDoc для выравнивания фотографий документов с перспективными и криволинейными искажениями. Исходную архитектуру UVDoc, основанную на ResNet encoder-decoder, разработали Floor Verhoeven, Tanguy Magne и Olga Sorkine-Hornung из ETH Zurich; модель опубликована на SIGGRAPH Asia 2023. Данный вариант изменён для выдачи координатной сетки, а не готового изображения. На вход подаётся RGB-изображение, нормализованное в диапазон [0, 1] и приведённое к размеру 720×496. На выходе — сетка координат 45×31 с двумя каналами в диапазоне [-1, 1], которую можно применить через cv2.remap() для разворачивания документа в исходном разрешении. Репозиторий содержит модель в формате ONNX и распространяется по лицензии Apache-2.0. Модель предназначена для предобработки снимков документов перед OCR и для коррекции их формы. Ей нужны видимые текст или другие детали на документе для оценки сетки; сильные перспективные искажения могут обрабатываться хуже. По данным README, CPU-инференс занимает около 100–200 мс на изображение.

ViT-B-16-SigLIP-512 — контрастивная модель сопоставления изображений и текста на основе архитектуры ViT-B/16 и обучения с функцией потерь SigLIP. Модель обучена на наборе WebLI и разработана в рамках проекта Big Vision; веса JAX конвертированы в PyTorch и опубликованы timm. Она поддерживается библиотекой OpenCLIP для совместной работы с изображениями и текстом, а также timm для получения эмбеддингов изображений. Модель предназначена для классификации изображений без дообучения: пользователь задаёт текстовые описания классов, а модель сопоставляет их с изображением. Её также можно применять для извлечения визуальных эмбеддингов и оценки соответствия между изображением и текстом. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache 2.0. Карточка не приводит конкретные ограничения качества или перечень поддерживаемых языков, поэтому её пригодность для конкретных языков и предметных областей следует проверять отдельно.

FG-CLIP Large — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых признаков. Обучение проходит в два этапа: сначала модель сопоставляет изображения с подписями на глобальном уровне, затем уточняет соответствие с помощью описаний отдельных областей изображения, включая положительные и отрицательные описания. В карточке указана архитектура CLIP и класс FGCLIPModel; веса доступны в формате safetensors. Примеры использования в README показывают загрузку через Transformers и применение для поиска по изображениям и визуализации плотных признаков. Модель подходит для поиска и сопоставления изображений и текста с учётом деталей сцены, а также для классификации изображений по текстовым описаниям без отдельного обучения классификатора. Поддерживаемый в метаданных язык — английский. Лицензия Apache-2.0.

Mage-Flow-Edit-Base — базовая модель для редактирования изображений по текстовым инструкциям, опубликованная Microsoft и зеркально размещённая SceneWorks. Репозиторий содержит неизменённую копию microsoft/Mage-Flow-Edit-Base: веса не переобучались, не квантизировались и не конвертировались. Модель относится к семейству Mage-Flow и использует диффузионный стек с rectified flow: мультимодальный трансформер NR-MMDiT и VAE Mage-VAE; текстовый энкодер основан на Qwen3-VL. Карточка характеризует семейство как компактное, примерно 4B-масштаба, но размер параметров именно этого чекпойнта не указан. Модель принимает изображение и текстовую инструкцию и предназначена для семантического редактирования, преобразования внешнего вида, восстановления изображений и создания вариантов с учётом структуры исходного изображения. Стек семейства рассчитан на работу с изображениями от 512 до 2048 пикселей и разными соотношениями сторон; отдельное значение длины контекста в карточке не приведено. Модель распространяется в формате Diffusers и Safetensors по лицензии MIT. Указанные в карточке семейства показатели скорости относятся к Turbo-варианту и не должны переноситься на эту базовую версию.

SceneWorks/Mage-Flow-Edit-Turbo — архивная копия модели Microsoft Mage-Flow-Edit-Turbo для редактирования изображений по текстовым инструкциям. Репозиторий заявлен как побайтно идентичное зеркало upstream-версии; веса не конвертировались, не квантизировались и не дообучались. Модель относится к семейству Mage-Flow: в нём используется NR-MMDiT — мультимодальный диффузионный трансформер с rectified flow matching, а также текстовый энкодер Qwen3-VL и Mage-VAE. Конкретно вариант Edit-Turbo предназначен для редактирования изображений за несколько шагов генерации. Модель принимает исходное изображение и текстовую инструкцию, а выдаёт отредактированное изображение. Поддерживаются семантическое редактирование, преобразование внешнего вида, восстановление изображений и создание результатов с учётом структуры сцены. Семейство рассчитано на работу с изображениями разных разрешений и пропорций; для Edit-Turbo README указывает четыре шага генерации. Указанная в карточке лицензия — MIT. Для запуска используется библиотека Diffusers.

MoEViE-H14-448 — визуальный энкодер Meta из семейства MoE-ViE, обученный по контрастивной методике на парах изображение–текст. Модель построена на архитектуре Mixture-of-Experts: каждый MoE-блок содержит общего эксперта и маршрутизируемый пул экспертов, из которого для каждого токена активируется часть. Версия H/14 имеет ширину 1280, 32 слоя, разрешение 448 пикселей и 3,5 млрд параметров, из которых активируется около 1,1 млрд. Модель предназначена для классификации изображений без дообучения на заданных текстовых метках, а также для извлечения визуальных и текстовых признаков и задач поиска по изображениям и видео. В README приведены результаты zero-shot оценки на ImageNet-1k, ObjectNet, COCO, Kinetics-400 и MSR-VTT. Для работы требуются CUDA GPU и Triton; лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.