I.8Изображения и компьютерное зрение

Модель dvs/videomae-base-finetuned-movienet-take2 — дообученная разработчиком модель VideoMAE-base для классификации видео. Она содержит 113,2 млн параметров и распространяется в формате PyTorch. Базовая модель MCG-NJU/videomae-base — видеотрансформер, предварительно обученный без учителя для извлечения признаков и последующего дообучения. Модель предназначена для присвоения видео категорий. В README приведены результаты оценки: accuracy 0,7969 и loss 1,0793; набор данных и состав классов не раскрыты. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

timm/ViT-gopt-16-SigLIP2-384 — модель компьютерного зрения и языка из семейства SigLIP 2, обученная на наборе WebLI. Это контрастивный энкодер изображений и текста, предназначенный для классификации изображений по текстовым описаниям без дообучения. Модель преобразована из исходных контрольных точек JAX проекта Big Vision для использования в библиотеке OpenCLIP. Модель подходит для сопоставления изображения с набором текстовых меток и выбора наиболее подходящей, а также для мультиязычных сценариев понимания связи между изображениями и текстом. В репозитории доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Размер модели, поддерживаемые языки и ограничения качества в предоставленных данных не описаны.

X-CLIP — видеоязыковая модель семейства CLIP от Microsoft, представленная в работе Ni et al. Она расширяет контрастное обучение на парах «видео—текст» для понимания видео. Эта базовая модель обучена в режиме few-shot с 16 примерами на класс на наборе UCF101. Модель предназначена для классификации видео в режимах zero-shot, few-shot и supervised, а также для поиска соответствий между видео и текстом. При обучении использовались 32 кадра на видео с разрешением 224×224; модель принимает видео и текстовые описания и оценивает их соответствие. Для версии указана точность top-1 91,4%. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель обучена на UCF101, поэтому её качество на других предметных областях и типах видео может отличаться; перед применением требуется обработка кадров согласно выбранному процессору.

ZwZ-8B — мультимодальная модель для детального восприятия изображений, разработанная InclusionAI на основе Qwen3-VL-8B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы; архитектура — плотная Qwen3-VL с 8 млрд параметров. Модель предназначена для визуальных вопросов и ответов с распознаванием мелких деталей, визуального рассуждения, анализа интерфейсов GUI и обнаружения изображений, созданных ИИ. Обучение с дистилляцией Region-to-Image и подкреплением позволяет выполнять детальный анализ за один проход без увеличения отдельных областей изображения во время вывода и без вызова инструментов. В карточке заявлены высокие результаты на тестах детального восприятия и обобщение на визуальное рассуждение, GUI и обнаружение AIGC; это заявления разработчика, а не независимая оценка. Модель основана на Qwen3-VL-8B-Instruct и выпущена под лицензией Apache-2.0. Контекстное окно и поддержка языков, помимо английского, в предоставленных данных не описаны.

YaoJiefu/Add-light-and-shadow — LoRA-адаптер для Qwen/Qwen-Image-Edit-2509, обученный на ModelScope. Он предназначен для редактирования изображений по текстовой инструкции: добавляет персонажам разнообразные эффекты освещения и светотени. Подходит для портретов крупным планом, туристических снимков и повседневных фотографий; результат можно использовать при создании постеров и макетов. Для работы требуется базовая модель Qwen/Qwen-Image-Edit-2509 и совместимый workflow. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Minachist разработал бинарный классификатор иллюстраций, определяющий, создано ли изображение генеративной моделью или человеком. Это дообученная модель google/siglip2-so400m-patch16-384: она использует визуальный энкодер SigLIP2 с линейной классификационной головой на два класса, а текстовая часть исходной модели удалена. На вход подаётся изображение; на выходе модель выдаёт оценки классов «human» и «ai». Изображения приводятся к размеру 384×384 с игнорированием исходного соотношения сторон. Модель предназначена для предварительной проверки иллюстраций и анализа наборов изображений на наличие AI-генераций. В README приведены высокие метрики на отложенной выборке, включая AUROC 0,9994 на варианте с нейтрализованными форматами и разрешениями. Для воспроизведения указанной сбалансированной точности следует применять порог P(ai) ≥ 0,0368; стандартный argmax использует порог 0,5, поэтому может давать другие решения. Вероятности не откалиброваны. Разработчик характеризует выпуск как исследовательский артефакт. Обобщение на генераторы, которых не было в обучающих данных, не гарантируется; новые генераторы, постобработка и сильное повторное сжатие могут снизить точность. Результаты одной валидационной выборки могут завышать качество на реальных данных, поэтому классификатор не следует использовать как единственное основание для решений с серьёзными последствиями. Лицензия — Apache-2.0.

Anything2Real — это LoRA-адаптер для преобразования иллюстраций, аниме, мультфильмов, картин и других изображений в фотореалистичные изображения с сохранением исходной композиции и содержания. Модель разработана пользователем lrzjason и предназначена для использования с моделями редактирования изображений, в частности с Qwen Edit 2511; в README также упоминаются варианты на базе Flux2 Klein. Адаптер работает в сценариях image-to-image и ориентирован на стилизацию существующего изображения, а не на генерацию с нуля. Для Qwen Edit 2511 рекомендуется использовать силу LoRA в диапазоне 0,75–1 и текстовый запрос с указанием преобразования в реалистичную фотографию и описанием содержимого изображения. Подробное описание исходной сцены может улучшить результат. В составе семейства упомянуты варианты Anything2Real 2601, 2601 A и alpha, различающиеся балансом между сохранением оригинала, реалистичностью, цветом, освещением и детализацией. Ключевые характеристики архитектуры, число параметров, поддерживаемые языки и максимальный контекст в README не указаны. Сильной стороной модели является перенос различных художественных стилей в фотореалистичную форму при сохранении исходного содержания. Результат зависит от субъективного восприятия реализма, выбранной базовой модели и силы адаптера; чрезмерное увеличение веса LoRA не всегда улучшает изображение, поэтому автор рекомендует подбирать силу или использовать дополнительную фотореалистичную LoRA. Модель распространяется по лицензии Apache-2.0.

Salesforce BLIP VQA CapFilt Large — модель для ответов на вопросы об изображениях, основанная на архитектуре BLIP с визуальным энкодером ViT-Large. Она использует совместное обучение языкового и визуального компонентов; в описании BLIP указано применение фильтрации шумных пар изображение–текст и генерации синтетических подписей при подготовке данных. Модель предназначена для visual question answering: она принимает изображение и вопрос на естественном языке и формирует текстовый ответ. В README также приведены примеры условной и безусловной генерации подписей к изображениям. Модель подходит для вопросов о содержимом изображений, а также для генерации описаний изображений. Карточка ссылается на широкую оценку BLIP в задачах понимания и генерации изображений, но конкретные показатели именно этого чекпойнта не приведены. Доступны веса PyTorch и TensorFlow. Лицензия — BSD 3-Clause; README отмечает исследовательское назначение выпуска и рекомендует отдельно оценивать точность, безопасность и справедливость перед применением.

CATVTON-Flux — модель виртуальной примерки одежды, опубликованная разработчиком, указанным в карточке как Black Magic An. Она переносит одежду с изображения предмета на изображение человека, используя маску человека; модель основана на дообученной black-forest-labs/FLUX.1-Fill-dev и применяется для генерации изображения с помощью inpainting. В README указаны входы: изображение человека, маска, изображение одежды и необязательное случайное зерно. Репозиторий содержит веса safetensors и рассчитан на работу через Diffusers. Для обучения использовался набор данных DressCode. Лицензия CC BY-NC 2.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка не приводит количественных оценок качества или дополнительных ограничений по входным изображениям.

CLIP ConvNeXt-Base w-laion_aesthetic-s13B-b82K — модель сопоставления изображений и текста, обученная командой LAION с использованием OpenCLIP. Визуальная часть построена на ConvNeXt-Base с широким размером эмбеддинга, а текстовая использует башню OpenAI CLIP RN50x4 глубины 12 и размерности эмбеддинга 640. Модель обучалась на подмножестве LAION-Aesthetic с разрешением изображений 256×256 и 13 млрд примеров. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без отдельного обучения, а также для поиска изображений по тексту и поиска текста по изображению. В описанной серии нулевая точность top-1 на ImageNet составляет 71,0%. Модель работает с английскими текстовыми запросами; применение для других языков не оценивалось. Авторы позиционируют её как исследовательскую модель и не рекомендуют развёртывание без тщательной проверки на конкретной задаче и фиксированном наборе классов. Использование для наблюдения и распознавания лиц исключено из допустимых сценариев. Обучающий набор собран из неотфильтрованных веб-данных, поэтому возможны смещения и нежелательные ассоциации. Лицензия — MIT.

clip-japanese-base — японская модель CLIP, разработанная LY Corporation для сопоставления изображений и текста. Она обучена на примерно 1 млрд собранных из веба пар «изображение — текст» и подходит для классификации изображений без дополнительного обучения, а также поиска изображений по тексту и текстовых описаний по изображению. Архитектура включает визуальный энкодер Eva02-B с Transformer и 86 млн параметров и текстовый энкодер BERT из 12 слоёв со 100 млн параметров. Текстовый энкодер инициализирован весами rinna/japanese-clip-vit-b-16. Модель ориентирована на японский язык; среди форматов репозитория указаны ONNX и safetensors. В приведённых в карточке сравнениях модель показывает высокие результаты на STAIR Captions и Recruit Datasets, но её точность на ImageNet-1K ниже, чем у Stable-ja-clip. Для применения в задачах на других языках карточка подтверждений не приводит. Модель распространяется по лицензии Apache-2.0.

Это модель CLIP ViT-g/14, разработанная Jenia Jitsev с использованием OpenCLIP и обученная на англоязычной подвыборке LAION-5B объёмом 2 млрд пар изображений и текстов. Модель сопоставляет изображения с текстовыми описаниями и предназначена прежде всего для классификации изображений без дообучения по заданным текстовым меткам, а также для поиска по изображениям и текстам. В README указана точность zero-shot классификации ImageNet-1k 78,4% top-1. Модель подходит для исследовательских экспериментов, оценки zero-shot классификации, извлечения изображений по текстовому запросу и последующей адаптации для задач компьютерного зрения. Обучение и оценка ориентированы на английский язык; качество может зависеть от формулировок меток и предметной области, поэтому перед использованием необходимы проверки на целевых данных. README не рекомендует развёртывание модели в прикладных системах и исключает применение для наблюдения и распознавания лиц. Обучающий набор не курировался и может содержать вредоносный или дискомфортный контент. Лицензия модели — MIT.

calcuis/cosmos-predict2-gguf — это GGUF-квантизированная версия моделей Cosmos-Predict2, разработанная сообществом calcuis на основе моделей NVIDIA. В репозитории представлены варианты, включая модели на 2B и 14B параметров; в метаданных базовой моделью указана nvidia/Cosmos-Predict2-2B-Text2Image. Модель предназначена прежде всего для генерации изображений по текстовому описанию и интеграции с ComfyUI через gguf-node. В примерах показана генерация сцен с людьми, атмосферой, дождём, городскими и кинематографичными сюжетами; также приведены видеопримеры, однако точные возможности, архитектура, поддерживаемые языки и размер контекста не указаны. Для работы требуются GGUF-файлы модели, текстового энкодера t5xxl-old и VAE pig, размещённые в соответствующих каталогах ComfyUI. Использование полностью в формате GGUF позволяет отказаться от safetensors и ориентировано на совместимость с gguf-node. Лицензия указана как NVIDIA Open Model License; условия следует уточнять по официальному тексту лицензии NVIDIA.

Карточка модели remg1997/dynabench-sdxl10 на Hugging Face совпадает с карточкой model-hub/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. SDXL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она основана на латентной диффузии и использует два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно запускать отдельно или сочетать с моделью-refiner для завершающих шагов очистки изображения; также описан двухэтапный вариант с повышением разрешения через SDEdit. Модель подходит для создания иллюстраций, художественных работ и визуальных материалов для творческих и образовательных инструментов, а также для исследований генеративных моделей. В README отмечено улучшение пользовательских оценок по сравнению с предыдущими версиями Stable Diffusion. Модель не обеспечивает идеальный фотореализм, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно, а автоэнкодер вносит потери. Генерация достоверных изображений людей и событий указана как использование вне заявленного назначения. Лицензия — CreativeML Open RAIL++-M.

FLUX.1-Krea-dev-gguf — это прямое преобразование модели black-forest-labs/FLUX.1-Krea-dev в формат GGUF, выполненное пользователем markury. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в сценариях text-to-image через совместимые инструменты, включая пользовательский узел ComfyUI-GGUF для ComfyUI. Это квантованная версия исходной модели, а не результат дообучения, поэтому её возможности и ограничения соответствуют FLUX.1-Krea-dev. В предоставленных данных не указаны архитектура, размер, поддерживаемые языки, длина контекста, набор модальностей и конкретные характеристики квантования. Для использования файлы модели необходимо разместить в каталоге ComfyUI/models/unet и установить необходимые компоненты ComfyUI-GGUF. Модель распространяется по лицензии flux-1-dev-non-commercial-license; ссылка на текст лицензии указана как LICENSE.md. Поскольку это преобразованная и квантованная версия, на неё распространяются те же ограничения и условия исходной лицензии.

QuantStack/FLUX.1-Krea-dev-GGUF — это GGUF-конверсия модели FLUX.1-Krea-dev, разработанной Black Forest Labs. Модель предназначена для генерации изображений по текстовым описаниям и относится к pipeline text-to-image. Указан английский язык, однако подробные сведения о языковых возможностях, архитектуре, размере, контекстном окне и точных параметрах модели в карточке отсутствуют. Формат GGUF представляет собой квантованное представление исходной модели, предназначенное для использования в совместимом программном окружении. В README указана интеграция с ComfyUI через пользовательский узел ComfyUI-GGUF; файлы модели следует размещать в каталоге ComfyUI/models/unet. К преимуществам относятся совместимость с экосистемой GGUF и возможность применения в рабочих процессах ComfyUI, но конкретные характеристики квантования, требования к ресурсам и влияние квантования на качество не приведены. Модель распространяется по лицензии flux-1-dev-non-commercial-license. Для конвертированной версии сохраняются все исходные лицензионные условия и ограничения использования базовой модели FLUX.1-Krea-dev, включая некоммерческий характер лицензии.

Это 4-битная квантованная версия модели FLUX.1-schnell от Black Forest Labs, подготовленная с использованием подхода mflux версии 0.6.2. Модель генерирует изображения по текстовому описанию; в репозитории есть два текстовых энкодера CLIP, основной трансформер диффузии и VAE. Квантование уменьшает требования к памяти и размер файлов: в README указано около 9 ГБ для 4-битной версии против примерно 57 ГБ у исходной FP16. Это позволяет запускать генерацию на оборудовании с ограниченной видеопамятью. Модель предназначена для быстрого создания изображений по текстовым запросам; в метаданных указан английский язык. По сравнению с исходной версией качество немного снижено, возможны артефакты, а скорость вывода может быть несколько ниже. Лицензия — Apache-2.0.

Yuro1991/FLUX.2-klein-9B-GGUF — GGUF-квантизированная версия FLUX.2-klein-9B, разработанного Black Forest Labs; репозиторий также использует методологию Unsloth Dynamic 2.0 и инструменты ComfyUI-GGUF. Это диффузионная модель на основе rectified flow transformer с 9 млрд параметров и текстовым энкодером Qwen3 на 8 млрд параметров. Модель дистиллирована до 4 шагов вывода и рассчитана на генерацию изображений по тексту, а также редактирование изображений с одной или несколькими референсными картинками в единой архитектуре. Модель предназначена для интерактивной генерации изображений, творческого прототипирования, приложений реального времени и image-to-image-сценариев. Заявлены высокая скорость, хорошее следование промптам и разнообразие результатов; при этом модель может обеспечивать вывод менее чем за секунду, а заявленный объём видеопамяти составляет около 29 ГБ, поэтому для запуска требуется производительное оборудование уровня NVIDIA RTX 4090 и выше. Поддерживаемый язык — английский. Контекстное окно и точный формат разрешений в карточке не указаны. Модель не предназначена для предоставления фактической информации; отображаемый текст может быть искажён, результаты не всегда соответствуют запросу, а поведение зависит от стиля промпта и может отражать или усиливать предвзятость обучающих данных. Использование ограничено FLUX Non-Commercial License и Acceptable Use Policy; коммерческое применение не разрешено.

HunyuanDiT v1.2 — предварительно обученная модель Tencent для генерации изображений по текстовым описаниям, опубликованная в формате Diffusers. Это Diffusion Transformer с поддержкой генерации в нескольких разрешениях; авторы подчёркивают детальное понимание китайских текстовых запросов и показывают сценарии с китайскими элементами и длинными описаниями. Модель предназначена для создания изображений по текстовым промптам. README описывает сравнительную оценку по соответствию запросу, заметности артефактов, чёткости объектов и эстетике, но не приводит здесь численные результаты. Репозиторий содержит веса в форматах Diffusers и safetensors. Метаданные указывают английский язык, тогда как README отдельно заявляет поддержку детального понимания китайского; сведений о других языках нет. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Comfy-Org/HunyuanVideo_repackaged — перепакованный набор файлов HunyuanVideo для ComfyUI, основанный на моделях Tencent HunyuanVideo и HunyuanVideo-I2V. Репозиторий предназначен для использования этих весов в рабочих процессах ComfyUI; метаданные указывают формат safetensors и связь с исходными моделями через объединение. Модельное семейство HunyuanVideo предназначено для генерации видео по текстовому описанию и изображению. Условия лицензии обозначены как other; конкретные условия следует сверять с лицензией исходных моделей Tencent.

Mitchins разработал классификатор изображений на базе EfficientNet-B0 из timm, дообученный для отнесения изображений к одному из трёх классов: anime, real и rendered. Модель принимает RGB-изображения размером 224×224 пикселя и содержит 5,3 млн параметров. Классификатор предназначен для быстрой проверки, является ли изображение фотографией, аниме-кадром или 3D-рендером. В README указана точность 97,44% на валидационной выборке; скорость инференса около 20 мс на RTX 3060. Модель опубликована в формате safetensors и распространяется по лицензии OpenRAIL. Ошибки возможны на пограничных примерах: фотореалистичные игровые сцены могут распознаваться как фотографии, стилизованные игры — как аниме, а изображения в стиле Pixar могут давать смешанную уверенность. Для важных решений README рекомендует учитывать порог уверенности выше 85% и анализировать матрицу ошибок.

KamCastle/jugg — модель генерации изображений по текстовому описанию, опубликованная пользователем KamCastle на Hugging Face. Файл модели называется juggernaut_reborn.safetensors, а метаданные относят её к семейству StableDiffusionPipeline и библиотеке Diffusers. Модель предназначена для text-to-image сценариев: создания изображений на основе текстовых промптов, включая реалистичные и художественные композиции. Объём модели составляет около 0,9 млрд параметров. Поддерживается формат SafeTensors и запуск через совместимые инструменты Diffusers. Модель работает с текстовыми запросами на естественных языках, однако конкретный перечень поддерживаемых языков в доступных источниках не установлен. Лицензия в доступных метаданных и результатах поиска не подтверждена.

Krea-2-Turbo-GGUF — набор квантованных моделей Krea 2 Turbo в формате GGUF, разработанной Krea.ai. Модель предназначена для генерации изображений по текстовому описанию и относится к классу Diffusion Transformer (DiT). Репозиторий предоставляет несколько вариантов квантования весов для запуска на потребительском оборудовании, CPU и Apple Silicon с пониженным потреблением памяти. Базовая модель содержит 12 миллиардов параметров. Доступны варианты квантования от Q3_K_M и Q3_K_S до Q8_0; их размер составляет примерно от 6,01 до 13,7 ГБ. Более компактные варианты требуют меньше памяти, тогда как Q6_K и Q8_0 лучше сохраняют качество исходных весов. В README приведён пример генерации изображения размером 1024×1024 за 8 шагов с помощью совместимых реализаций, включая stable-diffusion.cpp; также указана совместимость с llama.cpp, однако конкретные требования к аппаратному обеспечению и поддерживаемые разрешения не описаны. Модель подходит для локальной text-to-image генерации, особенно когда важны экономия памяти и запуск без специализированной облачной инфраструктуры. Уровень качества зависит от выбранного варианта квантования: Q4_K_M обозначен как сбалансированный базовый вариант, а Q5_K_M — как компромисс между скоростью, качеством и сохранением параметров. В метаданных указан английский язык. Модель распространяется по лицензии Krea 2 Community License; лицензия обозначена как other, а полный текст доступен по ссылке, указанной в карточке.

Карточка модели LanguageBind/LanguageBind_Video на Hugging Face совпадает с карточкой LanguageBind/LanguageBind_Image, поэтому описание составлено по ней. LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

Карточка модели LanguageBind/LanguageBind_Video_V1.5_FT на Hugging Face совпадает с карточкой LanguageBind/LanguageBind_Image, поэтому описание составлено по ней. LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

LeViT-192 — модель компьютерного зрения семейства LeViT, опубликованная командой LeViT и представленная в работе «LeViT: a Vision Transformer in ConvNet's Clothing for Faster Inference». Это вариант LeViT с классификационной головой, предобученный на ImageNet-1k для распознавания объектов на изображениях размером 224×224 пикселя. Модель относит изображение к одному из 1000 классов ImageNet-1k и предназначена для задач классификации изображений. Архитектура LeViT сочетает идеи vision transformer и свёрточных сетей с акцентом на скорость инференса. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель ориентирована на классы ImageNet-1k, поэтому может быть недостаточно точной для объектов вне этих категорий и специализированных предметных областей. Для других наборов классов потребуется адаптация или дообучение.

Magic-Wan-Image V2 GGUF — квантизированная версия модели Magic-Wan-Image V2.0, опубликованная VantageWithAI на основе Wan2.2-T2V-A14B от Wan-AI; оригинальная модель разработана wikeeyang. Модель предназначена для генерации изображений по текстовому описанию, особенно реалистичных портретов и сцен из реального мира. В README заявлены реалистичная текстура кожи, высокая детализация и поддержка увеличения изображения до 8 мегапикселей с использованием технологии TTP. Модель представлена в формате GGUF и интегрируется с экосистемой Diffusers. Указан английский язык, однако подробности о языковой поддержке, размере контекста, конкретном варианте квантизации и требованиях к оборудованию не приведены. Это чистая базовая модель, поэтому её можно дополнительно комбинировать с LoRA-модулями для изменения стиля и содержания; готовые NSFW- и SFW-варианты в состав модели не входят. Распространяется по лицензии Apache-2.0.

ShadowB / Abdelhadi Marjane разработал модель сегментации YOLO26s для анализа макета страниц манги. Она выделяет три типа областей: панели и рамки, текстовые фрагменты, а также речевые и повествовательные пузыри. Модель на базе Ultralytics предсказывает ограничивающие рамки, классы, оценки уверенности и пиксельные маски; размер составляет около 11,4 млн параметров. Модель предназначена для подготовки страниц манги к OCR, восстановлению порядка чтения, переводу, очистке текста и проверке человеком. Она обрабатывает изображение страницы и визуально находит области, но не распознаёт и не переводит текст. В карточке указаны японские страницы манги и обучение на данных, производных от Manga109; репозиторий распространяется по лицензии MIT, при этом лицензии и условия доступа к датасетам могут отличаться. На валидационном разделении указаны mask mAP@0.5 0,97013 и mask mAP@0.5:0.95 0,84573. Результаты могут ухудшаться на цветных комиксах, вебтунах, сканах низкого разрешения, страницах с необычной компоновкой, мелким или стилизованным текстом и сложными границами панелей; для производственного применения рекомендуется визуальная проверка.

Карточка модели armandosds/Molmo2-4B на Hugging Face совпадает с карточкой allenai/Molmo2-4B, поэтому описание составлено по ней. Molmo2-4B — открытая мультимодальная модель семейства Molmo2, разработанная Allen Institute for AI (Ai2). Она предназначена для диалога о визуальных данных: модель анализирует изображения, несколько изображений и видео, отвечает на вопросы и связывает текстовые описания с объектами и событиями в кадре. В числе заявленных сильных сторон — короткие видео, подсчёт объектов и создание подписей; на длинных видео модель показывает конкурентные результаты среди моделей сопоставимого размера. Модель объединяет языковую основу Qwen3-4B-Instruct-2507 с визуальной частью на базе SigLIP 2; архитектура — плотная Molmo2ForConditionalGeneration. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Обучение использовало общедоступные сторонние наборы данных и тщательно отобранные пары изображение–текст и видео–текст. Лицензия — Apache-2.0.

MolmoPoint-8B — открытая мультимодальная модель Allen Institute for AI (Ai2) для понимания изображений и видео, нескольких изображений и пространственной привязки объектов. Она объединяет архитектуру MolmoPoint с компонентами SigLIP SO400M и Qwen3-8B; каталог классифицирует её как плотную модель генерации текста по изображениям, а файлы представлены в формате Safetensors. Модель предназначена для диалоговых запросов о визуальном содержимом, указания объектов на изображении и видео, а также отслеживания объектов в видео. В карточке отмечен специальный механизм указания точек, улучшающий привязку на изображениях и видео и видео-трекинг. Обучение из опубликованной версии на Hugging Face не поддерживается; код обучения доступен отдельно в репозитории разработчика. Лицензия — Apache-2.0. Карточка не сообщает длину контекста или подробные ограничения качества; для инференса рекомендуется использовать предоставляемый моделью обработчик логитов, чтобы генерируемые токены координат соответствовали допустимому формату.