IV.1Ритейл, электронная коммерция и fashion-tech

rev-animated — модель генерации изображений по текстовому описанию, размещённая StableDiffusionAPI. Карточка предлагает вызывать её через API ModelsLab и задавать промпт, негативный промпт, размер изображения, число шагов генерации и guidance scale. В примере указаны изображения 512×512 и 30 шагов; это настройки примера, а не обязательные ограничения модели. Модель принимает текст и создаёт изображения. Пример промпта ориентирован на фотореалистичный киберпанк-портрет с детализированным освещением; негативный промпт позволяет исключать нежелательные элементы. Репозиторий содержит веса в формате Diffusers/PyTorch Safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает архитектурные детали, число параметров, контекст или оценку качества; использование через API требует ключа ModelsLab.

RF-DETR Nano — модель для обнаружения объектов, разработанная Roboflow и подготовленная в формате GGUF для использования с rfdetr.cpp — C++/ggml-реализацией, предназначенной для работы на CPU и сопоставимой с исходной моделью на PyTorch. Модель рассчитана на обнаружение объектов на изображениях и возвращает ограничивающие рамки без других модальностей или задач. Архитектура включает backbone DINOv2-small, входное разрешение 384×384, размер patch 14, два decoder-слоя и 300 object queries. Доступны варианты F32, F16, Q8_0 и Q4_K. Рекомендуется F16: он занимает около 60,5 МБ, сохраняет точность F32 и обычно обеспечивает наименьшую задержку на современных CPU. Q8_0 примерно втрое компактнее F32 при практически идентичных результатах, а Q4_K — самый компактный вариант, но с заметным снижением Recall при строгом IoU 0,95. Модель подходит для локального и встраиваемого object detection на CPU, когда важны автономность, компактность и отсутствие зависимости от PyTorch. Ограничения включают проверку метрик всего на семи изображениях COCO val2017, отсутствие сведений о поддерживаемых языках и класcах объектов, а также снижение точности при использовании Q4_K. Распространяется по лицензии Apache-2.0.

Это конверсия модели обнаружения объектов Roboflow RF-DETR Large (2026) в формат MLX для запуска через mlx-swift-rf-detr на компьютерах Apple Silicon. Модель обрабатывает изображения и находит объекты из 90 классов COCO; для предсказания в примере используются порог уверенности 0,3 и порог NMS 0,5. Архитектура основана на RF-DETR с backbone dinov2_windowed_small, четырьмя слоями декодера и 300 запросами. Веса представлены в точности fp32 в файле safetensors; для обработки используются разрешение 704 и конфигурация с препроцессором. Репозиторий создан 30 июня 2026 года и распространяется по лицензии Apache-2.0.

Модель VictorSanh/roberta-base-finetuned-yelp-polarity — RoBERTa-base, дообученная для бинарной классификации тональности отзывов Yelp. Она относит текст отзыва к одной из двух категорий полярности и подходит для анализа пользовательских оценок и сортировки отзывов по тональности. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и рассчитана на английский язык. В README указана точность 98,08% на тестовом наборе Yelp Polarity. Это результат на конкретном наборе данных и не гарантирует такую же точность на отзывах из других источников или предметных областей. Доступные форматы включают PyTorch, Flax и Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

zeromodels/sam2_hiera_large — конверсия SAM 2.1 Hiera Large, разработанной Meta, в реализацию на Keras 3. Модель выполняет сегментацию изображений по визуальным подсказкам: принимает точки и, при включённой поддержке, рамки и выдаёт маски объектов. В основе — backbone Hiera-L с FPN neck; реализация заявлена для TensorFlow, PyTorch и JAX. Модель предназначена для интерактивного выделения объектов на отдельных изображениях, например при разметке данных или создании масок по указанию пользователя. Этот порт работает только с изображениями: память видео и перенос сегментации между кадрами не поддерживаются. Репозиторий распространяется по лицензии Apache 2.0.

Semireal v2.8 — модель генерации изображений, созданная дообучением Stable Diffusion 1.5. Она предназначена для создания изображений по текстовым описаниям; репозиторий использует библиотеку Diffusers и содержит веса в форматах PyTorch и Safetensors. В тегах модели указаны реалистичная стилистика и английский язык. Модель распространяется по лицензии GPL-3.0. В карточке не приведены сведения о размере модели, длине контекста или конкретных ограничениях качества.

NYTK/sentiment-ohb3-hubert-hungarian — венгерская модель для аспектного анализа тональности, разработанная NYTK. Она основана на huBERT, дообученном на корпусе OpinHuBank (OHB), и классифицирует тональность в одну из трёх категорий: отрицательную, нейтральную или положительную. В примере из карточки аспект отделён от текста маркером [SEP]. Модель содержит 137,8 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов по метаданным; в README указано ограничение max_seq_length=256. Карточка сообщает результат 82,30 на OHB для huBERT против 80,59 для XLM-R. Модель распространяется под лицензией Apache-2.0.

SHARP — модель Apple для фотореалистичного синтеза новых ракурсов сцены по одной фотографии. Она за один прямой проход нейросети, менее чем за секунду на стандартном GPU, предсказывает параметры метрического представления сцены в виде 3D Gaussian Splatting. Полученное представление можно рендерить в реальном времени, получая изображения высокого разрешения с близких точек обзора и выполняя перемещения камеры с сохранением абсолютного масштаба. Модель рассчитана на создание новых видов сцены по одиночному изображению и обобщает на данные из разных наборов без дополнительной адаптации. Авторы сообщают об улучшении метрик перцептивного качества относительно предыдущих методов. Предсказание гауссиан работает на CPU, CUDA и MPS; рендеринг видео с траекторией камеры требует CUDA GPU. Репозиторий распространяется по лицензии Apple AMLR.

Starlight XL v3 — модель генерации изображений по текстовому описанию, доступная через сервис ModelsLab. В карточке показан вызов API с идентификатором модели starlight-xl-v3 и примерами параметров генерации: промптом и негативным промптом, размером изображения, числом шагов и guidance scale. В метаданных указан конвейер StableDiffusionXLPipeline и форматы Diffusers и PyTorch. Модель предназначена для создания изображений, в том числе фотореалистичных портретов и сцен с кинематографическим освещением. Пример обращения использует промпт на английском языке; заявленная лицензия — CreativeML OpenRAIL-M. README описывает доступ через API ModelsLab, однако не содержит сведений о локальном запуске или характеристиках качества.

Step-Video-TI2V — модель StepFun для генерации видео по изображению. Репозиторий содержит веса и код инференса; модель интегрирована с ComfyUI-Stepvideo-ti2v и предназначена для сценариев image-to-video. Для работы используется библиотека Diffusers и формат весов Safetensors. В README описана схема инференса с раздельной обработкой текстового энкодера, декодирования VAE и DiT: для сервисов текстового энкодера и декодирования VAE требуются выделенные GPU-ресурсы. Модель распространяется по лицензии MIT.

TRELLIS Image Large — крупная модель генерации 3D-объектов по изображению, разработанная авторами проекта TRELLIS. Это версия TRELLIS с обусловливанием по изображению; модель представлена в статье «Structured 3D Latents for Scalable and Versatile 3D Generation». Репозиторий содержит веса в формате safetensors и использует библиотеку TRELLIS. Модель предназначена для преобразования входного изображения в 3D-представление. Карточка не сообщает подробностей об архитектуре, размере параметров, поддерживаемых языках интерфейса или ограничениях качества. Лицензия репозитория — MIT.

t-shirt-diffusion — модель генерации изображений по текстовому описанию, распространяемая через платформу Stable Diffusion API. Карточка предлагает вызывать её по API ModelsLab и показывает пример запроса с настройками промпта, отрицательного промпта, разрешения 512 × 512 и 30 шагов генерации. Модель предназначена для создания изображений по текстовым запросам; пример демонстрирует фотореалистичный портрет с художественными деталями. Метаданные указывают на StableDiffusionPipeline и форматы Diffusers и PyTorch. Указана лицензия CreativeML OpenRAIL-M. Карточка не сообщает точный размер модели, поддерживаемые языки или ограничения качества; пример API задаёт параметр multi_lingual как «no».

Melo1512 әзірлеген ViT-MSN Small моделінің imagefolder деректер жиынында Melo1512/vit-msn-small-beta-fia-manually-enhanced-HSV_test_2 базалық моделінен қосымша оқытылған нұсқасы. Ол суреттерді image-classification тапсырмасы бойынша жіктеуге арналған. Модельде ViTMSNForImageClassification архитектурасы, 28,3 млн параметр және safetensors пішімі қолданылады. Бағалау жиынында дәлдігі 0,8803, ал loss көрсеткіші 0,5013 болған. README-де модельдің нақты қолдану саласы, жіктеу санаттары, оқыту деректерінің мазмұны және белгілі шектеулері сипатталмаған. Лицензия туралы ақпарат берілмеген.

CyberRealistic Z-Image Turbo v4.0 GGUF — квантованная версия модели cyberdelia/cyberrealistic_zimage для генерации фотореалистичных изображений по текстовому запросу. Она основана на архитектуре Z-Image Turbo (Lumina2) от Tongyi Lab и предназначена для запуска через stable-diffusion.cpp или ComfyUI. Репозиторий содержит варианты GGUF-квантования от Q3_K до Q8_0. Для генерации также нужны отдельные текстовый энкодер Qwen3-4B и VAE; для ComfyUI автор рекомендует узлы ZImagePowerNodes. В README приведён пример локальной генерации изображений размером 1024×1024 на GTX 1070 с 8 ГБ видеопамяти. Модель подходит для создания фотореалистичных изображений по описаниям на английском языке. README указывает лицензию Apache 2.0 для компонентов. Основные ограничения: опубликованный GGUF содержит только диффузионную модель, поэтому сам по себе не запускается; стандартные GGUF-узлы ComfyUI могут вызывать ошибку несовпадения форм тензоров, а автор рекомендует использовать ZImagePowerNodes.

Acorn_Photo_v1 — модель для генерации изображений по текстовому описанию в формате Stable Diffusion Pipeline. В карточке указан файл весов acornIsSpinning_photo.safetensors и демонстрационное изображение исходного автора. Репозиторий использует форматы Diffusers и Safetensors. Модель предназначена для создания изображений по текстовым запросам. Карточка не содержит сведений о разработчике, размере, поддерживаемых языках или контексте. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

mandeepmotan/AeroCart-Support-Bot-SFT — дообученная языковая модель на архитектуре Llama для генерации текста. Разработчик — mandeepmotan; модель создана на основе unsloth/llama-3.2-1b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. По названию она предназначена для ответов на вопросы службы поддержки AeroCart. Модель содержит 1,2 млрд параметров, принимает текст и генерирует текст. В метаданных указан контекст до 131 072 токенов и английский язык. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

AgainMix_v2.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. В карточке показан пример изображения, созданного через API Hugging Face: фотореалистичный портрет с пейзажным фоном и кинематографическим освещением. В метаданных указаны задача text-to-image, формат Diffusers и веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели. Карточка не сообщает размер модели, архитектурные подробности, языки или длину контекста.

Карточка модели luoyou1014/age-gender-prediction на Hugging Face совпадает с карточкой abhilash88/age-gender-prediction, поэтому описание составлено по ней. Модель abhilash88/age-gender-prediction — модель компьютерного зрения на базе Vision Transformer ViT-Base, предназначенная для одновременной оценки возраста и классификации пола по изображению лица. Она принимает цветные изображения RGB размером 224×224 и использует две выходные ветви: регрессионную для возраста и классификационную для пола. Модель обучена на датасете UTKFace; в README заявлены средняя абсолютная ошибка оценки возраста 4,5 года и точность классификации пола 94,3% на этом датасете. Модель подходит для анализа демографических характеристик изображений, исследовательских задач и обработки отдельных изображений или пакетов изображений. Наилучшие результаты заявлены для взрослых 16–60 лет при хорошем освещении и фронтальном положении лица. Для использования предусмотрена лицензия Apache-2.0. Точность ниже для детей, особенно в возрасте 0–12 лет, а также может снижаться для очень пожилых людей, изображений с плохим освещением, сильным поворотом лица или окклюзиями. README предупреждает, что стандартный Transformers pipeline может возвращать метки LABEL_0/LABEL_1 вместо ожидаемых значений; для получения возраста и пола предлагается использовать вспомогательную функцию автора.

rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

SimonY0s/bge-m3-thai-intent — дообученная модель BAAI/bge-m3 для определения намерения клиента по короткому сообщению на тайском языке. Она сопоставляет сообщение с текстовыми описаниями намерений: описания можно добавлять без повторного обучения. В основе — плотная архитектура XLM-RoBERTa с CLS-пулингом; модель содержит 658,7 млн параметров, принимает текст и рассчитана на контекст до 8194 токенов. Основной сценарий — классификация обращений в электронной торговле, банковском обслуживании и телекоммуникациях; README сообщает о проверке на синтетических тайских сообщениях, включая намерения, не встречавшиеся при обучении. Обучение проводилось на 741 паре «сообщение — описание намерения» в течение четырёх эпох. Для публикации указана лицензия MIT. Результаты на синтетических данных не гарантируют аналогичную точность на реальных обращениях; оценки softmax не откалиброваны, а романизированный тайский, числа и даты названы слабыми местами. Модель предназначена для сопоставления коротких сообщений с намерениями и не учитывает структурированное состояние обращения.

Карточка модели alibaba-pai/CogVideoX-Fun-2b-InP на Hugging Face совпадает с карточкой alibaba-pai/CogVideoX-Fun-5b-InP, поэтому описание составлено по ней. CogVideoX-Fun-5b-InP — разработанная Alibaba PAI модель генерации видео по изображению на основе архитектуры CogVideoX и Video Diffusion Transformer. Она создаёт видеоклип, используя исходное изображение и текстовое описание движения или сцены; авторская карточка также описывает поддержку генерации примерно шестисекундных роликов длительностью до 49 кадров при 8 кадрах в секунду. Для семейства заявлена работа с разными разрешениями вплоть до 1024×1024 и обучение собственных базовых моделей и LoRA для переноса стиля. Модель предназначена для создания коротких видеороликов из изображений, творческих визуальных материалов и прототипов видео. В репозитории доступны веса в форматах Diffusers и Safetensors; для запуска README указывает среду с PyTorch и CUDA и ориентировочно 60 ГБ свободного места. Карточка сообщает о поддержке английского языка, а в планах проекта упоминается будущая поддержка китайского. Проект опубликован под Apache License 2.0, однако README отдельно указывает, что Transformer-модуль версии CogVideoX-5B распространяется по лицензии CogVideoX; условия использования весов следует сверять с этой лицензией. В описании приведены проверенные GPU-конфигурации и разрешения для семейства, но конкретный контекстный лимит не заявлен.

Joshua2565/complaint-radar-distilbert — модель классификации текста на базе DistilBERT, дообученная автором репозитория на наборе данных, обозначенном в карточке как None. Архитектура использует DistilBertForSequenceClassification; модель принимает текст и относит его к классам. По названию репозитория модель предназначена для выявления жалоб в тексте. Она основана на distilbert/distilbert-base-uncased, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0. Карточка не описывает метки классов, качество оценки или конкретные сценарии применения, поэтому назначение для мониторинга жалоб следует считать выводом из названия.

ConvNeXt-Tiny — модель компьютерного зрения для классификации изображений и извлечения признаков. Её обучил Ross Wightman с помощью библиотеки timm на наборе ImageNet-1k; архитектура основана на ConvNeXt, сверточной сети, разработанной для компьютерного зрения 2020-х годов. В репозитории доступны веса PyTorch и safetensors, лицензия — Apache-2.0. Модель содержит около 28,6 млн параметров. Для классификации она принимает изображения: размер при обучении составлял 224 × 224 пикселя, при тестировании — 288 × 288. Её можно применять для присвоения изображению класса из набора ImageNet-1k, а также для получения карт признаков и эмбеддингов. Модель предназначена для распознавания объектов общего назначения и может служить визуальным бэкбоном в системах компьютерного зрения. Её классификационные категории ограничены классами ImageNet-1k; README не приводит результатов для других наборов данных или гарантий качества в прикладных сценариях.

CyberRealistic Pony Catalyst DMD2 — модель генерации изображений по текстовым запросам, созданная Cyberdelia. Репозиторий содержит её производную версию на базе cyberdelia/CyberRealisticPonyCatalyst в форматах Diffusers и safetensors; модель относится к семейству Stable Diffusion XL и совместима с LoRA. Модель предназначена для создания реалистичных и фотореалистичных изображений. В описании базовой модели выделены внимание к лицам, текстуре кожи и освещению, а метаданные этой версии также отмечают DMD2 и естественные детали. Для использования применяется библиотека diffusers; лицензия указана как other.

Это модель семантической сегментации изображений на базе MobileNetV2 с головой DeepLabV3+. Её разработали авторы MobileNetV2; модель предобучена на PASCAL VOC и рассчитана на изображения с разрешением 513×513 пикселей. Модель выделяет классы объектов и областей на изображении попиксельно. Компактная архитектура MobileNetV2 ориентирована на низкие задержки и ограниченные вычислительные ресурсы, поэтому модель подходит для сегментации на мобильных и встраиваемых устройствах. Она может служить отправной точкой для дообучения на других наборах данных. Репозиторий содержит веса PyTorch. В метаданных указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией исходного проекта. Архитектура предполагает компромисс между скоростью, размером и точностью; для предметных классов, отличных от PASCAL VOC, может потребоваться дообучение.

Карточка модели biali/Direct3D-S2 на Hugging Face совпадает с карточкой wushuang98/Direct3D-S2, поэтому описание составлено по ней. Direct3D-S2 — модель генерации 3D-объектов по изображениям, разработанная авторами проекта Direct3D-S2. Она предназначена для преобразования изображения в 3D-сетку и поддерживает сценарии интерактивной генерации через веб-демо. В основе модели — Diffusion Transformer (DiT) с механизмом Spatial Sparse Attention (SSA), оптимизированным для разреженных объёмных данных, и вариационный автоэнкодер (VAE) с единым разреженным представлением на этапах входа, латентного пространства и выхода. В README заявлены ускорение вычислений и обучение на разрешении 1024³ с использованием восьми GPU. Модель опубликована с лицензией MIT. README не приводит сведения о поддерживаемых языках или качестве результата на конкретных типах изображений.

John6666/epicrealism-xl-v8kiss-sdxl — модель генерации изображений по текстовому описанию в формате Stable Diffusion XL, опубликованная пользователем John6666 на Hugging Face. Она предназначена для создания реалистичных и фотореалистичных изображений по текстовым запросам. Репозиторий использует Diffusers и Safetensors; на карточке Hugging Face указаны 3 млрд параметров и точность F16. Модель доступна по лицензии CreativeML OpenRAIL-M. Карточка демонстрирует генерацию изображения из текстового запроса через Diffusers. Подтверждённых сведений о поддерживаемых естественных языках и конкретных ограничениях качества карточка не содержит; доступность кода использования не гарантирует одинаковое качество для всех запросов.

esevovnet19bdw.ra_in1k — модель классификации изображений на архитектуре VoVNet-v2, опубликованная Ross Wightman в библиотеке timm. Она обучена на ImageNet-1k с рецептом RandAugment RA и подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 6,5 млн параметров и требует 1,3 GMACs на проход. В карточке указаны размер изображения 224 × 224 для обучения и 288 × 288 для тестирования. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Модель предназначена для визуальных задач общего назначения и может служить компактной базовой сетью для дальнейших компьютерно-зрительных систем. Карточка описывает обучение на ImageNet-1k; специализация на других наборах данных или конкретных прикладных областях не заявлена.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow на 12 млрд параметров, распространяемый в формате Diffusers и safetensors. Благодаря дистилляции latent adversarial diffusion модель создаёт изображения за 1–4 шага, сочетая высокое качество с быстрым выводом и следованием запросу. Модель подходит для быстрого создания иллюстраций и других изображений по текстовым промптам, в том числе в локальных сценариях через ComfyUI или библиотеку Diffusers. Она не предназначена для предоставления фактической информации; результат может не соответствовать промпту, а качество следования ему зависит от стиля формулировки. Модель может усиливать социальные предубеждения. Лицензия Apache-2.0 разрешает личное, научное и коммерческое использование; карточка также перечисляет запрещённые сценарии, включая причинение вреда людям и создание незаконного контента.

FLUX.1-schnell-GGUF — это GGUF-версия модели FLUX.1 [schnell], разработанной Black Forest Labs. Модель предназначена для генерации изображений по текстовым описаниям и ориентирована на локальное использование и интеграцию в приложения для создания изображений. Модель построена на архитектуре rectified flow transformer и содержит 12 миллиардов параметров. Это текстово-изобразительная модель с заявленной поддержкой английского языка. Благодаря обучению методом latent adversarial diffusion distillation она способна генерировать изображения высокого качества за 1–4 шага, обеспечивая конкурентное следование текстовым запросам. GGUF-формат может быть удобен для запуска с совместимыми инструментами, однако конкретные требования к аппаратному обеспечению и поддерживаемые варианты квантования в README не указаны. К ограничениям относятся возможное несоответствие результата запросу, зависимость качества следования инструкциям от формулировки промпта и усиление общественных предубеждений, присутствующих в данных. Модель не предназначена для предоставления фактической информации. Лицензия Apache-2.0 разрешает использование в личных, научных и коммерческих целях при соблюдении её условий. Также заявлены ограничения на незаконное использование, причинение вреда, создание эксплуатационного контента, вредоносной дезинформации и полностью автоматизированное принятие решений, затрагивающее юридические права.