IV.1Ритейл, электронная коммерция и fashion-tech

Omnico/Flux2Klein_9B_diff_loras — модель или набор LoRA-адаптеров для генерации изображений по текстовому описанию, предназначенный для использования с библиотекой Diffusers. Разработчик указан как Omnico. Модель ориентирована на сценарии text-to-image и может применяться для создания художественных иллюстраций, фотореалистичных сцен, портретов, персонажей и изображений в различных стилях по промптам. Из доступных данных известно, что это diffusion LoRA с заявленным размером 9B в идентификаторе, однако точная базовая модель, архитектура, параметры адаптеров, поддерживаемые языки, максимальный контекст и перечень модальностей не указаны. Примеры показывают широкий диапазон визуальных стилей и сюжетов, включая реалистичную фотографию, аниме, фэнтези и живописные изображения. Ограничения, требования к памяти, рекомендации по весам LoRA и особенности качества также не описаны. Лицензия и условия использования в README не указаны, поэтому ограничения на коммерческое применение, перераспределение и модификацию требуют уточнения у разработчика.

Это LoRA-адаптер для генерации изображений по текстовому описанию, созданный пользователем pmczip на базе black-forest-labs/FLUX.2-klein-base-9B. Модель предназначена для text-to-image-сценариев в Diffusers и ориентирована на фотореалистичные портреты женщин, включая узнаваемое сходство с публичными персонами, а также на воспроизведение заданных внешних характеристик, одежды, аксессуаров, позы и фона. В карточке указаны архитектурная база FLUX.2-klein-base-9B, формат LoRA и safetensors, текстовая условность и поддержка английского языка. Точный размер адаптера, длина контекста и другие параметры архитектуры не приведены. Примеры показывают генерацию портретов с различными цветами волос и глаз, в том числе с использованием специальных идентификаторов персонажей. Сильными сторонами являются специализация на фотореалистичных портретах и управляемом воспроизведении внешности и деталей образа; ограничения включают отсутствие подробных сведений о качестве, настройках применения и границах обобщения. Лицензия обозначена как bespoke-lora-trained-license; условия приведены по ссылке на multimodal.art/civitai-licenses.

Free-Image-Generation — модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion 1.5 и дообученная слиянием нескольких модулей LoRA. Репозиторий содержит компоненты Diffusers: текстовый энкодер, U-Net, VAE, токенизатор и планировщик диффузии; размер модели по README — 1,07 млрд параметров. Модель предназначена для создания изображений по англоязычным текстовым запросам. Авторы заявляют, что сгенерированные изображения распространяются на условиях CC0, а веса базовой модели унаследовали лицензию CreativeML OpenRAIL-M; модули LoRA указаны как CC0-1.0. Для генерации рекомендуется CUDA-совместимый GPU. Качество результатов зависит от формулировки запроса и возможностей базовой архитектуры Stable Diffusion 1.5.

GLM-Edge-V-2B — компактная мультимодальная чат-модель семейства GLM от zai-org. Она принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, например ответов на вопросы об изображениях. В метаданных указаны архитектура GlmForCausalLM, 1,5 млрд параметров, контекст 4096 токенов и формат safetensors. Модель опубликована 24 ноября 2024 года. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория. README содержит мало сведений о возможностях и ограничениях, поэтому подробные сценарии применения и качество модели по нему определить нельзя.

HuMo — разработанная исследователями Университета Цинхуа и командой Intelligent Creation компании ByteDance модель для генерации видео с участием людей по мультимодальным условиям. Репозиторий содержит веса в форматах ONNX и safetensors; лицензия — Apache-2.0. В README описаны версии на 17 млрд и 1,7 млрд параметров, однако какая из них представлена в этой карточке, не уточняется. Модель создаёт видео по тексту и аудио, а также по тексту, изображениям и аудио. Она предназначена для управляемого создания роликов с заданными внешностью, одеждой, реквизитом и сценой, сохранением сходства с человеком на референсном изображении и синхронизацией движений с аудио. Поддерживаются разрешения 480p и 720p; для обучения использовались ролики длиной 97 кадров при 25 кадрах в секунду. README отмечает, что генерация длиннее 97 кадров может ухудшить качество, а версия 1,7 млрд параметров уступает 17-миллиардной по визуальному качеству. Для версии 1,7 млрд указана генерация видео 480p примерно за 8 минут на GPU с 32 ГБ памяти. В карточке не указаны поддерживаемые естественные языки; перечисленные сценарии и языковые возможности описаны без привязки к конкретному языку.

Krea2-realism-V2 — LoRA-модель для генерации изображений, разработанная пользователем cusiman и предназначенная для работы поверх базовой модели Krea-2-Turbo от Krea. Она ориентирована на повышение реалистичности результатов в сценариях text-to-image, включая улучшение текстур, освещения, композиции, лиц, кожи и естественности выражений. Модель совместима с Diffusers и может использоваться в рабочих процессах, поддерживающих LoRA, включая ранее созданные workflow для первой версии. Модель не требует специального триггерного слова: в качестве instance prompt указано none. Она поддерживает разные художественные стили, но особенно хорошо работает с естественными описаниями сцен длиной примерно 4–5 предложений. Для более сильного эффекта автор рекомендует значение strength 1.5–2.0, хотя при удачном промпте возможно использование 1.0. LoRA также совместима с другими character LoRA и может применяться для генерации контента NSFW, однако в этой области эффект описывается как более сдержанный. В README не указаны размер модели, точная архитектура базовой модели, поддерживаемые языки, максимальный контекст или конкретные аппаратные требования. Модель распространяется по лицензии MIT.

Krasovskiy/kwtopic-pairs — дообученный кросс-энкодер на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для определения, следует ли размещать два поисковых запроса на одной странице сайта. Модель сравнивает пару запросов и выдаёт оценку от 0 до 1, где высокое значение означает, что запросы относятся к одной странице. Это специализированный компонент пайплайна кластеризации ключевых слов, а не универсальный реранкер. Модель разработана для SEO-задач: проверки запросов внутри групп и на границах соседних групп. Обучена на 25 797 размеченных человеком парах из шести ниш, преимущественно на русском и украинском, с частью запросов на английском. Архитектура — BERT-кросс-энкодер для классификации последовательностей; в метаданных указано 124,3 млн параметров и контекст до 512 токенов, а в README описан режим обучения с обрезкой входа до 64 токенов. В тесте автор сообщает F1 83,4% против 77,4% у базовых эмбеддингов с подобранным порогом. Модель лучше всего подходит для разделения запросов с общей лексикой, но разным поисковым намерением. Она может ошибочно объединять запросы, различающиеся только числом, географией или брендом, и хуже работает с вложенными названиями. Перед применением такие переменные следует обрабатывать отдельно; для ниш, не представленных в обучении, качество нужно проверять на собственной разметке. Лицензия — Apache-2.0.

latent-consistency/lcm-lora-sdv1-5 — это адаптер LoRA на основе метода Latent Consistency Model для ускорения генерации изображений с базовой моделью runwayml/stable-diffusion-v1-5. Метод предложен Simian Luo, Yiqin Tan, Suraj Patil, Daniel Gu и другими авторами. Адаптер предназначен для использования с библиотекой Hugging Face Diffusers и совместимыми производными моделями Stable Diffusion v1.5. Модель ориентирована на задачи text-to-image, image-to-image, inpainting и сценарии с ControlNet. Она сокращает количество шагов инференса до примерно 2–8, что позволяет существенно ускорить генерацию по сравнению с обычным режимом Stable Diffusion. Размер адаптера составляет 67,5 млн параметров. Для работы требуется заменить планировщик на LCMScheduler; при text-to-image рекомендуется отключать guidance_scale либо использовать значения от 1,0 до 2,0. В README не указаны поддерживаемые языки и отдельные модальности помимо работы с текстовыми запросами и изображениями. Сильная сторона адаптера — ускоренная генерация при сохранении возможности применять распространённые пайплайны SDv1-5, включая преобразование изображений, дорисовку и управление через ControlNet. Ограничения связаны с зависимостью от совместимой базовой модели и настроек Diffusers, а также с необходимостью использовать малое число шагов и специальные параметры guidance. Лицензия модели — openrail++.

LISA-7B-v1 — мультимодальная модель Xin Lai и соавторов из проекта JIA-Lab, созданная для сегментации объектов на изображениях по текстовым запросам, требующим рассуждений. Она сочетает возможности языковой модели LLaVA с выводом масок сегментации на основе SAM и может формировать пояснения к результату и поддерживать многоходовый диалог. Модель содержит 6,6 млрд параметров, использует архитектуру LLaVA и имеет контекст длиной 2048 токенов. Разработчики показывают применение к сложным запросам, использующим контекст изображения и общие знания; модель также обучалась на задачах семантической и референсной сегментации и визуальных вопросах. Для репозитория указана лицензия Apache-2.0. Конкретные ограничения качества для этой версии в доступных источниках не описаны.

Llama-goodlens-mpnet — модель эмбеддингов предложений, разработанная beeformer для рекомендательных систем. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для контентной фильтрации, а также для использования текстовых описаний объектов как дополнительной информации при рекомендациях для новых пользователей или объектов. Модель основана на sentence-transformers/all-mpnet-base-v2 и дообучена без изменения архитектуры или исходных параметров на объединении датасетов Goodbooks-10k и MovieLens20M. Тексты описаний объектов для обучения были сгенерированы с помощью meta-llama/Meta-Llama-3.1-8B-Instruct. Архитектура — MPNet, размер — 136,7 млн параметров; ограничение обработанной последовательности при обучении было снижено до 384 токенов, а контекст модели составляет 514 токенов. Вход — текст на английском языке, выход — векторы эмбеддингов. Карточка указывает, что результаты оценки пока не опубликованы, а модель создана как демонстрация возможностей beeFormer и предназначена для исследований. Лицензия — Llama 3.1.

Это bf16-чекпойнт для генерации изображений, подготовленный из дистиллированной модели LTX 2.3 компании Lightricks. Репозиторий содержит Diffusers-пакет, обрезанный для работы с изображениями; исходные сценарии генерации видео и аудио в нём не доступны. Модель предназначена для конвейеров LTX2ImagePipeline и LTX2ImageImg2ImgPipeline. Вариант сохраняет дистиллированный image transformer в формате bf16 и рассчитан на генерацию за 8 шагов с фиксированным расписанием sigma и guidance scale 1.0. Он может создавать изображение по текстовому описанию и преобразовывать изображение по заданию. По README, это вариант с лучшим качеством среди дистиллированных версий только для изображений, но для работы требуются достаточные ресурсы RAM/VRAM и настройка выгрузки весов. Нового обучения или изменения датасета не проводилось. Унаследована лицензия LTX Video 2 Open Source License; в метаданных лицензия обозначена как other.

MambaOut Femto — модель классификации изображений из семейства MambaOut, опубликованная авторами работы «MambaOut: Do We Really Need Mamba for Vision?» и предобученная на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 7,3 млн параметров и требует около 1,2 GMACs на изображение. В карточке указаны размеры изображений 224 × 224 для обучения и 288 × 288 для тестирования. Модель подходит для классификации изображений и извлечения визуальных представлений в компьютерном зрении. Модель распространяется под лицензией Apache-2.0. Она обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных; показатели качества конкретно для варианта Femto в предоставленной карточке не приведены.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Она создаёт видео со стереозвуком по тексту, изображениям и мультимодальным опорным материалам; варианты H3-Base-FL2VA и H3-Base-Ref2VA поддерживают генерацию по первому и последнему кадрам, а также по наборам изображений, видео и аудиоклипов. Выходные ролики длятся 4–15 секунд, поддерживают разные пропорции кадра и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K предназначен для повторной генерации в разрешении до 2K. Архитектура H3-Base объединяет текстовые и визуальные представления с аудиолатентами в мультимодальной последовательности, которую обрабатывает H3-Omni-Transformer; модель совместно предсказывает видео и аудио. В открытый выпуск не входит H3-Context-IR — размещённая отдельно система предварительной обработки сложных мультимодальных инструкций, поэтому для таких сценариев требуется использовать API или собственную подготовку контекста. В текущем выпуске инференс использует full attention, а не sparse attention. Репозиторий содержит веса в формате Diffusers/Safetensors. Лицензия обозначена как other; перед использованием следует проверить её условия.

MoonViT-V2 — дообученная зрительная башня MoonViT-V2 с проектором из мультимодальной модели Kimi K3. Репозиторий immanuelpeter упаковывает компоненты обработки изображений Kimi K3 отдельно от полного чекпойнта. Модель содержит 453 млн параметров; архитектура башни включает 27 слоёв, размер скрытого представления 1024, 12 голов внимания и патчи размером 14 пикселей. Сжатие токенов выполняется с помощью pixel shuffle 2×2 и временного пулинга, а проектор преобразует признаки в представление размерности 7168. Модель предназначена для извлечения признаков изображений и получения проектированных визуальных представлений, например, как зрительный компонент мультимодальной системы. Веса башни сохранены в BF16, формат репозитория — safetensors. В README описано воспроизведение визуального тракта Kimi K3 без загрузки полного чекпойнта; авторы кода и исходных весов — AI4Industry и Moonshot AI соответственно. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

naflexvitb16nepa-generic — визуальный энкодер семейства NaFlex ViT B/16, разработанный проектом Birder. Модель содержит 85,8 млн параметров и предварительно обучена методом NEPA на разнообразном наборе примерно из 20 млн изображений. Она извлекает векторные признаки изображений и формирует карты признаков для использования в качестве основы последующих компьютерно-зрительных моделей; для отдельной задачи классификации модель не дообучалась. Энкодер поддерживает переменный размер патчей от 14 до 32 пикселей и изображения с разрешением от 192 до 320 пикселей при бюджете последовательности 36–400 токенов. Заявлены сценарии построения классификаторов, детекторов объектов и моделей сегментации. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Nunchaku-quantized версия модели FLUX.1-schnell, разработанная командой Nunchaku на основе модели Black Forest Labs. Это диффузионная text-to-image модель для генерации изображений по текстовым запросам; она интегрируется с библиотекой Diffusers и поддерживает использование через ComfyUI. Ключевая цель версии Nunchaku — повысить эффективность инференса при минимальной потере качества по сравнению с исходной FLUX.1-schnell. Модель использует 4-битное квантование SVDQuant. Доступны варианты INT4 для графических процессоров до серии NVIDIA 50 и NVFP4 для Blackwell GPU серии 50. В репозитории также указаны inference engine Nunchaku и библиотека квантования DeepCompressor. Поддерживаемый язык в метаданных — английский; сведения о размере модели, длине контекста, точной архитектуре и других модальностях не приведены. Модель подходит для эффективной генерации изображений из текстовых описаний, особенно при ограниченных вычислительных ресурсах или необходимости ускоренного инференса. Основные ограничения связаны с 4-битным квантованием и зависимостью от совместимого оборудования и программного стека; точные показатели производительности в README не указаны. Лицензия — Apache-2.0.

Paramount — модель генерации изображений по текстовому описанию, созданная Yntec путём объединения моделей Paragon 1.0, AnalogMadness и Analog Diffusion. Она предназначена для создания разнообразных изображений с фотографической подачей и эстетикой аналоговой плёнки: от кинематографичных сцен и портретов до иллюстраций и рекламных сюжетов. Репозиторий содержит веса в формате safetensors для Diffusers; в основе семейства лежит Stable Diffusion 1.5. Примеры в карточке показывают широкий диапазон сюжетов и стилей, включая изображения людей, фантастические сцены и стилизованные кадры. Карточка не сообщает размер модели и длину контекста. Лицензия — CreativeML OpenRAIL-M; перед применением следует учитывать её условия использования и ограничения на распространение.

PhotoMaker — модель TencentARC для персонализированной генерации изображений. Она принимает одну или несколько фотографий лица и текстовый запрос, чтобы создать изображение или иллюстрацию с заданной внешностью; обучение пользователя не требуется. Модель можно применять с базовыми моделями на основе SDXL и сочетать с другими модулями LoRA. Состав модели включает дообученный OpenCLIP-ViT-H-14 с дополнительными слоями слияния для кодирования личности, а также веса LoRA ранга 64 для слоёв внимания UNet. Для работы используется библиотека diffusers. Модель ориентирована на англоязычные запросы; лицензия — Apache-2.0. Качество персонализации может снижаться для лиц азиатских мужчин, а генерация человеческих рук остаётся затруднённой. В README также отмечено, что генеративные модели могут усиливать социальные предубеждения.

Pony Realism — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi и предоставляемая через ModelsLab API. Она предназначена для создания фотореалистичных изображений, включая портреты и сцены с кинематографическим освещением. В примере использования задаются текстовый и отрицательный промпты, размер изображения, число шагов генерации и guidance scale; доступны также параметры усиления промпта, апскейла и подключения LoRA или embeddings. В метаданных указаны формат Diffusers/PyTorch и лицензия CreativeML OpenRAIL-M. README описывает вызов API ModelsLab и параметры генерации, но не раскрывает базовую модель, число параметров, контекст или поддерживаемые языки. Пример содержит английский промпт; наличие параметра multi_lingual само по себе не подтверждает поддержку конкретных языков.

Qwen-Image-2512-3bit — 3-битная квантованная версия модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для запуска на компьютерах Apple Silicon. Модель принимает текстовый запрос и создаёт изображение; для запуска в README предлагается библиотека mflux. Указанный объём варианта 3-bit — около 22 ГБ. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализированные природные сцены и отрисовку текста на изображениях. Квантование позволяет использовать модель в меньшем объёме памяти, но может влиять на качество результата. Репозиторий распространяется по лицензии Apache-2.0.

joyfox/Qwen-Image-Edit-2511-Upscale2K — LoRA-адаптер для Qwen/Qwen-Image-Edit-2511, разработанный лабораторией искусственного интеллекта Chongqing Valiant Cat Technology Co., LTD. Модель предназначена для увеличения разрешения изображений примерно до 2K и высокодетализированного апскейлинга с сохранением содержания сцены. Она работает в сценариях image-to-image и ориентирована на использование в ComfyUI, а также через библиотеку Diffusers. Адаптер подключается к базовой модели Qwen-Image-Edit-2511 и распространяется в формате Safetensors. В README указан англоязычный промпт-триггер «Upscale this picture to 4K resolution.», однако фиксированное ключевое слово не требуется, а другие формулировки промптов рекомендуется тестировать отдельно. Для запуска приведён пример с QwenImageEditPipeline, CUDA, типом bfloat16 и 50 шагами инференса. Сведения о точном размере модели, архитектуре базовой модели, поддерживаемых языках и максимальном контексте не указаны. Сильная сторона модели — специализированная настройка для увеличения изображений с учётом содержания сцены и интеграция с готовыми рабочими процессами Qwen-Image-Edit-2511. Ограничения включают зависимость от базовой модели и необходимость подбора промпта и параметров инференса; заявленное увеличение до 4K в примере не заменяет явно указанную основную цель — получение изображения примерно 2K. Модель распространяется по лицензии Apache-2.0.

Карточка модели Itdoesntmatterfoff/Realistic_Vision_V5.1_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V5.1_noVAE, поэтому описание составлено по ней. Realistic Vision V5.1 noVAE — модель генерации изображений по текстовому описанию, опубликованная пользователем Hugging Face SG161222. Она предназначена для создания реалистичных изображений; автор рекомендует для версии 5.1 подключать VAE, чтобы повысить качество и уменьшить артефакты. В карточке указаны формат Diffusers и веса Safetensors, а лицензия — CreativeML OpenRAIL-M. README предлагает параметры генерации Euler A или DPM++ 2M Karras и CFG Scale 3,5–7, а также рекомендует Hires.fix с апскейлером 4x-UltraSharp. В качестве ограничений отмечены возможные артефакты, анатомические ошибки и нежелательные детали, которые автор предлагает снижать с помощью отрицательного промпта. Карточка не указывает базовую модель или размер чекпойнта.

Карточка модели Nikijdhebd/Realistic_Vision_V6.0_B1_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V6.0_B1_noVAE, поэтому описание составлено по ней. Realistic Vision V6.0 B1 noVAE — бета-версия модели генерации изображений от автора SG161222, ориентированная на реализм и фотореализм. Она создаёт изображения по текстовым запросам и рассчитана на портреты, изображения по пояс и в полный рост; в карточке приведены рекомендуемые разрешения вплоть до 1152×1152 и параметры генерации с разными сэмплерами и Hires.Fix. Это неполная версия V6.0, выпуск которой планировался поэтапно. Для версии V6.0 автор рекомендует подключать VAE, чтобы повысить качество и уменьшить артефакты; несмотря на название noVAE, в README не утверждается, что VAE не нужен для этой версии. На крупных разрешениях возможны искажения и дублирование объектов, а некоторые позы могут генерироваться некорректно. Модель распространяется по лицензии CreativeML OpenRAIL-M.

RealVisXL V2.0 — модель генерации изображений по текстовому описанию, разработанная автором репозитория SG161222 и основанная на Stable Diffusion XL. Она предназначена для создания фотореалистичных изображений; автор отмечает, что модель может создавать как изображения общего содержания, так и материалы для взрослой аудитории. Репозиторий использует Diffusers и формат весов Safetensors. Модель рассчитана на генерацию изображений по текстовым запросам. Автор предупреждает, что на момент публикации карточки модель ещё находилась в процессе обучения и могла давать артефакты или слабые результаты в отдельных случаях. Лицензия — OpenRAIL++; перед использованием следует учитывать её условия, особенно для создаваемого контента.

RealVisXL V4.0 — модель генерации изображений по текстовому описанию от SG161222, построенная для фотореалистичного результата и доступная через Diffusers в форматах Safetensors. Карточка описывает её как находящуюся в процессе обучения и предупреждает о возможных артефактах и нестабильном качестве; модель может создавать изображения как обычного, так и откровенного содержания. Модель подходит для создания реалистичных изображений по промптам и последующей обработки результата с увеличением разрешения. В README рекомендованы 25 и более шагов генерации, сэмплер DPM++ 2M Karras и, при использовании Hires Fix, умеренное увеличение изображения с низкой или средней силой устранения шума. Лицензия — OpenRAIL++.

RepViT M2, дообученная с дистилляцией модель для классификации изображений, представленная авторами статьи RepViT и опубликованная в репозитории timm. Модель обучена на ImageNet-1k и предназначена для присвоения изображению класса из набора меток ImageNet; её также можно использовать как компактную сверточную основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит 8,8 млн параметров, требует 1,4 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий включает веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает сценарии классификации, извлечения карт признаков и эмбеддингов, но классификация является основной задачей модели.

SD-Turbo — быстрая генеративная модель Stability AI для создания изображений по текстовому описанию. Это дистиллированная версия Stable Diffusion 2.1, обученная методом Adversarial Diffusion Distillation для генерации за 1–4 шага; обычно достаточно одного шага, а предпочтительный размер изображения — 512×512 пикселей. Модель предназначена для быстрого синтеза изображений в творческих инструментах, дизайне и исследованиях генеративных моделей. Она принимает текстовый запрос и выдаёт изображение; также поддерживается сценарий image-to-image. Для работы в одном или двух шагах модель сочетает дистилляцию по оценкам с состязательной функцией потерь. К ограничениям относятся более низкое качество и соответствие запросу по сравнению с SDXL-Turbo, неидеальный фотореализм, сложности с корректной генерацией лиц и людей, а также неспособность надёжно создавать читаемый текст на изображениях. Модель не предназначена для достоверного изображения реальных людей или событий. Условия коммерческого использования в карточке не раскрыты полностью: README отсылает к отдельным условиям Stability AI.

anismizi разработала модель классификации изображений кожи лица на основе ResNet50, дообученной с пользовательской классификационной головой. Она принимает RGB-изображения размером 224 × 224 пикселя и относит кожу к одному из двух классов: сухая или жирная. Модель предназначена для оценки типа кожи, персонализации ухода и рекомендаций косметических продуктов, а также для исследовательских сценариев. Она выдаёт оценки вероятности для каждого класса и работает на PyTorch с библиотекой Transformers. Репозиторий распространяется по лицензии MIT. Модель рассчитана на изображения лица с хорошо освещённой и различимой кожей. Её результаты могут различаться в зависимости от тона кожи и этнической принадлежности; модель не предназначена для постановки медицинского диагноза. В README не приведены численные метрики качества.

nmkd/stable-diffusion-1.5-fp16 — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем NMKD на Hugging Face. Она основана на Stable Diffusion v1.5, разработанной Robin Rombach и Patrick Esser, и предназначена для text-to-image, а также модификации изображений по текстовым запросам. Это latent diffusion model с архитектурой, включающей условный U-Net, VAE и фиксированный текстовый энкодер CLIP ViT-L/14. Репозиторий содержит веса в формате Safetensors с точностью F16 и заявленным размером около 0,9 млрд параметров. Базовая версия Stable Diffusion v1.5 обучалась для генерации изображений с разрешением 512×512 и поддерживает английские текстовые запросы. Модель ориентирована на локальный запуск через Diffusers и совместимые приложения. Сильные стороны — открытые веса, сравнительно небольшой размер и широкая экосистема инструментов для локальной генерации изображений. Ограничения включают зависимость качества от формулировки запроса и аппаратного обеспечения, преимущественную ориентацию на английский язык и унаследованные ограничения искажения содержания или выдачи нежелательных результатов, характерные для Stable Diffusion v1.5. Для репозитория указана лицензия CreativeML OpenRAIL-M.

stable-diffusion-xl-1.0-turbo-GGUF — экспериментальная GGUF-квантизованная версия SDXL-Turbo, разработанная Stability AI. Модель предназначена для генерации изображений по текстовому описанию и основана на SDXL 1.0 Base. Для ускорения вывода применяется метод Adversarial Diffusion Distillation, позволяющий синтезировать изображения за 1–4 шага, включая практически мгновенную генерацию в режиме реального времени. Модель поддерживает сценарии text-to-image и image-to-image, подходит для исследований генеративных моделей, создания иллюстраций, дизайна, образовательных и творческих инструментов, а также приложений реального времени. Предпочтительный размер изображения — 512×512, при этом возможны и более высокие разрешения. Для text-to-image не требуются guidance_scale и negative_prompt; рекомендуемое значение guidance_scale равно 0.0. Варианты GGUF включают FP16, Q8_0, Q4_1 и Q4_0, тогда как OpenAI CLIP ViT-L/14, OpenCLIP ViT-G/14 и VAE указаны в формате FP16. Работа именно этой сборки официально обозначена как экспериментальная и поддерживается только gpustack/llama-box версии v0.0.75 и выше. Сильные стороны модели — высокая скорость, хорошее качество и соответствие текстовому запросу при малом числе шагов; четыре шага могут улучшать результат по сравнению с однопроходной генерацией. Ограничения включают зависимость от специализированной поддержки llama-box, отсутствие указанных сведений о точном числе параметров, языках и максимальном контексте, а также возможные ограничения качества и безопасности, характерные для генеративных моделей изображений. Лицензия указана как Stability AI Non-Commercial Community License; условия коммерческого использования необходимо уточнять у Stability AI.