IV.1Ритейл, электронная коммерция и fashion-tech

Это квантованные версии модели Stable Diffusion XL Base 1.0, разработанной Stability AI и преобразованные в формат GGUF для работы с runtime stable-diffusion.cpp. Модель предназначена для генерации изображений по текстовому описанию (text-to-image), включая создание изображений размером 1024×1024. Доступны варианты BF16, Q8_0, Q4_K и Q4_0: BF16 обеспечивает наиболее высокое качество при максимальном размере, Q8_0 предлагает сбалансированное соотношение качества и размера, а Q4_K и Q4_0 требуют меньше места за счёт более сильного квантования. Для работы рекомендуется CUDA-совместимая GPU, однако декодирование VAE можно перенести на CPU; это снижает требования к видеопамяти, поскольку декодер может использовать до 10 ГБ VRAM. Модель рассчитана на использование через stable-diffusion.cpp и поддерживает серверный API для генерации изображений. В README не указаны отдельные сведения о языках, точной архитектуре и размере параметров. Модель наследует лицензию CreativeML Open RAIL++-M исходной модели.

Switti — генеративная модель Yandex Research для создания изображений по текстовому описанию. Её архитектура использует scale-wise transformer: генерация выполняется по масштабам изображения. Модель предназначена для синтеза изображений по текстовым запросам. В README приведено сравнение пользовательских предпочтений к Switti и конкурирующим моделям по разным аспектам, но численные результаты и подробности оценки в доступном тексте не раскрыты. Репозиторий содержит веса в формате safetensors; метаданные указывают поддержку английского языка. Условия лицензирования в предоставленных данных не описаны.

Это предварительно обученные веса noisy-student для EfficientNet-B4 из библиотеки timm, опубликованные в репозитории smp-hub и предназначенные для использования в качестве энкодера библиотеки segmentation-models-pytorch. Они подходят для классификации изображений и могут служить визуальным энкодером в моделях сегментации. Веса распространяются в формате safetensors; метаданные указывают лицензию other.

tinynete.in1k — компактная модель компьютерного зрения семейства TinyNet для классификации изображений. Она обучена авторами исследования на ImageNet-1k и содержит около 2 млн параметров; модель также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В карточке указано входное разрешение 106 × 106 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k и для сценариев, где нужен небольшой классификатор или компактные признаки изображения. Репозиторий использует библиотеку timm, веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ViTPose++ Large — модель компьютерного зрения на основе обычного, неиерархического Vision Transformer и лёгкого декодера для оценки позы человека. Разработана командой ViTAE-Transformer; карточка опубликована в Transformers и указывает авторов Yufei Xu, Jing Zhang, Qiming Zhang и Dacheng Tao. Модель принимает изображения и определяет координаты ключевых точек тела человека, например суставов. Семейство ViTPose показало высокие результаты на бенчмарке MS COCO Keypoint; README приводит оценку до 81,1 AP для ViTPose++. Модель подходит для анализа поз на изображениях, а при обработке кадров — и видео, включая отслеживание упражнений, движений и действий. Обучающие и оценочные данные включают MS COCO, AI Challenger, MPII, CrowdPose и OCHuman. Карточка описывает ограничения семейства: результаты могут зависеть от окклюзий и качества входных данных, а дополнительные архитектурные улучшения ещё не исследованы. Репозиторий распространяется по лицензии Apache-2.0.

Zoom-IQA-7B — мультимодальная модель для оценки качества изображений без эталонного изображения, разработанная авторами проекта Zoom-IQA. Она анализирует изображение с помощью двухэтапного рассуждения с учётом отдельных областей: выделяет значимые фрагменты и использует их при формировании оценки. В репозитории опубликованы веса для инференса; модель дообучена на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми инструкциями, выдавая текстовый результат оценки качества. Её можно применять в исследованиях оценки изображений без референса и для анализа визуальных дефектов или различий между областями изображения. Контекст составляет до 128 000 токенов. Лицензия — Apache-2.0. Результаты генерируются сэмплированием и иногда могут иметь некорректный формат. Оценки зависят от формулировки запроса, настроек декодирования, предобработки и версии среды запуска; модель предназначена для исследований качества изображений, а не для решений с высокими последствиями.

MLbackup/10_2025 — модель генерации изображений по текстовому описанию, опубликованная организацией Machine Learning Backup на Hugging Face. Она построена на базе OnomaAIResearch/Illustrious-xl-early-release-v0 и дообучена для создания изображений по промптам; репозиторий распространяется в формате safetensors и предназначен для запуска через Diffusers. Модель принимает текст и выдаёт изображение. В карточке указаны английский язык и лицензия CreativeML Open RAIL-M. Репозиторий отмечен как содержащий потенциально чувствительный контент.

Alchemy3D — открытая базовая модель для редактирования существующих 3D-объектов, разработанная авторами из Гонконгского университета, Shenzhen Loop Area Institute, Shanghai Innovation Institute и Sun Yat-Sen University. Модель принимает исходную 3D-сетку, например в формате GLB, и целевое изображение-образец, а затем изменяет объект, сохраняя его идентичность и структуру. Поддерживаются добавление и удаление элементов, замена частей объекта, локальное и глобальное изменение внешнего вида, а также редактирование анимации. Модель обучена на наборе Alchemy3D-1M, содержащем 1,25 млн уникальных объектов и 1,38 млн пар редактирования с семью типами правок, и использует структурированные латенты TRELLIS.2. В репозитории представлены веса Safetensors; лицензия — Apache-2.0. Для работы требуются исходная 3D-сетка и изображение-образец; заявленное назначение — редактирование 3D-объектов, поэтому модель не следует описывать как генератор объектов с нуля.

AuraFlow v0.3 — открытая flow-based модель генерации изображений по текстовому описанию, представленная Runware. По карточке, она дообучена относительно AuraFlow-v0.2 на дополнительных эстетических датасетах и поддерживает разные соотношения сторон; ширина и высота изображения могут достигать 1536 пикселей. Репозиторий распространяется в формате Diffusers с весами SafeTensors. Модель предназначена для создания изображений по текстовым промптам. Лицензия Apache-2.0 разрешает использование на её условиях. В карточке не приведены сведения о числе параметров, поддерживаемых языках и специальных ограничениях качества.

Vhey/a-zovya-photoreal-v2 — модель генерации фотореалистичных изображений на основе Stable Diffusion, представленная разработчиком Vhey. Она предназначена для преобразования текстовых запросов в изображения с выраженной текстурой кожи, реалистичным освещением и детализированными лицами. Дополнительное обучение было направлено на разнообразие внешности и более сбалансированное представление лиц разных рас; модель использует Diffusers и формат весов SafeTensors. Модель подойдёт для создания портретов и фотореалистичных изображений людей по текстовому описанию. Разработчик отмечает, что усиленная детализация кожи может не подойти тем, кто предпочитает сглаженный, ретушированный вид; для этого предлагается добавить «detailed skin» в негативный запрос. Указанная лицензия — CreativeML OpenRAIL-M.

beLIEve — объединённая модель генерации изображений от Yntec, созданная на основе I Can't Believe It's Not Photography v1 и realisticStockPhoto v3. Она предназначена для создания фотореалистичных изображений по текстовым промптам, особенно портретов и людей, с улучшенной детализацией и разнообразием лиц. Модель использует Stable Diffusion 1.5 и доступна в форматах Diffusers и Safetensors. Модель подходит для генерации портретов, кинематографичных сцен и изображений в стиле фотографии по описанию на естественном языке. Карточка демонстрирует промпты на английском языке. Лицензия — CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.

CaiT-XXS24-384.fb_dist_in1k — модель классификации изображений на базе архитектуры CaiT (Class-Attention in Image Transformers), опубликованная авторами timm. Она предварительно обучена на ImageNet-1k с дистилляцией и может применяться как классификатор изображений или как backbone для извлечения признаков. Модель содержит 12 млн параметров, обрабатывает изображения размером 384 × 384 и требует библиотеку timm; веса доступны в форматах PyTorch и safetensors под лицензией Apache-2.0. Модель предназначена для распознавания объектов и других классов ImageNet на изображениях, а также для получения визуальных признаков в прикладных системах компьютерного зрения. README не приводит измерений качества или подробностей о переносе на другие наборы классов; применение вне ImageNet-1k может потребовать дополнительной настройки.

Canopus-LoRA-Flux-UltraRealism-2.0 — это LoRA-адаптер, разработанный prithivMLmods для базовой модели black-forest-labs/FLUX.1-dev. Он предназначен для генерации фотореалистичных и гиперреалистичных изображений, включая портреты, фотографии людей, сцены с высокой детализацией, реалистичными текстурами и освещением. Модель ориентирована на использование с Diffusers и другими совместимыми пайплайнами генерации изображений. Адаптер обучен на 70 и более изображениях высокого разрешения с англоязычной разметкой, созданной с помощью Florence-2. Указаны параметры LoRA: network dimension 64 и network alpha 32; обучение выполнялось с оптимизатором AdamW, 20 эпохами и более чем 3,8 тыс. шагов. Модель работает с текстовыми запросами на английском языке и не является мультимодальной моделью общего назначения. Размер базовой модели, максимальная длина контекста и другие характеристики FLUX.1-dev в README не уточняются. Сильная сторона адаптера — акцент на реалистичной передаче лиц, фактур, деталей, освещения и фотографического стиля. При этом автор предупреждает, что модель всё ещё находится в стадии обучения, не является финальной версией, может создавать артефакты и плохо работать в отдельных случаях. Для использования рекомендуется совместимый инструментарий LoRA, включая Diffusers. Указана лицензия creativeml-openrail-m-m; README также сообщает о новой версии strangerzonehf/Flux-Super-Realism-LoRA.

Chroma1-Flash — модель генерации изображений по текстовому описанию от Lodestone Rock, опубликованная в репозитории lodestones на Hugging Face. Она рассчитана на быстрое создание изображений по текстовым промптам и распространяется в формате Diffusers; карточка показывает размер 9 млрд параметров и пример запуска через DiffusionPipeline. Модель предназначена для сценариев генерации изображений локально или в приложениях на базе Diffusers. Для неё указана лицензия Apache-2.0. Подробности об архитектуре, поддерживаемых языках и ограничениях качества в доступных источниках не раскрыты.

timm/convnextv2_atto.fcmae — сверточная модель семейства ConvNeXt V2 от разработчиков timm, обученная на ImageNet-1k методом self-supervised предобучения FCMAE (fully convolutional masked autoencoder). Модель содержит 3,4 млн параметров, рассчитана на изображения 224 × 224 и не имеет предварительно обученной классификационной головы. Она предназначена для извлечения признаков и карт признаков из изображений, а также как основа для дообучения под классификацию и другие задачи компьютерного зрения. Компактный размер и вычислительная стоимость 0,6 GMAC подходят для построения сравнительно лёгких визуальных конвейеров. Модель принимает изображения и выдаёт визуальные признаки; готовые метки классов без добавления и обучения головы она не предсказывает. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/convnextv2-nano-1k-224 — сверточная модель семейства ConvNeXt V2, разработанная командой ConvNeXt и опубликованная в репозитории Facebook. Модель предварительно обучена с помощью FCMAE, затем дообучена на ImageNet-1K для классификации изображений с разрешением 224×224. Архитектура включает полностью сверточный masked autoencoder и слой Global Response Normalization (GRN). Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet-1K и может служить отправной точкой для классификации изображений в компьютерном зрении. Доступны реализации весов для PyTorch и TensorFlow, включая safetensors. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит подробностей об ограничениях помимо специализации на классификации по ImageNet-1K.

ConvNeXT XLarge — сверточная модель компьютерного зрения, разработанная авторами статьи «A ConvNet for the 2020s» и представленная в репозитории Hugging Face. Она обучена на ImageNet-1k для классификации изображений с разрешением 224×224 пикселя и предсказывает один из 1000 классов ImageNet. Архитектура ConvNeXT — чистая сверточная сеть, дизайн которой вдохновлён Vision Transformers и Swin Transformer. Модель можно использовать для классификации изображений общего назначения или как основу для специализированных версий. Репозиторий содержит веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Она предназначена для классификации изображений; карточка не описывает другие задачи и специализированные области применения.

timm/crossvit_15_dagger_240.in1k — модель классификации изображений семейства CrossViT, обученная авторами исследования на ImageNet-1k. Она использует многомасштабный Vision Transformer с перекрёстным вниманием и может применяться как классификатор или как визуальная основа для извлечения признаков. Модель содержит 28,2 млн параметров, требует изображение размером 240 × 240 пикселей и имеет вычислительную сложность 6,1 GMAC. Её можно использовать для присвоения изображениям классов ImageNet-1k и получения эмбеддингов изображений. Доступны веса PyTorch и SafeTensors; библиотека модели — timm. Лицензия — Apache-2.0. Модель рассчитана на задачи компьютерного зрения общего назначения, однако обучение на ImageNet-1k ограничивает применимость классификации набором классов и распределением данных этого датасета. Для других предметных областей может потребоваться дообучение или отдельная проверка качества.

Это свёрточная модель CS3-DarkNet для классификации изображений и извлечения признаков; её обучил Росс Уайтман с помощью скриптов timm. Архитектура использует Cross-Stage-Partial-соединения и три свёрточных слоя. Модель содержит около 3,3 млн параметров, требует 0,7 GMACs и обучена на ImageNet-1k. Размер изображения при обучении составлял 256 × 256 пикселей, при тестировании — 320 × 320. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Весовые файлы доступны в форматах PyTorch и Safetensors, использовать модель можно через timm. Лицензия — Apache-2.0. Описание не приводит численных результатов именно этой модели, поэтому её точность по карточке оценить нельзя. Классификатор ориентирован на категории ImageNet-1k; его пригодность для других наборов классов зависит от дополнительной настройки.

Data2vec-Vision Large — модель компьютерного зрения от Facebook, основанная на архитектуре BEiT и обученная для классификации изображений. Сначала модель предварительно обучили методом self-supervised learning, затем дообучили на ImageNet-1k: 1,2 млн изображений и 1000 классов. Число параметров — 411 млн; для обработки изображения используется разрешение 224×224 пикселя. Модель принимает изображение и предсказывает класс из набора ImageNet-1k. Она подходит для классификации объектов на фотографиях и для экспериментов с распознаванием изображений. В описанной оценке точность top-1 на ImageNet-1k составила 86,50%. Для обучения и оценки изображения нормализуют по RGB-каналам; авторы отмечают, что при дообучении более высокое разрешение может дать лучшие результаты. Модель распространяется по лицензии Apache-2.0. Она предназначена для классификации в пределах 1000 классов ImageNet-1k; карточка не заявляет поддержку других задач или языков.

Это веса DenseNet121, предварительно обученной на ImageNet модели классификации изображений, подготовленные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Репозиторий содержит веса в формате safetensors; библиотека предназначена для задач компьютерного зрения и сегментации изображений. Модель принимает изображение и предназначена для классификации по категориям ImageNet, а также может служить энкодером при построении моделей сегментации. В карточке не указаны размер весов, длина контекста или поддерживаемые естественные языки. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

DiNAT-Tiny — иерархический визуальный трансформер, разработанный Shi Labs и обученный на ImageNet-1K для классификации изображений с разрешением 224×224. Модель использует Neighborhood Attention и её разреженный вариант Dilated Neighborhood Attention: каждый токен обрабатывает ограниченное скользящее окно соседних пикселей. Веса содержат около 14,7 млн параметров и распространяются в формате PyTorch. Модель подходит для классификации изображений по 1000 классам ImageNet, в том числе как основа для последующей адаптации под другие задачи компьютерного зрения. Для запуска нужны Transformers и пакет NATTEN. Лицензия — MIT.

zeromodels/dinov2-giant — конверсия модели DINOv2 от Facebook AI Research, опубликованная проектом zeromodels в формате Keras 3. Это самообученный визуальный энкодер ViT-g/14 с архитектурой SwiGLU FFN: он извлекает признаки и патч-токены из изображений для последующего использования в задачах компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX. Модель предназначена для использования как визуальный бэкбон с последующими специализированными головами, например для классификации или локализации объектов. Она не содержит готовой целевой головы и не решает такие задачи напрямую. Распространяется по лицензии Apache 2.0.

EditScore/EditScore-Qwen3-VL-4B-Instruct — модель оценки качества результатов редактирования изображений, разработанная командой EditScore из VectorSpaceLab. Это LoRA-адаптер для Qwen/Qwen3-VL-4B-Instruct, предназначенный для instruction-guided image editing и работы в качестве reward model. Модель оценивает, насколько отредактированное изображение соответствует инструкции, и может применяться для ранжирования нескольких вариантов, выбора лучшего результата и формирования сигнала вознаграждения при Reinforcement Learning fine-tuning моделей редактирования изображений. В README указано, что вариант на 4B параметров обеспечивает высокую эффективность и по результатам сопоставим с исходной версией EditScore на 32B параметров. Архитектура, языки, точный размер контекста и полный перечень поддерживаемых модальностей отдельно не указаны; из базовой модели следует, что адаптер рассчитан на vision-language сценарии. Ограничения и сведения о качестве зависят от используемых данных и задач редактирования, а результаты на конкретных доменах в README не приведены. Лицензия обозначена как other, без уточнения условий использования.

EfRLFN-x4 — порт модели EfRLFN на Apple MLX, опубликованный сообществом mlx-community для увеличения разрешения изображений в 4 раза. Модель принимает изображение низкого разрешения и создаёт версию с повышенным разрешением; заявлены сопоставимость результатов с PyTorch на уровне около 1e-6 и быстрое выполнение на Apple Silicon. Для иллюстрации скорости в карточке приведён пример увеличения изображения 270×480 до 1080×1920 примерно за 0,06 секунды. Это производная модель на основе EvgeneyBogatyrev/EfRLFN, распространяемая в формате safetensors и предназначенная для запуска с MLX. Лицензия — MIT. Карточка не уточняет ограничения по типам изображений и качество восстановления деталей, поэтому результат может зависеть от входного изображения и сценария использования.

EpicMixVirtualRealismv6 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная в библиотеке SD Dreambooth Library. По README, это отдельная ветвь EpicMix V3: при создании смешивали Epicv3 с Noise Offset, Babes 11, Cake Mix, Epic Portrait, Retro и Lucious Mix; в README также упомянуты отрицательные эмбеддинги из блокнота Nocrypt. Модель предназначена для создания реалистичных изображений, в том числе портретов и изображений людей, по текстовым запросам. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; указана лицензия CreativeML OpenRAIL-M. Точное число параметров и длина контекста в предоставленных данных не приводятся.

Flex.1 alpha — базовая модель генерации изображений по текстовому описанию, разработанная независимым инженером по машинному обучению Ostris. Это трансформер rectified flow на 8 млрд параметров с архитектурой, близкой к FLUX.1-dev, но с меньшим числом двойных блоков трансформера: 8 вместо 19. Модель принимает текст длиной до 512 токенов и формирует изображения; обученный модуль guidance позволяет генерировать их без обязательного CFG, который при необходимости также поддерживается. Модель подходит для генерации изображений и дальнейшего тонкого дообучения, включая обучение LoRA. В README указана совместимость с Diffusers, ComfyUI и другими движками, поддерживающими FLUX-подобные модели. Flex.1 выросла из адаптера для FLUX.1-schnell и последующего проекта OpenFLUX.1; автор сообщает о продолжении обучения на новых данных и экспериментах с pruning. Распространяется по лицензии Apache 2.0. Карточка не уточняет языки обучающих данных и характеристики создаваемых изображений.

F Lite Texture — вариант диффузионной модели F Lite, разработанный Freepik и Fal для генерации изображений по текстовым запросам с улучшенными текстурами и эстетикой. Базовая модель насчитывает 10 млрд параметров и создана на основе внутреннего набора Freepik примерно из 80 млн изображений, описанных разработчиками как безопасные с точки зрения авторских прав и предназначенные для аудитории SFW. Вариант распространяется в формате Diffusers с весами Safetensors и лицензией CreativeML OpenRAIL-M. Модель подходит для создания изображений с детализированными текстурами по развёрнутым запросам. Короткие запросы дают менее качественный результат, а модель хуже справляется с векторной графикой. Возможны визуальные искажения; возможности понимания текста ограничены, а результаты могут отражать предубеждения данных обучения.

FLUX.1-dev-FluxedUp-V10-GGUF — это квантизированная версия модели FLUX.1-dev для генерации изображений по текстовому описанию. Базовая модель разработана Black Forest Labs, а данная сборка опубликована пользователем h4shy и предназначена для использования с библиотекой Diffusers в формате GGUF. Модель рассчитана на сценарии text-to-image, включая создание изображений по промптам. В README не указаны точные параметры квантизации, размер модели, архитектурные характеристики, поддерживаемые языки и максимальная длина контекста. Для работы требуется не менее 6 ГБ VRAM, при этом рекомендуется 8 ГБ или больше. Указана лицензия FLUX.1-dev Non-Commercial License, поэтому коммерческое использование может быть ограничено условиями лицензии.

Это fp8-представление FLUX.1 Fill-dev от Black Forest Labs, подготовленное для задач заполнения и редактирования областей изображения. Репозиторий содержит веса в формате safetensors с точностью Float8 e4m3fn и предназначен для запуска через FluxFillPipeline из библиотеки diffusers; README указывает размер файла весов около 11 ГБ и пример запуска на GPU. Модель принимает изображение и текстовое описание, чтобы изменить или заполнить выбранную область. Она рассчитана на inpainting на потребительских GPU, хотя для запуска всё равно требуется совместимая GPU-среда. Это неизменённое распространение весов cudabenchmarktest/flux1-fill-dev-fp8, исходно взятых из boricuapab/flux1-fill-dev-fp8, а не новое дообучение FLUX.1 Fill-dev. Используется некоммерческая лицензия FLUX.1 [dev], копия которой добавлена в репозиторий.