IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели NikolaSigmoid/FLUX.1-Krea-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Krea-dev, поэтому описание составлено по ней. FLUX.1 Krea [dev] — модель генерации изображений по текстовому описанию, совместно разработанная Black Forest Labs и Krea. Это дообученная версия FLUX.1 [dev] на архитектуре rectified flow transformer с 12 млрд параметров; обучение с guidance distillation сделало её эффективнее. Модель ориентирована на высокое качество, особенно эстетической фотографии, и хорошо следует текстовым запросам. Она принимает текст и создаёт изображения; карточка указывает английский язык. Модель подходит для творческих рабочих процессов, подготовки концептов и визуальных материалов, а также научных исследований. Она предназначена для работы в системах, совместимых с FLUX.1 [dev], включая Diffusers и ComfyUI. Модель не предназначена для предоставления фактической информации: результат может не соответствовать запросу, а следование промпту зависит от его формулировки. Генерация может отражать общественные предубеждения. Веса доступны по лицензии FLUX.1 [dev] Non-Commercial License. README описывает допустимое применение результатов, включая личное и коммерческое, но использование самой модели регулируется условиями этой лицензии. Запрещены, в частности, незаконное использование, эксплуатация несовершеннолетних, создание несанкционированной интимной и иной запрещённой информации; при развёртывании требуются фильтры или ручная проверка.

FLUX.1-schnell-GGUF — квантованная версия модели FLUX.1-schnell, разработанной Black Forest Labs и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на сценарии text-to-image, включая локальный запуск через совместимые серверы, например sd-api-server и LlamaEdge. В составе представлены основные компоненты пайплайна генерации: диффузионная модель, VAE, CLIP-L и T5XXL. Доступны варианты квантования от Q2_K и Q4 до Q8_0, а также версии с точностью f16 и f32 для отдельных компонентов; размер файлов диффузионной модели варьируется от 6,69 до 23,8 ГБ. В метаданных указан английский язык, однако сведения о размере исходной архитектуры, максимальном контексте, поддерживаемых разрешениях и других модальностях отсутствуют. Квантованные варианты упрощают размещение модели и позволяют выбирать компромисс между размером и точностью, но конкретное влияние квантования на качество в README не описано. Модель распространяется по лицензии Apache 2.0.

Himanshu806/FluxHyperReal — дообученная модель генерации изображений по текстовым описаниям на базе FLUX.1 [dev] от Black Forest Labs. Она предназначена для создания реалистичных изображений по запросу; запускать её можно через библиотеку diffusers и FluxPipeline. Модель распространяется в форматах diffusers и safetensors. В README рекомендовано соблюдать лицензию базовой модели FLUX.1 [dev]; метаданные указывают лицензию Apache-2.0. Подробности о размере, контексте, поддерживаемых языках и качестве генерации в доступных материалах не приводятся.

Inception-ResNet-v2 — модель классификации изображений на 1000 классов ImageNet-1k. Версия с ансамблевым обучением против состязательных атак создана авторами соответствующей работы и перенесена из TensorFlow в PyTorch Россом Уайтманом; в репозитории доступны веса PyTorch и safetensors. Модель содержит около 55,8 млн параметров и рассчитана на изображения размером 299 × 299 пикселей. Модель подходит для классификации изображений, извлечения признаковых карт и получения визуальных эмбеддингов. Её можно использовать как основу для анализа изображений общего назначения и экспериментов с устойчивостью к состязательным воздействиям. Лицензия репозитория — Apache-2.0. Это специализированная модель компьютерного зрения: она принимает изображения и выдаёт предсказанные классы, признаки или эмбеддинги в зависимости от выбранного режима. Обучение на ImageNet-1k ограничивает область известных классов; карточка не приводит оценок точности или гарантий устойчивости к атакам.

Juggernaut Reborn — модель генерации изображений по текстовому описанию, доступная через ModelsLab API и оформленная для использования с Diffusers. Карточка показывает сценарий text-to-image с настройками промпта, отрицательного промпта, размера изображения, числа шагов генерации и guidance scale; модель позиционируется для создания фотореалистичных изображений и портретов. В примере API указаны размер 512×512 и 30 шагов генерации. README также демонстрирует параметры усиления промпта, апскейлинга и подключения LoRA или embeddings. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; фактические условия распространения и использования следует сверять с её текстом.

pmczip/Krea2Raw_Loras — это LoRA-адаптер для генерации фотореалистичных изображений по текстовому описанию. Модель разработана сообществом pmczip и предназначена для использования поверх базовой модели krea/Krea-2-Raw, в экосистеме Diffusers и формате Safetensors. Адаптер ориентирован на text-to-image-сценарии, включая создание портретов и изображений людей с узнаваемой внешностью, в том числе публичных персон. В README указана поддержка английского языка. Примеры показывают фотореалистичные изображения женщин с заданными чертами внешности, причёской, одеждой, позой, освещением и фоном. Точные сведения о размере, архитектуре базовой модели, длине контекста, параметрах LoRA и аппаратных требованиях не приведены. Сильной стороной модели является специализация на фотореалистичной передаче внешности и управлении визуальными деталями через текстовые промпты. Ограничения включают зависимость от базовой модели Krea-2-Raw и отсутствие данных о качестве на независимых тестах, устойчивости результатов и поддерживаемых языках помимо английского. Указана специальная лицензия bespoke-lora-trained-license; её условия следует уточнять по ссылке на лицензию в README перед использованием, особенно для коммерческих задач и генерации изображений узнаваемых людей.

RudySen/Krea2-realism-V1 — это LoRA-модель для генерации изображений на базе Krea-2-Turbo, разработанная пользователем RudySen. Она предназначена для сценариев text-to-image и подключается к совместимым пайплайнам, включая Diffusers и инструменты экосистемы Stable Diffusion. Модель ориентирована на повышение реалистичности кожи, анатомии и одежды. По заявлению автора, она поддерживает персонажей разных этнических групп, возрастов и типов телосложения, а также может применяться для создания как SFW-, так и NSFW-контента. Для активации рекомендуется использовать триггер NONE, а стандартный вес 1.0 подходит для общего применения; веса от 1.5 до 2.0 указаны для NSFW-сценариев. В README не указаны размер модели, точная архитектура LoRA, поддерживаемые языки, размер контекста или результаты формальной оценки качества. Лицензия и условия коммерческого использования также не указаны, поэтому их следует уточнить отдельно перед применением модели.

Yntec/LehinaModel — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она распространяется в формате Diffusers и Safetensors и предназначена для создания фотореалистичных изображений и портретов по промптам; в карточке приведён пример запроса на иллюстрацию девочки в школьном классе.

Карточка модели sinkinai/majicMIX-realistic-v5 на Hugging Face совпадает с карточкой jzli/majicMIX-realistic-7, поэтому описание составлено по ней. jzli/majicMIX-realistic-7 — модель генерации изображений по текстовому описанию в формате Stable Diffusion. Карточка предлагает запускать её бесплатно и сообщает о доступе через API; конкретные сценарии применения и разработчик не описаны. Модель доступна в форматах Diffusers, PyTorch и safetensors. Сведения об архитектуре сверх StableDiffusionPipeline, размере, поддерживаемых языках, длине контекста и лицензии в предоставленных данных отсутствуют.

nvidia/mit-b5 — визуальный энкодер SegFormer размера B5, выпущенный командой NVIDIA. Модель представляет собой иерархический Transformer-энкодер, предварительно обученный на ImageNet-1k; репозиторий содержит только энкодер без сегментационной головы. В метаданных указаны задача классификации изображений и поддержка PyTorch и TensorFlow. Модель предназначена для классификации изображений по 1000 классам ImageNet и для дообучения под семантическую сегментацию на прикладных наборах данных. Архитектуру SegFormer также применяют в задачах сегментации, но этот чекпойнт сам по себе содержит только предварительно обученный энкодер. Лицензия в метаданных обозначена как other, без уточнения условий.

NearID — визуальный энкодер для получения эмбеддингов, учитывающих идентичность объекта. Модель разработана авторами проекта NearID на основе google/siglip2-so400m-patch14-384: визуальная часть SigLIP2 SO400M ViT/14 при разрешении 384 пикселя заморожена, а обучаемая голова Multi-head Attention Pooling дообучена для задачи различения похожих экземпляров. Модель предназначена прежде всего для оценки сохранения идентичности объектов в персонализированной генерации изображений, а также для поиска и группировки изображений по сходству. Она сравнивает нормализованные эмбеддинги отдельных изображений и рассчитана на различение похожих объектов даже при изменении фона и контекста. Обучение использовало набор NearID с синтетическими изображениями и сигналами из MTG. Лицензия — Apache-2.0. NearID не предназначена для распознавания лиц, повторной идентификации людей, биометрической аутентификации или видеотрекинга. Обучение охватывало синтетические изображения распространённых объектов, поэтому качество в специализированных областях не оценено; модель рассчитана на вход 384 × 384 пикселя, а артефакты незнакомых генераторов могут влиять на различение.

99eren99/one-align — модель на основе MPLUG-Owl2, соответствующая Q-Align, описанной в README как работа для ICML 2024. Она предназначена для оценки качества изображений и видео: предсказывает качество изображения без эталона, сравнивает изображение с эталоном, оценивает эстетическую привлекательность и качество видео. README приводит результаты на наборах KonIQ, SPAQ, KADID, LIVE, CSIQ, AGIQA, AVA и видеонаборах, включая проверку на данных, не встречавшихся при оценке на обучающих наборах. Модель имеет плотную архитектуру MPLUG-Owl2 с классом MPLUGOwl2LlamaForCausalLM и 6,6 млрд параметров. Метаданные указывают контекст 2048 токенов, формат PyTorch и лицензию MIT. Для запуска README приводит пример через Transformers и AutoModelForCausalLM; указана совместимость с Transformers 4.36.1 и более новыми версиями. Оценки качества в README относятся к ранжированию или предсказанию субъективного качества на конкретных датасетах и не гарантируют точность на произвольных изображениях и видео.

Photorealistic Slider SDXL — LoRA-модель, разработанная ostris для Stable Diffusion XL. Она предназначена для text-to-image генерации изображений на базе stabilityai/stable-diffusion-xl-base-1.0 и позволяет управлять уровнем фотореализма результата. Модель рассчитана только на SDXL. Указанный диапазон веса составляет от 0 до 5,0: увеличение веса делает изображения более реалистичными, а уменьшение может приводить к менее реалистичным результатам, включая мультяшный или живописный вид. По заявлению автора, LoRA особенно полезна для промптов, которые из-за необычного или сложного содержания склонны превращаться в мультфильм; изображения в примерах создавались без использования refiner. В README не указаны размер модели, поддерживаемые языки, максимальная длина контекста и дополнительные модальности. Лицензия обозначена как other, без уточнения условий использования, поэтому точные права и ограничения необходимо проверять отдельно.

John6666/pony-realism-v23-sdxl — модель генерации изображений по текстовому описанию, размещённая пользователем John6666 на Hugging Face; в карточке указано, что исходную модель создал ZyloO. Она построена на Stable Diffusion XL и доступна в формате Diffusers с весами Safetensors; размер модели — около 3 млрд параметров, тип весов — F16. Модель предназначена для фотореалистичных изображений, включая проработку лиц, кожи, освещения и деталей. Карточка демонстрирует генерацию изображения по англоязычному запросу, а метаданные указывают английский язык. Для использования указана лицензия fair-ai-public-license-1.0-sd (FAIPL-1.0-SD). В карточке нет подтверждённых данных о длине контекста или специальных ограничениях качества; генерация доступна через Diffusers и совместимые локальные приложения.

Это модель извлечения признаков изображений на основе визуального энкодера Qwen3.5-27B, преобразованного в формат timm. Она предназначена для получения пространственных признаков и токенов изображения, которые можно использовать в мультимодальных конвейерах и для анализа изображений. Веса визуального энкодера включают пространственный merger и проекцию до ширины исходной языковой модели; языковых весов и обученной классификационной головы в репозитории нет. Модель содержит около 459,8 млн параметров; заявленный размер изображения — 768 × 768. Архитектура использует MLP с GELU-tanh, обучаемые абсолютные позиционные эмбеддинги и осевой 2D RoPE. Поддерживаются прямоугольные изображения; размеры сторон должны делиться на 16, а для вариантов с merger 2 × 2 — на 32. Вход — RGB-изображение, выход — признаки или пространственно объединённые токены. Чекпойнт преобразован без дополнительного обучения и распространяется по лицензии Apache 2.0.

Qwen-Image-2512-4bit-MLX — 4-битная версия модели генерации изображений Qwen-Image-2512, оптимизированная для Apple Silicon. Репозиторий подготовлен machiabeli с помощью mflux 0.14.0; модель использует формат safetensors и запускается через библиотеку mflux. Модель предназначена для создания изображений по текстовым описаниям. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализацию природных сцен и отрисовку текста. Для генерации можно задать запрос и число шагов; пример в карточке использует 20 шагов. Квантизация до 4 бит снижает требования к памяти: в README для этой версии указано 24 ГБ. Модель предназначена для систем Apple Silicon и требует окружения с mflux. Она распространяется по лицензии Apache-2.0.

Qwen-Image-Lightning — модель-дистилляция на базе Qwen/Qwen-Image, разработанная командой ModelTC и распространяемая через lightx2v. Она предназначена для генерации изображений по текстовому описанию в сценариях text-to-image и интегрируется с библиотекой Diffusers. Модель представлена в формате LoRA, поэтому используется совместно с базовой моделью Qwen/Qwen-Image, а не как полностью самостоятельный пайплайн. Ключевая особенность — генерация за небольшое число шагов инференса: в README показан режим на 8 шагах с планировщиком FlowMatchEulerDiscreteScheduler. Указаны поддерживаемые языки English и Chinese, однако другие характеристики, включая точный размер, архитектурные параметры, список поддерживаемых модальностей и максимальный контекст, не приведены. Для работы требуется версия Diffusers из ветки main и вычисления на CUDA с типом данных bfloat16, согласно приведённому примеру. Сильной стороной модели является ускоренная генерация изображений при сохранении использования возможностей базовой Qwen-Image. Ограничения заключаются в зависимости от базовой модели, LoRA-весов и совместимой конфигурации планировщика, а также в необходимости уточнять практическое качество и аппаратные требования по дополнительной документации. Модель распространяется по лицензии Apache-2.0.

Real-ESRGAN-general-x4v3 (MLX) — модель суперразрешения изображений, представленная сообществом mlx-community как порт официального чекпойнта Real-ESRGAN. Она предназначена для увеличения изображений в 4 раза на устройствах Apple Silicon с использованием библиотеки MLX. Архитектура — компактная SRVGGNetCompact с 64 признаками, 32 свёрточными слоями и активацией PReLU; веса представлены в формате safetensors с точностью fp16. Модель подходит для повышения разрешения и детализации изображений, а также для настройки силы шумоподавления: в репозитории есть парные веса модели с шумоподавлением, которые смешиваются с основными весами. Разработчик указывает близкое соответствие результатам PyTorch. Лицензия — BSD-3-Clause.

Карточка модели nnxxcz/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.

Realistic Vision V6.0 B1 noVAE — бета-версия модели генерации изображений Realistic Vision от автора roktimsardar123. Она предназначена для создания реалистичных и фотореалистичных изображений по текстовому описанию. Репозиторий представлен в форматах Diffusers, PyTorch и Safetensors и помечен лицензией CreativeML OpenRAIL-M. Карточка описывает неполную версию 6.0 без встроенного VAE; для версии 6.0 автор рекомендует подключать VAE, чтобы повысить качество и уменьшить артефакты. Заявлена генерация портретов и изображений в полный рост на повышенных разрешениях, однако на крупных размерах возможны искажения, дублирование и ошибки анатомии. Для улучшения результата предлагаются Hires.Fix и дополнительные средства восстановления лиц.

Это предобученные на ImageNet веса ResNeXt-101 32x8d из репозитория smp-hub, предназначенные для использования модели как энкодера в библиотеке segmentation-models-pytorch. Модель принимает изображения и решает задачу классификации изображений; веса можно также применять как основу энкодера в моделях сегментации. В карточке указана архитектура ResNeXt-101 32x8d и формат весов safetensors. Сведения о размере модели, языках и контекстном окне неприменимы или не приведены. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в материалах репозитория.

lllyasviel/sd-controlnet-openpose — модель ControlNet, разработанная Lvmin Zhang и Maneesh Agrawala. Она предназначена для управления генерацией изображений Stable Diffusion v1.5 с помощью дополнительного условия в виде оценки позы человека. Модель применяется совместно с Stable Diffusion в задачах text-to-image и image-to-image, когда требуется сохранить или задать положение тела и ключевые точки персонажа при создании изображения. Архитектура ControlNet расширяет предварительно обученную диффузионную модель и позволяет использовать структурированные входные условия, включая keypoints. Эта версия обучена на Stable Diffusion v1-5 и ориентирована на англоязычные текстовые запросы. В README не указаны размер модели, максимальная длина контекста и поддерживаемые модальности помимо текстового запроса и изображения с позой человека. Сильная сторона модели — более точный контроль композиции и положения человека по сравнению с генерацией только по текстовому описанию. Ограничение заключается в зависимости от базовой Stable Diffusion v1.5 и необходимости подготовить входное изображение или карту позы; качество результата также зависит от точности оценки позы и текстового запроса. Модель распространяется по лицензии CreativeML OpenRAIL M.

friedrichor/stable-diffusion-2-1-realistic — модель генерации и редактирования изображений по текстовому описанию, созданная дообучением Stable Diffusion 2.1 разработчиком friedrichor. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H; веса доступны в форматах Diffusers и safetensors. Модель рассчитана на создание реалистичных изображений, в том числе фотографических портретов и сцен, по англоязычным промптам. Она была дообучена на 120 парах изображений и текстовых описаний из friedrichor/PhotoChat_120_square_HQ; автор отмечает, что работа над ней велась как частью проекта Tiger для генерации ответов в мультимодальном диалоге. Для использования указан Diffusers. Лицензия — CreativeML Open RAIL++-M. Небольшой размер набора дообучения ограничивает основания ожидать широкую универсальность или стабильное качество за пределами близких к данным сценариев. Примеры автора рекомендуют подробные промпты и негативные подсказки для улучшения результата.

Репозиторий содержит веса EfficientNet-B2, предварительно обученные на ImageNet. Модель предназначена для классификации изображений и может использоваться как визуальный энкодер в библиотеке segmentation-models-pytorch, в том числе как основа для задач сегментации. EfficientNet-B2 — сверточная архитектура для обработки изображений. В карточке указаны веса safetensors и библиотека segmentation-models-pytorch. Лицензия обозначена как other; конкретные условия использования требуют проверки в репозитории.

timm/twins_svt_small.in1k — модель классификации изображений из семейства Twins-SVT, обученная авторами статьи на ImageNet-1k. Её также можно использовать как визуальный backbone и для получения эмбеддингов изображений. Модель содержит 24,1 млн параметров, выполняет 2,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для отнесения изображений к классам ImageNet-1k и извлечения визуальных признаков; архитектура относится к пространственным Vision Transformer. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Карточка не приводит оценки точности и сведений о поддержке других наборов классов или разрешений, поэтому применимость к задачам вне ImageNet-1k требует проверки.

VideoRefer-VideoLLaMA3-2B — мультимодальная модель DAMO-NLP-SG для пространственно-временного понимания объектов в видео и ответов на вопросы о них. Это дообученная версия VideoLLaMA3-2B-Image; в архитектуре VideoLLaMA3 с языковым декодером Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, принимает видео и текстовые запросы, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель подходит для поиска и описания объектов в видео, анализа их положения и изменений во времени, а также для диалоговых вопросов о содержимом ролика. Карточка проекта указывает, что VideoRefer Suite принята на CVPR 2025. Модель распространяется по лицензии Apache-2.0.

WAI-REAL_CN-v11.0 — чекпойнт для генерации изображений по текстовому описанию от автора WAI0731, основанный на Pony и распространяемый в формате Diffusers с весами safetensors. Версия 11 улучшает светотеневую проработку, текстуры и работу с объективом, ориентируясь на фотореалистичные изображения; в рекомендуемом позитивном запросе используются теги score_9, score_8_up, score_7_up, source_real и real skin. Модель предназначена для создания реалистичных изображений по промптам. Автор рекомендует 30 шагов, CFG 5–7 и сэмплер Euler a; для улучшения лиц можно применять ADetailer с моделью YOLOv8 и указанными настройками сэмплера DPM++ 2M и планировщика Karras. Лицензия в предоставленных данных не указана. Качество результата зависит от промпта и настроек генерации.

Zanii Quant — веса декодерной модели временных рядов, используемые приложением Zanii Quant. Модель загружается через TimesFM3Forecaster и предназначена для прогнозирования временных рядов. В README не приведены сведения о размерах модели, поддерживаемых языках или контексте. Лицензия обозначена как other; условия использования следует смотреть в файле LICENSE репозитория.

sudo-ai/zero123plus-v1.1 — модель генерации изображений, предназначенная для преобразования входного изображения с помощью Zero123PlusPipeline из библиотеки Diffusers. В карточке указано, что репозиторий использует форматы Diffusers и PyTorch и связан с набором данных Objaverse. Модель принимает изображение и выдаёт изображение; её можно применять в задачах преобразования изображений. README рекомендует Diffusers версии 0.20.2 и PyTorch 2. Лицензия — OpenRAIL.

Z-Image-Turbo_fp8_comfyui — квантованная версия модели Z-Image-Turbo, разработанной командой Z-Image; в карточке также указана базовая модель Tongyi-MAI/Z-Image-Turbo. Модель предназначена для генерации изображений по текстовому описанию и интеграции с ComfyUI. Она распространяется в формате single-file diffusion с использованием safetensors и квантования FP8, что ориентировано на более эффективное выполнение по сравнению с версиями в FP32, FP16 или BF16. Архитектурно модель относится к семейству Z-Image, описанному как foundation model для генерации изображений на основе однопоточного Diffusion Transformer. Указан английский язык, однако сведения о поддерживаемых разрешениях, размере модели, длине контекста, точных требованиях к памяти и дополнительных модальностях отсутствуют. Сильными сторонами являются текстовая генерация изображений, совместимость с ComfyUI и сниженная точность FP8; возможным ограничением выступает зависимость от соответствующего рабочего процесса ComfyUI и потенциальные компромиссы квантования. Модель лицензирована по Apache-2.0.