IV.1Ритейл, электронная коммерция и fashion-tech

PeachMixsRelistic_R0 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Репозиторий опубликован пользователем digiplay; в README приведено только упоминание демонстрационного изображения исходного автора, без описания происхождения или обучения модели. Модель предназначена для создания изображений по текстовым запросам. Доступные файлы представлены в форматах Diffusers, PyTorch и Safetensors; лицензия указана как other, поэтому условия её использования следует сверить с лицензией в репозитории.

Это набор весов Pixal3D в формате GGUF F16 для проекта Pixal3D.cpp — нативной реализации на C++17 и ggml конвейера TencentARC/Pixal3D, преобразованный из исходных чекпойнтов. Репозиторий связан с TencentARC/Pixal3D и предназначен для генерации 3D-модели по изображению; доступны однокадровый и многовидовой варианты обработки. Пакеты содержат общие декодеры разреженной структуры, формы и текстур, а также каскадные этапы потока для структуры, формы и текстуры с целевым разрешением до 1024³. Весам требуется Pixal3D.cpp; это не самостоятельный чекпойнт для Transformers. Для режима обработки изображения также нужны вспомогательные модели DINOv3, NAF и MoGe-2, а каскадные режимы принимают подготовленные файлы условий. Репозиторий сообщает о проверке целостности файлов и отдельных сравнений с F32-конверсиями, но не о полном сравнении с исходным Python-конвейером или бенчмарках качества. Результаты CPU и GPU могут различаться; автоматическое удаление фона для RGB/JPEG не выполняется, фотографии могут нуждаться в предварительной обработке. Лицензия репозитория — MIT; вспомогательные модели имеют собственные условия использования.

PixVL-coupled50k-v7 — модель семейства Qwen3-VL для сегментации изображений. Это публичный экспорт обучения PixVL, созданный на основе Qwen3-VL-4B-SAMTok и опубликованный в формате Hugging Face с весами safetensors. Модель предназначена для задач сегментации изображений; её архитектура — Qwen3VLForConditionalGeneration. Автор указывает исследовательское применение. Модель наследует лицензию и ограничения использования исходной Qwen3-VL-4B-SAMTok; метаданные репозитория указывают лицензию MIT.

prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V22 — совместимые с Diffusers веса трансформера, выделенные из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V22 для ускоренного редактирования изображений за 4 шага вывода. Модель предназначена для изменения изображения по текстовому запросу и относится к семейству Qwen Image Edit. Это дообученная версия Phr00t/Qwen-Image-Edit-Rapid-AIO; файлы представлены в формате safetensors. Репозиторий рассчитан на запуск через библиотеку Diffusers. В README нет сведений о размере модели, длине контекста или языках, кроме английского языка в метаданных. Модель связана с NSFW-версией исходных весов, поэтому может предназначаться для генерации откровенного контента. Лицензия — Apache-2.0.

Карточка модели wolf1280/Qwen-Image-Edit-Rapid-AIO-V4 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V4, поэтому описание составлено по ней. Модель prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V4 — версия весов трансформера для Diffusers, подготовленная из Phr00t/Qwen-Image-Edit-Rapid-AIO-V4. Это дообученная модель редактирования изображений на основе семейства Qwen Image Edit; заявлен ускоренный вывод за 4 шага. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через библиотеку Diffusers. Модель предназначена для преобразования изображений по текстовым инструкциям и быстрого экспериментирования с редактированием изображений. В карточке нет сведений о размере, длине контекста и поддерживаемых языках; метаданные отмечают английский язык. Лицензия — Apache-2.0.

Real-ESRGAN-x4plus (MLX) — порт модели Real-ESRGAN в формате MLX fp16, подготовленный сообществом mlx-community на основе официального чекпойнта xinntao/Real-ESRGAN. Модель использует архитектуру RRDBNet с 23 блоками и масштабирует изображения в 4 раза для повышения их разрешения и детализации на устройствах Apple Silicon. Порт предназначен для восстановления и увеличения изображений. В README приведено сравнение с PyTorch: расхождение полного прямого прохода составляет 3,8 × 10⁻⁶ в CPU fp32, а fp16 относительно эталона fp32 — 1,3 × 10⁻³. Репозиторий распространяется по лицензии BSD-3-Clause.

Realistic Vision V5.0 noVAE — модель генерации изображений по текстовому описанию, разработанная автором SG161222. Репозиторий содержит модель в формате Diffusers и веса Safetensors; в карточке указана лицензия CreativeML OpenRAIL-M. Модель предназначена для создания реалистичных изображений по текстовым запросам. Автор рекомендует подключать VAE для повышения качества генерации и уменьшения артефактов. В README также приведены рекомендуемые настройки сэмплера, CFG и повышения разрешения, а также отрицательные запросы для снижения дефектов анатомии и нежелательных стилей. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. При генерации могут возникать артефакты и ошибки анатомии; качество рекомендуется улучшать с помощью VAE и тщательно составленных отрицательных запросов. Условия лицензии CreativeML OpenRAIL-M распространяются на использование модели.

Карточка модели Hhhhhwhwwjjwjw/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 v4.0 Lightning — модель генерации изображений по текстовому описанию, представленная через ModelsLab API. Метаданные связывают её с StableDiffusionXLPipeline и указывают на ориентир в виде ультрареалистичных изображений. В примере карточки показана генерация портрета с настройкой размера, числа шагов, guidance scale и negative prompt. Модель подходит для создания реалистичных портретов и других изображений по текстовым запросам. Карточка описывает вызов через ModelsLab API; для доступа требуется API-ключ. В репозитории указаны форматы Diffusers и PyTorch, лицензия CreativeML OpenRAIL-M. Поддержка языков и ограничения качества отдельно не описаны.

GuangyuanSD/RedCraft-DF11-Collection — коллекция конвертированных моделей RedCraft Z-Image Turbo, включая варианты RedZDX и RedZ. Модели предназначены для генерации изображений по текстовым описаниям; в метаданных указана задача text-to-image и библиотека Diffusers. В составе коллекции есть варианты, названия которых указывают на дистилляцию и генерацию за 5 или 10 шагов. Базовые модели коллекции — Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo; метаданные также отмечают дообучение и слияние. Поддерживаются английский и китайский языки. Репозиторий содержит веса safetensors, а лицензия указана как Apache-2.0.

Это предварительно обученные на ImageNet веса ResNet-101, подготовленные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель предназначена для классификации изображений и извлечения визуальных признаков, в том числе как части сегментационных моделей. ResNet-101 — сверточная нейросеть для обработки изображений. В карточке указаны веса в формате safetensors и библиотека segmentation-models-pytorch. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

samvit_base_patch16.sa1b — визуальный backbone Segment Anything Vision Transformer, распространяемый в экосистеме timm. Модель содержит около 89,7 млн параметров и принимает изображения размером 1024 × 1024. Она предварительно обучена авторами Segment Anything на датасете SA-1B с инициализацией весами MAE; в репозитории представлены веса для извлечения признаков, без сегментационной головы. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также для использования в качестве backbone при дообучении или построении систем компьютерного зрения. Метаданные указывают библиотеку timm, формат PyTorch/Safetensors и лицензию Apache-2.0. Для получения сегментационных масок потребуется отдельная голова или другая модель; сама карточка описывает этот чекпойнт как модель извлечения признаков.

Sequencer2d_l.in1k — модель классификации изображений из библиотеки timm, обученная авторами статьи Sequencer на ImageNet-1k. Она использует архитектуру Sequencer2d на основе LSTM и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит около 54,3 млн параметров; её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Карточка модели inferenceport-ai/TRELLIS.2-4B-GGUF на Hugging Face совпадает с карточкой LocalAI-io/TRELLIS.2-4B-GGUF, поэтому описание составлено по ней. LocalAI-io подготовила конверсию модели Microsoft TRELLIS.2-4B в формат GGUF F16 для запуска через C++-среду trellis2cpp. Это модель преобразования одного изображения в 3D-ассет; опубликованные файлы покрывают этапы генерации разреженной структуры и формы с каскадами разрешения 512 и 1024. Энкодер изображений DINOv3 и декодер разреженной структуры распространяются отдельно. Модель предназначена для создания 3D-объектов по изображению. Конверсия рассчитана на инференс в ggml runtime без Python, PyTorch и CUDA; веса не переобучались и не изменялись. Базовая TRELLIS.2-4B создаёт детализированные 3D-ассеты с PBR-материалами по одному изображению. Репозиторий распространяется по лицензии MIT.

Stable-X/trellis-normal-v0-1 — модель команды Stable-X на основе TRELLIS для создания 3D-представления по входному изображению. Разработчик описывает её как улучшенную версию TRELLIS с условием на нормали; репозиторий содержит веса и конфигурации компонентов TRELLIS. Модель предназначена для преобразования изображения в 3D-объект и может использоваться в приложениях генерации 3D-контента. В карточке указаны задача image-to-3d, библиотека Trellis и лицензия MIT. Подробные сведения о размере архитектуры, поддерживаемых форматах изображения, контексте и количественных характеристиках качества в доступном описании не приведены.

openmmlab/upernet-convnext-base — модель семантической сегментации изображений на основе фреймворка UperNet и backbone ConvNeXt базового размера. UperNet объединяет backbone с Feature Pyramid Network и модулем Pyramid Pooling Module, чтобы предсказывать семантическую метку для каждого пикселя изображения. Модель предназначена для разметки сцен и объектов на изображениях по классам. Её можно применять как готовую модель сегментации или использовать как основу для дообученных вариантов под конкретные задачи. Карточка не приводит точное число параметров, набор классов или результаты оценки. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT.

Arm/vit-base-int8-xnnpack-executorch — INT8-квантизированная версия модели google/vit-base-patch16-224, разработанной Google Research и оптимизированной Arm для систем Edge Linux. Модель предназначена для классификации изображений и поставляется в формате ExecuTorch .pte для запуска на Arm-платформах с CPU-бэкендом XNNPACK и KleidiAI. Модель использует архитектуру Vision Transformer (ViT) с входным разрешением 224×224 пикселя. Применяется динамическая постобучающая квантизация INT8: веса имеют симметричную поканальную квантизацию, а масштабы активаций вычисляются во время инференса, поэтому калибровочные данные не требуются. В README не указаны дополнительные модальности или языковые характеристики, поскольку модель работает с изображениями. На Raspberry Pi 5 модель показала задержку p50 378,139 мс, производительность 2,64 кадра в секунду, размер 83,926 МБ и пиковое потребление памяти 110,05 МБ. Точность на ImageNet-1k составила 81,50% Top-1 и 96,06% Top-5, практически без снижения относительно исходной модели. Сильные стороны модели — уменьшенный размер, более низкая задержка и существенно меньшее потребление памяти по сравнению с базовой FP32-версией, что делает её подходящей для локального инференса на периферийных Arm-устройствах. Приведённые показатели зависят от конкретной аппаратной конфигурации и не гарантируют такую же производительность на других системах; перед промышленным использованием модель рекомендуется проверить на собственных данных. Лицензия — Apache-2.0.

usyd-community/vitpose-base-coco-aic-mpii — версия ViTPose, перенесённая в Transformers; исходную модель разработали Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао, а порт для Transformers подготовили Сангбум Чхве и Нильс Рогге. Модель предназначена для оценки позы человека: по изображению человека она предсказывает координаты ключевых точек тела. В основе — обычный невизуально-иерархический Vision Transformer для извлечения признаков и лёгкий декодер для оценки позы. Модель обучалась и оценивалась на наборах COCO, AI Challenger и MPII; README также описывает оценку на CrowdPose и OCHuman. Её можно применять для анализа поз в изображениях и видео, отслеживания техники упражнений и подготовки данных для распознавания действий или анимации. Карточка сообщает о результате семейства ViTPose до 81,1 AP на тестовом наборе COCO, но не уточняет метрику именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0. Для оценки поз в видео требуется отдельно обрабатывать последовательность кадров; сама модель не распознаёт действия.

Карточка модели aphexblake/677-500-lop на Hugging Face совпадает с карточкой aphexblake/200-msf-v2, поэтому описание составлено по ней. 200-msf-v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем aphexblake и доступная в формате Diffusers для Stable Diffusion. Карточка предлагает использовать VAE для версии 2.0, чтобы улучшить качество генерации и устранить синие артефакты. Для генерации автор рекомендует фотореалистичные промпты, 25 шагов сэмплирования, CFG Scale 3,5–7 и при необходимости увеличение разрешения через Latent upscaler. Модель предназначена для создания изображений по промпту, в том числе портретов и сцен в фотореалистичном стиле. Распространяется под лицензией CreativeML OpenRAIL-M. Карточка не сообщает базовую модель, число параметров или поддерживаемые языки; инструкция с примерами ориентирована на текстовые промпты.

Модель rttl-ai — англоязычный чекпойнт BERT для многоклассовой классификации отзывов Yelp. Она основана на bert-base-uncased и дообучена на датасете Yelp Review Full; перед этим применялось адаптивное к задаче предобучение (TAPT) на отзывах Yelp с повышенной долей маскируемых токенов и WWM. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт класс текста. Модель подходит для автоматической категоризации отзывов Yelp и похожих англоязычных отзывов. Она распространяется в формате PyTorch по лицензии Apache-2.0. Оценки качества и точная схема классов в карточке не приведены.

BK-SDM-v2-Tiny — компактная версия модели Stable Diffusion для генерации изображений по текстовому описанию. Её разработчики сократили U-Net модели Stable Diffusion 2.1-base, удалив часть остаточных и attention-блоков, и применили дистилляционное дообучение. Версия Tiny входит в линейку BK-SDM-v2, созданную для более эффективной генерации изображений. Модель принимает текстовый запрос и создаёт изображение; репозиторий подготовлен для библиотеки Diffusers. Обучение линейки BK-SDM-v2 проводилось на 212 776 парах изображений и текстов из LAION-Aesthetics V2 6.5+ с 50 тысячами итераций дообучения. В README приведены результаты для Base и Small, но отдельные показатели качества для Tiny не сообщаются. Для точной работы с Tiny стоит учитывать, что модель меньше исходной SD 2.1-base и может уступать ей в качестве генерации. Лицензия — CreativeML OpenRAIL-M; при использовании следует соблюдать её условия и рекомендации Stable Diffusion.

ChikMix V3 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay и совместимая с Stable Diffusion DiffusersPipeline. В карточке приведены демонстрационные изображения, включая пример фотореалистичного портрета девушки; данных о точном размере модели и её базовой модели нет. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате Diffusers/PyTorch и Safetensors. Указана лицензия other, поэтому условия использования следует сверять с лицензией и материалами автора.

Это дообученная на наборе DTD модель CLIP ViT-Base/32 на основе openai/clip-vit-base-patch32, представленная как модель зрения CLIP. Она извлекает признаки изображений и предназначена для сценариев компьютерного зрения, связанных с текстурами и набором DTD. Модель содержит 113,2 млн параметров и сохранена в формате safetensors. В README приведены результаты оценки: 0,4388 для предобученной и 0,7973 для дообученной модели; метрика не уточнена. Для работы с моделью README предлагает использовать CLIPVisionModel из Transformers. Лицензия в предоставленных данных не указана.

ContaLLM-Beauty-8B-Instruct — китайская инструкционная языковая модель ContaAI для маркетинга в индустрии красоты и косметики. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на общедоступных, синтетических и размеченных людьми маркетинговых материалах. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и работает через библиотеку Transformers; заявленный контекст — 131 072 токена. Модель генерирует маркетинговые тексты с учётом требований пользователя, ключевых слов, тем, хэштегов, сезонных кампаний, персонажей, исходных материалов и желаемой длины. Она рассчитана прежде всего на китайский язык и подходит для подготовки разнообразных рекламных материалов для компаний в сфере красоты и косметики. Доступна лицензия Llama 3.1 Community License Agreement. При генерации могут появляться проблемные ответы: на этапе инференса нет автоматической фильтрации, аналогичной фильтрации ChatGPT. Результаты следует проверять и при необходимости фильтровать перед использованием.

Apple публикует Core ML-конверсию DETR-ResNet-50 для семантической сегментации изображений. В основе — DETR, трансформер с энкодером и декодером и свёрточным backbone ResNet-50; модель обучена на COCO 2017. В README указано 43 млн параметров. Репозиторий содержит варианты Core ML с точностью Float32 и Float16, а также квантованные варианты Float16. Модель принимает изображение и выдаёт семантическую маску, назначая класс пикселям. В оценке на 512 изображениях COCO при заданном изменении размера и центральной обрезке варианты показали IoU 0,393 и точность пикселей 0,746; результаты относятся к этой конкретной выборке и процедуре оценки. README приводит пример интеграции в Swift-приложения. Лицензия — Apache-2.0. Модель ориентирована на классы и данные COCO, поэтому качество для других наборов классов и изображений может отличаться; опубликованные метрики указывают на ограничения точности сегментации.

Customer-Support-Clown-7b — объединённая текстовая генеративная модель, созданная с помощью mergekit. В неё вошли CorticalStack/pastiche-crown-clown-7b-dare-dpo и mistralai/Mistral-7B-v0.1+predibase/customer_support; для объединения использован метод SLERP. Архитектура — плотная MistralForCausalLM семейства Mistral, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста в сценариях клиентской поддержки, унаследованных от одной из объединённых моделей. Она принимает текст и выдаёт текст. Карточка не сообщает о поддерживаемых естественных языках или результатах оценки качества. Распространяется по лицензии Apache-2.0.

CvT-13-384 — модель классификации изображений семейства Convolutional Vision Transformer (CvT), представленная Wu и соавторами. Она предварительно обучена на ImageNet-1k с разрешением 384×384 и предназначена для отнесения изображения к одному из 1000 классов ImageNet. Архитектура объединяет свёрточные операции с Vision Transformer; доступны веса PyTorch и TensorFlow. Модель подходит для классификации фотографий и изображений в сценариях, где требуется выбрать метку из набора классов ImageNet. Репозиторий опубликован под лицензией Apache-2.0. Карточка не приводит оценок качества или сведений о дополнительной настройке; область применения модели ограничена распознаванием классов, представленых в ImageNet-1k.

CyberRealistic XL Catalyst — экспериментальная модель Cyberdelia для генерации фотореалистичных изображений по текстовым описаниям. Она основана на Stable Diffusion XL 1.0 и распространяется в формате safetensors. Модель рассчитана на создание детализированных лиц, кожи, глаз, освещения и текстур; принимает как короткие, так и сложные промпты. Встроенный VAE позволяет работать без отдельного VAE. В README рекомендуются 25–30 шагов сэмплирования и разрешение 1024×1024; для 1536×1536 предлагается Hires.fix. Модель описана как экспериментальная: результаты могут быть непредсказуемыми и иногда ошибочными. Лицензия — CreativeML Open RAIL++-M.

Cyberrealistic XL Catalyst XL v11 — модель генерации изображений по текстовому описанию, созданная Cyberdelia. Она основана на дообучении cyberdelia/latest_sdxl_models и предназначена для создания реалистичных и фотореалистичных изображений с естественными тонами и вариативными результатами. Модель работает через StableDiffusionXLPipeline в библиотеке Diffusers; в репозитории доступны веса Diffusers в формате safetensors. Карточка не описывает отдельные сценарии применения и не сообщает размер модели или длину контекста. Указана лицензия other, поэтому условия использования следует проверять в материалах автора и исходной модели.

Это модель для распознавания именованных сущностей в тексте о продуктах питания. Она создана дообучением DeBERTa-v3-base от Microsoft и выдаёт метки для отдельных токенов. Модель содержит 211,6 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. В README приведены результаты на оценочной выборке: F1 0,9356, точность 0,9268 и полнота 0,9446. Сведения о составе и разметке обучающих данных, конкретных типах сущностей и ограничениях применения не приведены. Лицензия модели — MIT.