IV.1Ритейл, электронная коммерция и fashion-tech

CyberRealistic Flux — модель генерации изображений по текстовому описанию на основе FLUX.1 dev. Она предназначена для создания реалистичных изображений, включая контент для взрослой аудитории. В карточке указаны форматы Diffusers и safetensors и лицензия CreativeML OpenRAIL-M. Автор описывает модель как раннюю версию: результаты ещё не идеальны, а модель служит основой для дальнейшего развития. Данных о размере, длине контекста и поддерживаемых языках нет.

CyberRealistic Z-Image Turbo — ранняя экспериментальная модель генерации изображений по текстовому описанию, созданная на основе оригинальной Z-Image Turbo. Она предназначена для создания фотореалистичных изображений по текстовым запросам. В репозитории указаны файлы в формате safetensors; модель распространяется по лицензии CreativeML Open RAIL-M. Это ранняя экспериментальная сборка, поэтому её качество и поведение могут быть нестабильными. README не приводит сведений о размере модели, поддерживаемых языках или ограничениях на генерируемый контент.

FLUX.1 [dev] Abliterated — модифицированная модель генерации изображений по текстовому описанию, основанная на FLUX.1 [dev] от Black Forest Labs. Она использует архитектуру Rectified Flow Transformer и содержит 12 млрд параметров. Репозиторий распространяет веса в формате Diffusers и Safetensors; для работы указана библиотека Diffusers. Модель предназначена для создания изображений по текстовым запросам. В README заявлено, что модификация abliteration убирает встроенный механизм отказа и позволяет отвечать на более широкий спектр запросов. Это может расширять диапазон генерируемого контента, но само по себе не подтверждает качество результатов. Карточка не приводит измерений качества или подробных рекомендаций по эксплуатации. Лицензия репозитория — Apache-2.0. Модель унаследовала возможности и ограничения базовой FLUX.1 [dev]; сведения о конкретных ограничениях генерации в карточке не приведены.

FLUX.1-dev-IP-Adapter — адаптер IP-Adapter для генеративной модели FLUX.1-dev, разработанный командой InstantX. Он предназначен для генерации изображений по текстовому описанию с использованием референсного изображения, которое подаётся в модель как дополнительный источник визуальной информации. Адаптер можно применять в сценариях управляемой генерации и комбинирования текстовых и визуальных условий; поддерживаются интеграции через локальные файлы проекта и ComfyUI-IPAdapter-Flux. В архитектуре добавлены новые слои в 38 одиночных и 19 двойных блоках FLUX.1-dev. Для кодирования изображений используется google/siglip-so400m-patch14-384, а для проекции признаков — MLPProjModel из двух линейных слоёв. Число токенов изображения составляет 128. Выпущенная версия обучена на открытом наборе данных объёмом 10 миллионов примеров с размером батча 128 и выполнением 80 000 шагов обучения. Базовая модель — black-forest-labs/FLUX.1-dev; в метаданных указан английский язык. Адаптер поддерживает работу с референсными изображениями, но не предназначен для тонкого переноса стиля или обеспечения постоянства персонажа. Возможен компромисс между утечкой содержания исходного изображения и переносом стиля, а для получения приемлемого результата могут потребоваться несколько попыток. Авторы также отмечают ограниченное разнообразие текущей версии и невозможность охватить некоторые стили и концепции. На момент публикации код ещё не интегрирован в diffusers и требует использования локальных файлов проекта. Модель распространяется по лицензии flux-1-dev-non-commercial-license; коммерческое использование ограничено условиями этой лицензии.

FLUX.1-dev-LoRA-add-details — адаптер LoRA для модели FLUX.1-dev, разработанный пользователем Dote и опубликованный Shakker Labs. Он предназначен для генерации изображений по текстовому описанию с повышением реалистичности и детализации, в частности для получения более естественной текстуры кожи и улучшенной проработки визуальных элементов. Модель применяется как дополнительный набор весов поверх базовой FLUX.1-dev и поддерживается библиотекой Diffusers. Адаптер не требует обязательных trigger words; рекомендуемый масштаб применения — 1.0, также допускаются отрицательные значения. В README приведён сценарий генерации изображений с использованием PyTorch, FluxPipeline, 24 шагов инференса, guidance_scale 3.5 и разрешения 768×1024. Сведения о размере адаптера, точной архитектуре базовой модели, поддерживаемых языках и максимальном контексте не указаны. К ограничениям относятся зависимость от FLUX.1-dev и необходимость учитывать совместимость с её окружением и параметрами инференса. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть предназначена для некоммерческого использования.

FLUX.1-dev_Models — это LoRA-адаптер для генерации изображений по текстовому описанию, разработанный сообществом или автором, указанным в репозитории pmczip; конкретный разработчик в предоставленных данных не назван. Адаптер предназначен для работы с базовой моделью black-forest-labs/FLUX.1-dev и ориентирован на text-to-image-сценарии, включая фотореалистичные портреты и передачу визуального сходства с людьми или персонажами по специальным текстовым идентификаторам. В README указаны примеры генерации портретов женщин в городском окружении с заданными внешностью, одеждой, освещением и настроением. Модель распространяется в формате safetensors и интегрируется с экосистемой Diffusers. Архитектура LoRA и точный размер адаптера не указаны. Поддерживаемая модальность — текст на входе и изображение на выходе; заявленный язык — английский. Сильная сторона модели — специализация на фотореалистичных портретах и управляемом воспроизведении определённых образов. Ограничения включают зависимость от базовой FLUX.1-dev, отсутствие данных о размере, параметрах, рекомендуемых настройках и качестве на других сюжетах. Лицензия обозначена как bespoke-lora-trained-license; подробные условия приведены по ссылке multimodal.art/civitai-licenses.

FLUX.2-klein-4B-GGUF — это квантизированная версия модели FLUX.2-klein-4B, разработанной Black Forest Labs. Модель предназначена для генерации изображений по текстовому описанию и поддерживает английский и китайский языки. Доступные файлы представлены в формате GGUF и рассчитаны на использование с stable-diffusion.cpp. Ключевая характеристика модели — размер базовой модели 4B параметров; конкретная архитектура, набор модальностей помимо текста и изображений, размер контекста и параметры квантизации в README не указаны. К сильным сторонам относятся специализированное назначение для text-to-image, компактное представление GGUF и совместимость со stable-diffusion.cpp. Ограничения и требования к аппаратному обеспечению также не описаны. Квантизированные файлы распространяются по лицензии Apache 2.0, как и исходная модель; конвертацию выполнил leejet с использованием stable-diffusion.cpp.

Felldude/gemma-4-E4B-uncensored — дообученная модель семейства Gemma 4, созданного Google DeepMind. По данным карточки, версия намеренно ослабляет ограничения и предназначена, в частности, для создания описаний откровенных изображений. Модель основана на Gemma 4 E4B и использует архитектуру Gemma4ForConditionalGeneration; веса доступны в формате safetensors и работают с библиотекой Transformers. Базовая модель поддерживает работу с изображениями и аудио, но карточка этой версии отдельно указывает на сценарий описания изображений; обучение на видео не проводилось, поэтому видео модель может описывать как неподвижные кадры. Модель выпущена под лицензией Apache-2.0. Карточка не сообщает о размере контекста или языках этой дообученной версии.

gmlp_s16_224.ra3_in1k — модель классификации изображений семейства gMLP, обученная Россом Уайтменом в библиотеке timm на ImageNet-1k. Она предназначена для отнесения изображений к классам и может использоваться как визуальный backbone для извлечения признаков. Модель содержит около 19,4 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность около 4,4 GMAC. Архитектура gMLP основана на многослойных перцептронах и описана в работе «Pay Attention to MLPs». Репозиторий содержит веса PyTorch и SafeTensors; лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификация ориентирована на классы этого набора данных. В карточке не приведены результаты метрик, а перенос на предметные области, отличающиеся от ImageNet-1k, может потребовать адаптации.

HunyuanVideo-1.5-Diffusers-480p_i2v_step_distilled — модель для создания видео по изображению, представленная в сообществе hunyuanvideo-community. Репозиторий содержит веса в формате Diffusers и Safetensors; карточка указывает на использование пайплайна HunyuanVideo15ImageToVideoPipeline. Суффикс step_distilled указывает на дистиллированный вариант, однако базовая модель в предоставленных данных не названа. Модель предназначена для преобразования исходного изображения в видео. В README упоминаются маски внимания для последовательностей переменной длины и рекомендуется эффективный backend внимания для обработки padding; установка дополнительных ядер приведена как рекомендация по производительности. Лицензия обозначена как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

Juggernaut XL v5 — модель генерации изображений по текстовым запросам, созданная KandooAI в сотрудничестве с RunDiffusion. Это один из ранних чекпойнтов семейства Juggernaut на базе Stable Diffusion XL, выпущенный до интеграции RunDiffusion Photo в последующих версиях. Модель сохранена для ознакомления и рабочих процессов, которым нужен характерный стиль v5. Модель предназначена для создания фотореалистичных изображений по текстовым описаниям. Для генерации автор рекомендует портретное разрешение 832 × 1216 или альбомное 1216 × 832, сэмплер DPM++ 2M Karras и 30–40 шагов. Она работает с Diffusers и совместима с интерфейсами ComfyUI, Forge, Automatic1111, Fooocus, InvokeAI и SwarmUI. Модель дообучена на Stable Diffusion XL Base 1.0 и принимает текст, выдавая изображения. Карточка указывает лицензию CreativeML Open RAIL-M: личное и творческое использование разрешено, но размещение за платными API требует отдельного разрешения и лицензирования. Это ранняя версия семейства; автор рекомендует для новых проектов более поздние выпуски Juggernaut.

Это экспериментальный полноразмерный fine-tune Krea 2 Raw от автора lamshiu, обученный с DiffSynth-Studio на примерно 3,7 тыс. изображений в течение трёх эпох. Модель смещает эстетический стиль базовой диффузионной модели в сторону фотографии и создаёт изображения по текстовым запросам. Модель относится к классу Raw. В README рекомендуются настройки Krea 2 Raw — около 52 шагов и CFG 3,5–4,5; для работы нужны текстовый энкодер Qwen3-VL-4B и VAE Qwen-Image. Она доступна как INT8 ConvRot в safetensors и как bf16-чекпойнт; режимы Turbo на 8 шагов несовместимы. Данные обучения включали материалы для взрослых, поэтому возможна генерация NSFW-контента. Производная распространяется на условиях Krea 2 Community License Agreement, которая ограничивает коммерческое использование и требует от развёртывающих модель настроить фильтрацию контента.

lvladikov/Krea2-Turbo-Distill-2step-LoRA — адаптер LoRA для модели Krea 2 Turbo, разработанный пользователем lvladikov. Адаптер предназначен для дистилляции процесса генерации изображений: он сокращает число шагов денойзинга с 8 до 2, сохраняя собственные веса и сигмы Krea 2 Turbo и работая с guidance 0.0. Модель ориентирована прежде всего на быстрые предварительные просмотры и черновики, а не на максимальное качество финального рендера. Адаптер совместим с библиотекой Diffusers, ComfyUI и MLX, использует стандартный Euler без пользовательского sampler или custom nodes. Его архитектура имеет rank 64 и применяется к тем же 228 модулям, что и 4-step-адаптер. Обучение проводилось на 17 464 образцах, включая 13 750 записанных траекторий учителя; заявлены 12 обученных разрешений от 512×512 до 1440×1440. По данным README, при разрешении 1024×1024 денойзинг занимает около 19,5 секунды вместо 81,4 секунды у учителя, что соответствует ускорению примерно в 4,2 раза. Сильная сторона модели — высокая скорость при сохранении мелких деталей и хорошее соответствие текстовым запросам, особенно в сценах с крупным портретом, одним персонажем или объектом, занимающим значительную часть кадра. Ограничения связаны с продолжающимся обучением и качеством небольших объектов: лица в толпе и фигуры в широких сценах могут выглядеть смазанными или призрачными. Для финальных изображений и случаев, где важнее качество, рекомендуется 4-step-адаптер. Модель также заявлена как совместимая с Krea 2 Raw при 7 и более шагах и лёгком guidance. Распространяется по Krea 2 Community License Agreement; в репозитории указаны LICENSE.pdf и обязательное уведомление NOTICE.txt.

LHM-1B-HF — модель 3DAIGC для восстановления анимируемого 3D-персонажа по одному изображению. Это feed-forward модель, представленная в рамках исследования Large Animatable Human Reconstruction Model for Single Image to 3D in Seconds; она обучена на крупномасштабном наборе видео с использованием функции потерь реконструкции изображения и предназначена для быстрого построения 3D-персонажей в реалистичных сценариях. Модель принимает изображение и выдаёт 3D-реконструкцию человека, пригодную для анимации. В репозитории указаны веса в формате safetensors. Лицензия — Apache-2.0.

Nori-100M — табличная модель семейства Nori, разработанная Synthefy. Она предназначена для регрессии с обучением в контексте: модель получает несколько размеченных строк таблицы и предсказывает значения для новых строк за один прямой проход, без отдельного обучения или дообучения под задачу. Модель обучена исключительно на синтетических данных. Вариант содержит около 98,3 млн параметров и использует плотную архитектуру Features Transformer: 42 слоя, размерность эмбеддинга 352, скрытую размерность 1056 и 8 голов внимания. Для работы предусмотрена библиотека synthefy-nori; модель использует GPU при наличии и может работать на CPU. Лицензия — Apache-2.0. Модель рассчитана на регрессию по таблицам малого и среднего размера. Плотное внимание к строкам имеет сложность O(N²), поэтому на больших таблицах и при длинном контексте модель уступает лучшим базовым методам; обучение не использовало реальные бенчмарковые данные.

Omni-R1 — мультимодальная модель для рассуждений о видео и аудио с детальным пониманием пикселей, разработанная исследователями из Чжэцзянского университета. Она дообучена на базе Qwen/Qwen2.5-Omni-7B и использует архитектуру Qwen2.5 Omni Thinker. Подход объединяет две системы: одна выбирает ключевые кадры и формулирует задачу с учётом общего контекста, другая выполняет детальную привязку объектов к пикселям в выбранных фрагментах высокого разрешения. Модель предназначена для сегментации объектов в видео по текстовым или аудиовизуальным запросам и рассуждений о временном содержимом. В README описаны результаты на задачах Referring Audio-Visual Segmentation и Reasoning Video Object Segmentation, включая обобщение на данные вне обучающей области и снижение мультимодальных галлюцинаций. Веса опубликованы в формате safetensors; лицензия — BSD-2-Clause. Код инференса и оценки на момент карточки ещё не опубликован.

Poolsuite Diffusion — модель генерации изображений от PromptHero, полученная дообучением Stable Diffusion на изображениях в стиле Poolsuite. Для генерации используйте текстовый запрос и добавляйте фразу «poolsuite style»: модель подходит для создания изображений интерьеров, одежды, автомобилей и других сюжетов с этой стилистикой. Репозиторий доступен в форматах Diffusers и PyTorch; в метаданных указан английский язык и лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста в предоставленных данных не указаны.

shutkit/Qwen2.5-VL-7B-NSFW-Caption-V3-abliterated — мультимодальная модель на архитектуре Qwen2.5-VL, созданная автором shutkit на основе thesby/Qwen2.5-VL-7B-NSFW-Caption-V3. Это версия модели для описания изображений, дообученная на текстовой части методом abliteration; визуальная часть не изменялась. Модель принимает изображение и текстовый запрос и формирует текстовый ответ. Размер составляет 7,1 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для создания подписей и описаний изображений, в том числе контента для взрослых. Метка «abliterated» означает, что из текстовой части удалено поведение отказа на запросы; это не свидетельствует о повышении точности или безопасности ответов. Модель распространяется по лицензии Apache-2.0.

RealismEngine_v1 — модель генерации изображений по текстовому описанию, опубликованная digiplay и основанная на Stable Diffusion 2.1. Автор указывает сценарии использования: дизайн интерьеров, рекламный дизайн и создание фэнтезийных постеров. Модель распространяется в форматах Diffusers, PyTorch и Safetensors. README не сообщает размер модели, поддерживаемые языки, длину контекста или лицензионные условия; метаданные обозначают лицензию как other. Практическое качество и ограничения для отдельных сценариев по карточке не описаны.

RealVisXL V5.0 — GGUF — это квантизированная версия модели RealVisXL V5.0, разработанной SG161222 и преобразованной командой Off Grid AI в формат GGUF. Модель предназначена для генерации изображений по текстовому описанию в рамках SDXL и рассчитана на локальный запуск без передачи данных во внешний облачный сервис. Модель поддерживает сценарии text-to-image и работу через stable-diffusion.cpp. Доступны варианты Q8_0 с более высоким качеством и Q4_K с меньшими требованиями к оперативной памяти. В README приведён пример генерации изображений размером 1024×1024 с 24 шагами, однако сведения о точном размере модели, поддерживаемых языках, максимальном контексте и других архитектурных параметрах не указаны. К сильным сторонам относятся возможность полностью локального запуска, приватность обработки и выбор между качеством и потреблением памяти. Ограничения связаны с квантизацией, потенциальным снижением качества по сравнению с исходной моделью, зависимостью от stable-diffusion.cpp и отсутствием подробных данных о производительности. Модель распространяется по лицензии openrail++, унаследованной от исходной RealVisXL V5.0; применимые ограничения использования сохраняются.

Это веса кодировщика изображений HieraDet из семейства SAM 2, опубликованные в библиотеке timm под идентификатором sam2_hiera_base_plus.fb_r896. Модель предназначена для извлечения признаков из изображений и может служить визуальным энкодером в системах компьютерного зрения. В репозитории представлены веса в форматах PyTorch и safetensors. Указана лицензия Apache 2.0. Карточка описывает только кодировщик изображений, поэтому модель сама по себе не является полной системой сегментации SAM 2.

SemiRealMix — модель генерации изображений по текстовому описанию, созданная путём многократного слияния моделей. Она предназначена для создания полуреалистичных изображений людей, в частности портретов; автор приводит пример промпта для изображения девушки в студийном освещении и рекомендует негативный промпт для исключения низкого качества, наготы и детских образов. Модель основана на Stable Diffusion 1.5 и распространяется в формате Diffusers с весами PyTorch и Safetensors. В README приведены настройки генерации: sampler DPM++ SDE Karras, 20 шагов, CFG 7 и размер 512×768. Для использования указана библиотека Diffusers. Лицензия — CreativeML Open RAIL-M.

DAMO-NLP-SG/SigLIP-NaViT — визуальный энкодер из семейства VideoLLaMA 3, опубликованный группой Language Technology Lab при Alibaba DAMO Academy. Репозиторий содержит модель примерно на 544,9 млн параметров и помечен для извлечения признаков; его можно подключать как vision encoder в системах VideoLLaMA 3. Модель предназначена для извлечения признаков из изображений в составе мультимодальных систем. Карточка Hugging Face автоматически сгенерирована и не раскрывает архитектурные детали, точные сценарии использования, лицензию или ограничения; поэтому эти характеристики нельзя надёжно уточнить.

carsonkatri/stable-diffusion-2-depth-diffusers — конвертированная версия Stable Diffusion 2 Depth в формате Diffusers, подготовленная для работы с библиотекой Diffusers. Модель предназначена для генерации и изменения изображений с учётом карты глубины, задающей пространственную структуру сцены. Её можно применять для создания вариантов изображения, сохраняя композицию и глубину исходной сцены. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — OpenRAIL.

stable-diffusion-v1-5-GGUF — квантизированная версия модели Stable Diffusion v1.5, разработанной runwayml и преобразованной в формат GGUF компанией Second State Inc. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в сценариях text-to-image через LlamaEdge-StableDiffusion, включая запуск как локального сервиса. README не содержит сведений о точной архитектуре, размере исходной модели, поддерживаемых языках и параметрах контекста. Доступны варианты с разной точностью: Q4_0, Q4_1, Q5_0, Q5_1, Q8_0, f16 и f32; их размер составляет примерно от 1,57 до 4,27 ГБ. Выбор варианта влияет на качество результата: более компактные квантизации экономят дисковое пространство, но могут уступать по качеству форматам с большей точностью. Ограничениями являются отсутствие в README подробных характеристик, языковой поддержки и результатов оценки, а также возможное снижение качества при использовании низкобитных вариантов. Модель распространяется по лицензии creativeml-openrail-m.

caidas выпустила модель Swin2SR для повышения разрешения сжатых изображений. Она основана на архитектуре Swin2SR — трансформере SwinV2 для восстановления изображений — и предназначена для увеличения изображения в 4 раза. Модель подходит для улучшения качества сжатых изображений, когда требуется получить изображение большего разрешения. Модель принимает изображение и возвращает его версию с повышенным разрешением. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. В карточке не описаны ограничения качества или поддерживаемые форматы изображений.

Это модель семантической сегментации изображений UPerNet на базе ResNet18, опубликованная в репозитории smp-test-models/upernet-tu-resnet18. Она предназначена для разметки изображения по пикселям, например для выделения объектов или областей на сцене. Модель загружается через библиотеку segmentation-models-pytorch; веса опубликованы в формате safetensors. В карточке не приведены датасет и метрики, поэтому качество и области, на которых модель проверялась, оценить нельзя. Лицензия — MIT.

AykeeSalazar/vc-bantai-vit-withoutAMBI-adunest-v1 — модель классификации изображений, дообученная на базе google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) с 113,2 млн параметров и сохранена в формате PyTorch. По данным карточки, на оценочном наборе достигла accuracy 0,9181 и loss 0,3318. Модель предназначена для отнесения изображений к классам обучающего набора. В качестве данных указан imagefolder, однако карточка не раскрывает набор классов, область применения и ограничения результатов. Лицензия — Apache-2.0.

nateraw разработал модель на основе Vision Transformer (ViT), дообученную для классификации возраста человека по изображению лица. Она предназначена для сценариев, где нужно автоматически отнести лицо к возрастной категории; модель содержит 113,2 млн параметров и опубликована в форматах PyTorch и Safetensors. В карточке указан датасет FairFace. Модель принимает изображение и выдаёт результат классификации. Языковой ввод и вывод не предусмотрены. Лицензия в предоставленных данных не указана.

cstr/adair-GGUF — конвертированная в формат GGUF версия модели AdaIR All-in-One Restoration, разработанной авторами c-yn/AdaIR. Это модель компьютерного зрения на основе Restormer с адаптивными блоками обучения частотным представлениям; она предназначена для восстановления изображений в пяти сценариях: подавление шума, удаление дождя и дымки, устранение размытия и улучшение изображений при слабом освещении. Модель содержит 28,8 млн параметров и использует спектральное разложение на основе FFT, адаптивное маскирование и перекрёстное внимание. Репозиторий содержит веса GGUF в вариантах F16 и F32. Конверсия не включает обучение, дообучение, слияние или изменение архитектуры; заявлено косинусное сходство 0,999924 с эталонной реализацией на Python. Лицензия — MIT, как у исходной модели c-yn/AdaIR. Карточка не сообщает об отдельных ограничениях качества или поддержке конкретных языков.