IV.1Ритейл, электронная коммерция и fashion-tech

TencentARC/t2i-adapter-canny-sdxl-1.0 — адаптер T2I-Adapter, разработанный Tencent ARC совместно с Hugging Face для управляемой генерации изображений на базе Stable Diffusion XL Base 1.0. Он использует карту границ Canny как дополнительное условие и рассчитан на совместное применение с соответствующим чекпойнтом SDXL. Адаптер содержит около 77–79 млн параметров; базовая модель SDXL — около 2,6 млрд параметров. Модель предназначена для генерации изображений по текстовому запросу с контролем композиции и контуров по монохромной карте, где белые границы нанесены на чёрный фон. В карточке указан английский язык и обучение на высококачественных парах изображение–текст из LAION-Aesthetics V2. Лицензия — Apache 2.0. Для работы нужны базовая модель SDXL и предварительно полученное изображение с границами Canny; качество зависит от этого условия и текстового запроса.

Это квантованные версии мультимодальной модели Qwen2.5-VL-7B-NSFW-Caption-V3, разработанной thesby и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для анализа изображений и генерации подробных подписей к ним, включая контент для взрослых. Она поддерживает сценарии image-to-text и рассчитана на использование в LM Studio, llama.cpp и других проектах на базе llama.cpp. Модель основана на архитектуре Qwen2.5-VL и имеет размер 7B параметров. Она работает с изображениями и текстом, заявлена поддержка китайского и английского языков, а также генерация длинных описаний. Доступны варианты от BF16 до различных уровней квантования Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Для запуска используется формат prompt, совместимый с chat-шаблоном Qwen. К сильным сторонам относятся мультимодальность, специализация на image captioning, поддержка подробных описаний и широкий выбор квантованных вариантов; версии Q6 и Q5 позиционируются как обеспечивающие очень высокое или высокое качество. Ограничения включают специализацию на описании изображений и контенте NSFW, а также возможные потери качества при сильном квантовании. Модель распространяется по лицензии Apache-2.0.

Это версия microsoft/TRELLIS-text-large, преобразованная в самостоятельный конвейер diffusers-3d для генерации 3D-объектов по текстовым описаниям. Репозиторий включает текстовый энкодер CLIP ViT-L/14, токенизатор и компоненты декодирования TRELLIS; веса исходной модели не изменены. Конвейер принимает текстовый запрос, в том числе с отрицательным описанием, и предназначен для генерации 3D-представлений объектов. Для рендеринга Gaussian splats требуется дополнительный backend gsplat; для PBR-текстурированной сетки TRELLIS.2 нужна CuMesh. Модель распространяется по лицензии MIT.

VMamba_ImageNet_82.6 — модель классификации изображений на основе двунаправленной архитектуры пространства состояний VMamba. Её опубликовал Saurabhchand Bhati; автор README отмечает, что это не официальная реализация VMamba. Модель дообучена на наборе ImageNet и предназначена для отнесения изображений к классам. В метаданных указаны библиотека Transformers и формат весов safetensors. README не сообщает размер модели, число классов или длину контекста. Модель распространяется по лицензии MIT. README описывает проект как работу в процессе и предупреждает, что реализация неофициальная; эти факторы следует учитывать при внедрении.

Z-Image-Fun-Lora-Distill — это дистиллирующий LoRA-адаптер для модели Z-Image, опубликованный Alibaba PAI и разработанный в рамках проекта VideoX-Fun. Адаптер предназначен для ускорения генерации изображений из текста и совместим с другими LoRA-адаптерами Z-Image и ControlNet Union 2.1. Он обучен с нуля и не использует веса Z-Image-Turbo. Доступны варианты, рассчитанные на 2, 4 и 8 шагов генерации вместо стандартных 8 шагов; адаптер одновременно дистиллирует число шагов и CFG, поэтому для базовой версии CFG не требуется. Версия 2603 использует стратегию случайных временных шагов и лучше работает при sigma ниже 0,500, а для двухшагового варианта рекомендуется использовать второй шаг с sigma примерно от 0,800 до 0,500 и повышенную силу LoRA. Также доступны варианты для ComfyUI. Основное преимущество модели — существенное сокращение числа шагов и ускорение генерации производных моделей Z-Image. Ограничениями являются некоторое снижение качества и изменение композиции по сравнению с исходной моделью; адаптер предназначен для быстрой генерации и не позиционируется как замена Z-Image-Turbo. Лицензия — Apache-2.0.

Z-Image-Turbo-LiteRT — это on-device версия модели Z-Image-Turbo от Alibaba Tongyi-MAI, преобразованная в графы LiteRT CompiledModel. Исходная модель имеет размер 6B параметров, архитектуру Single-Stream Diffusion Transformer (S3-DiT) и лицензию Apache-2.0. Модель предназначена для генерации изображений по текстовому описанию (text-to-image) непосредственно на мобильном устройстве, включая смартфоны с GPU. Пример генерации изображения размером 256×256 выполнялся на Pixel 8a с Mali GPU за 8 шагов диффузии. Модель включает текстовый энкодер Qwen3-4B, набор int8-графов S3-DiT и VAE-декодер. Компоненты разделены на несколько графов, которые загружаются последовательно, чтобы снизить пиковое потребление памяти: максимальный размер одного основного графа составляет около 866 МБ, а текстовый энкодер занимает около 3,5 ГБ. Обработка использует текстовые промпты, а итогом является RGB-изображение; в README явно не указаны поддерживаемые языки. Часть вычислений, включая токенизацию, подготовку условных признаков, classifier-free guidance и некоторые операции с латентами, выполняется на стороне хоста. Ключевое преимущество версии LiteRT — возможность запускать крупную diffusion-модель полностью на телефоне с использованием GPU и int8-квантования. По заявленным данным, результат int8 близок к FP32-эталону: PSNR составляет 40,4 дБ, корреляция — 0,9994, а визуальные различия характеризуются как практически незаметные. Ограничения включают высокие требования к памяти и необходимость последовательной загрузки графов, обязательное использование FP32-вычислений на GPU для отдельных путей во избежание переполнений FP16, а также ручную реализацию части pipeline на хосте. Модель распространяется по лицензии Apache-2.0.

Модель shekar-ai/albert-base-v2-persian-sentiment-snapfood — классификатор тональности отзывов на персидском языке, разработанный Shekar AI. Это дообученная для классификации последовательностей модель ALBERT, основанная на shekar-ai/albert-base-v2-persian-zwnj-naab-mlm. Она относит текст к одному из двух классов: положительному или отрицательному. Модель предназначена прежде всего для анализа отзывов о доставке еды из набора Snappfood. В README указаны 11,9 млн параметров и точность 87,17% на отложенной выборке примерно из 6,3 тыс. отзывов; метаданные каталога указывают 137,8 млн параметров, поэтому размер модели сообщается противоречиво. Контекст ограничен 512 токенами. Поддерживается персидский язык; базовая модель учитывает символ ZWNJ. Модель распространяется по лицензии MIT.

Arcaillous-NBXL-v10 — дообученная модель генерации изображений, созданная Bedovyy на базе Laxhar/noobai-XL-1.0. Она принимает текстовые промпты и предназначена для создания изображений; репозиторий содержит веса Safetensors для использования с Diffusers. Модель обучали в два этапа с помощью kohya-ss/sd-scripts: сначала Lion8bit для ускоренного обучения, затем Lion для детализации. В README не описаны конкретные стили, особенности генерации или ограничения качества. Лицензия в метаданных указана как other, поэтому перед использованием следует проверить условия лицензии на странице модели.

Модель JustFadjrin/batik-vit-model-classification разработана для проекта Batik ViT Classifier и классифицирует изображения индонезийского батика. Она основана на Vision Transformer (ViT) и содержит около 113,2 млн параметров; для весов используется формат Safetensors. Модель распознаёт 20 видов батика, включая мегамендунг, паранг, кавунг, баронг и мотивы регионов Индонезии. Модель подходит для определения типа узора на фотографии батика, например, в приложении-классификаторе или для первичной каталогизации изображений. Она обучена на наборе Batik Nusantara (Batik Indonesia) Dataset с Kaggle. Лицензия репозитория — CC0 1.0. Точность не гарантируется: набор данных ограничен, а результат зависит от качества и освещения изображения, угла съёмки, фона и сходства узоров между классами. Модель распознаёт только 20 перечисленных категорий, поэтому другие виды батика могут быть отнесены к неподходящему классу.

diffusers/controlnet-depth-sdxl-1.0-mid — модель ControlNet для управления генерацией изображений с помощью карт глубины. Она обучена совместно с базовой моделью stabilityai/stable-diffusion-xl-base-1.0 и предназначена для использования в StableDiffusionXLControlNetPipeline библиотеки Diffusers. Разработка и обучающий скрипт основаны на официальных инструментах Hugging Face Diffusers. Модель подходит для text-to-image-сценариев, в которых требуется сохранить пространственную структуру и глубину исходного изображения при генерации нового содержимого по текстовому запросу. Карту глубины можно получить из входного изображения с помощью Intel/dpt-hybrid-midas, после чего передать её в ControlNet. Контроль силы воздействия выполняется параметром controlnet_conditioning_scale; в README рекомендовано начинать со значения 0,5. Это уменьшенная версия SDXL ControlNet: заявлено, что checkpoint примерно в пять раз меньше исходного XL ControlNet checkpoint. Модель не содержит attention-блоков, не использует distillation и работает в смешанной точности FP16. Обучение проводилось на 3 млн изображений из подмножества LAION aesthetic 6 plus, в течение 50 000 шагов на машине с 8 GPU A100. Размер контекста и поддерживаемые языки отдельно не указаны. Checkpoint обозначен как экспериментальный. Он хорошо работает с большинством изображений-условий, но для сложных условий более крупные версии могут давать лучшее качество; результат также зависит от параметров controlnet_conditioning_scale и guidance_scale. Лицензия — openrail++.

ControlNet v1.1 Tile Version — модель управления генерацией изображений, разработанная Lvmin Zhang и Maneesh Agrawala. Эта версия представляет собой конвертацию исходного контрольного чекпойнта в формат diffusers и предназначена для использования совместно с Stable Diffusion, прежде всего runwayml/stable-diffusion-v1-5. Модель принимает изображение с плиточной структурой как дополнительное условие для диффузионной генерации. Она подходит для image-to-image-сценариев, восстановления и детализации изображений, а также генерации новых деталей при сохранении структуры входного изображения. По назначению она близка к модели суперразрешения, но может работать и без изменения исходного размера. Основная модальность — изображения, а текстовое управление обеспечивается базовой моделью Stable Diffusion; в карточке указано, что поддерживаемый язык — английский. Ключевая сильная сторона модели — дополнительный контроль над результатом генерации с сохранением пространственной структуры и деталей входного изображения. Ограничения включают зависимость от совместимой диффузионной модели, в первую очередь Stable Diffusion v1.5, а также отсутствие в предоставленных данных сведений о размере параметров, максимальном контексте, производительности и количественных оценках качества. Модель распространяется по лицензии CreativeML OpenRAIL M, являющейся вариантом лицензии Open RAIL M.

CustomLightning — модель, разработанная Alissonerdx. Это набор объединённых и извлечённых LoRA-модификаций для персонального использования, созданный на основе Qwen/Qwen-Image-Edit-2511 и предназначенный для работы с генерацией и редактированием изображений, включая сценарии с ускоренной генерацией в стиле Lightning и Lightx2v. Модель распространяется для использования через библиотеку diffusers. Основная заявленная цель CustomLightning — скорректировать характерные для Lightning-LoRA от Lightx2v проблемы с избыточной насыщенностью цветов и «пластиковой» текстурой кожи. В качестве примера приведён сценарий замены головы на изображении с сохранением освещения, фона, направления взгляда, поворота головы и микровыражений. Точные сведения о размере, архитектуре, поддерживаемых языках, длине контекста и наборе модальностей в README не указаны. Сильными сторонами модели являются ориентация на более естественную цветопередачу и внешний вид кожи по сравнению с исходными Lightning-модификациями, а также совместимость с базовой моделью Qwen/Qwen-Image-Edit-2511. Ограничения, рекомендуемые параметры, требования к оборудованию и результаты сравнительных тестов не приведены. Лицензия в README не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

DepthPro — модель компьютерного зрения для оценки метрической глубины по одному изображению, разработанная Aleksei Bochkovskii, Amaël Delaunoy, Hugo Germain, Marcel Santos, Yichao Zhou, Stephan R. Richter и Vladlen Koltun. Эта версия адаптирована для библиотеки Transformers и позволяет получать карту глубины с абсолютным масштабом без данных о параметрах камеры. Модель использует многомасштабную архитектуру на основе Vision Transformer с энкодерами DINOv2 и этапом слияния признаков на основе DPT. Она рассчитана на оценку глубины с нуля, выдаёт детализированные карты высокого разрешения и включает отдельную голову для оценки фокусного расстояния. Для обработки изображения применяется масштабирование до 1536×1536 пикселей. В README указана лицензия Apple-ASCL, а в метаданных Hugging Face — apple-amlr.

bdsqlsz/flux1-dev2pro-single — модель генерации изображений по текстовому описанию, опубликованная пользователем bdsqlsz на Hugging Face. Модель предназначена для создания изображений на основе текстовых промптов и рассчитана на использование с библиотекой Diffusers. Модель относится к семейству Flux и распространяется как пакет для задачи text-to-image. В карточке указана лицензия Apache-2.0, допускающая использование, изменение и распространение при соблюдении её условий. README содержит минимальную информацию: сведения об архитектуре, размере, поддерживаемых языках, длине контекста, качестве генерации и рекомендуемых параметрах отсутствуют. Поэтому перед применением необходимо самостоятельно проверить совместимость с используемым пайплайном Diffusers и оценить результаты на целевых промптах.

FLUX.1-dev-ControlNet-Union-Pro-2.0 — унифицированная модель ControlNet от Shakker Labs для базовой модели black-forest-labs/FLUX.1-dev. Она предназначена для управляемой генерации изображений по текстовому описанию с сохранением структуры и композиции, заданной управляющим изображением. Модель интегрируется с библиотекой Diffusers и используется в пайплайне FluxControlNetPipeline. Модель поддерживает несколько режимов управления: Canny, soft edge, depth, pose и gray. Она может работать совместно с другими ControlNet, что позволяет комбинировать несколько условий, например контуры, глубину и позу. По сравнению с предыдущей версией удалено mode embedding, уменьшен размер модели, улучшено управление в режимах Canny и pose, а также добавлена поддержка soft edge; режим tile удалён. Архитектура включает 6 double blocks и 0 single blocks. Обучение проводилось с нуля в течение 300 тысяч шагов на наборе из 20 миллионов качественных общих и человеческих изображений при разрешении 512×512, в BFloat16. Сильные стороны модели — единый интерфейс для нескольких типов структурного контроля, улучшенная управляемость контуров и поз, возможность совместного использования нескольких ControlNet и сохранение эстетики генерации FLUX.1-dev. Ограничения включают зависимость от базовой модели FLUX.1-dev, необходимость совместимого окружения Diffusers и вычислительных ресурсов GPU; точные требования к контексту и поддерживаемым языкам в карточке подробно не указаны. Для стабильных результатов рекомендуются подробные текстовые описания и настройка силы условного сигнала и диапазона его применения. Лицензия указана как flux-1-dev-non-commercial-license, поэтому использование ограничено условиями этой некоммерческой лицензии.

city96/FLUX.1-schnell-gguf — это прямое преобразование модели black-forest-labs/FLUX.1-schnell в формат GGUF, выполненное пользователем city96. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в сценариях text-to-image через совместимые инструменты, включая пользовательский узел ComfyUI-GGUF. В предоставленных данных не указаны точные архитектурные параметры, размер модели, поддерживаемые языки, количество модальностей и длина контекста. Известно, что это версия FLUX.1-schnell в формате GGUF, а типы квантования могут различаться; их характеристики следует оценивать отдельно для конкретного файла. Преобразование ориентировано на использование в экосистеме ComfyUI, при этом README не описывает ограничения качества или производительности. Модель распространяется по лицензии Apache-2.0. Для работы требуется совместимый способ загрузки GGUF, например ComfyUI-GGUF; файлы модели предназначены для размещения в каталоге ComfyUI/models/unet.

Gemma 4 Thai Performance Marketing — созданная автором yothinS модель Gemma 4 E2b, дообученная методом QLoRA на датасете yothinS/Thai_performance_marketing. Она предназначена для консультаций по performance-маркетингу на тайском языке: анализа рекламных кампаний Meta Ads и TikTok Ads, поиска причин проблем с показателями и подготовки рекомендаций в формате «если — то» с конкретными шагами. Модель принимает текст и генерирует текстовые ответы; в карточке указана архитектура Gemma4ForConditionalGeneration и формат safetensors. README также описывает объединённую 16-битную версию и LoRA-адаптер для загрузки с базовой моделью unsloth/gemma-4-E2b-it. Обучение охватывает рекламные и бизнес-метрики CPM, CTR, CPC, CVR и ROAS. Лицензия — Apache-2.0. Ответы могут быть смещены к тематике performance-маркетинга и шаблону «если — то»; выводы и статистические рекомендации следует сверять с фактическими данными рекламных кабинетов Meta и TikTok перед изменением бюджета.

Genderize — англоязычная модель классификации текста, разработанная Imran Ali для предсказания гендерной категории по имени. Она дообучена на базе google-bert/bert-base-cased и содержит 136,7 млн параметров; принимает текст с контекстом до 512 токенов и выдаёт метку класса. Модель предназначена для классификации имён и может применяться в сценариях, где требуется предположение о гендере по имени, например для персонализации маркетинга. Она использует архитектуру BERT и распространяется по лицензии MIT. Предсказания могут быть ошибочными, особенно для унисекс- и редких имён; качество зависит от культурного и языкового контекста. Возможны смещения из-за обучающих данных, поэтому результаты следует проверять на целевой выборке.

GingerMix — объединённая модель генерации изображений от Hemlok на основе LimeMixV2. Она предназначена для создания изображений по текстовым запросам и рассчитана на использование в Stable Diffusion через Diffusers или интерфейсы вроде AUTOMATIC1111. Автор отмечает улучшенную выразительность и цветовые тона; в карточке также описаны варианты Ginger MixR с улучшенной композицией и фоном и Ginger V1, объединяющий LimeMixV2 с PastelMix. В README рекомендуются сэмплеры DDIM или DPM++ SDE Karras, около 20 шагов, CLIP skip 2 и CFG Scale 5–8. Для img2img указана сила денойзинга 0,5–0,65; автор советует использовать как можно меньше негативных промптов. Лицензия — CreativeML OpenRAIL-M. Автор допускает создание SFW- и NSFW-изображений на усмотрение пользователя и просит не публиковать NSFW-контент в общественных местах.

HiDream-I1-Full-gguf — это GGUF-конверсия модели HiDream-I1-Full, разработанной HiDream.ai и квантизированная пользователем city96. Модель предназначена для генерации изображений по текстовому описанию и используется в сценариях text-to-image, в частности через пользовательский узел ComfyUI-GGUF для ComfyUI. В README не указаны точная архитектура, количество параметров, поддерживаемые разрешения, размер контекста и конкретные типы квантизации файлов. В качестве языка указан английский. Для работы требуются файлы модели, а также VAE и дополнительные компоненты, доступные в отдельном репозитории Comfy-Org/HiDream-I1_ComfyUI. Лицензия модели — MIT.

Это FP8-квантизированная версия Krea 2 OSS Turbo, подготовленная сообществом на основе весов KREA.ai. Модель предназначена для генерации изображений по текстовым запросам; её можно использовать, в частности, в ComfyUI с поддержкой Krea2. В репозитории применена выборочная квантизация весовых матриц до float8_e4m3fn, тогда как векторы, смещения, параметры нормализации и чувствительные слои сохранены в исходной точности. По данным README, размер весов уменьшен с 24,76 до 12,01 ГиБ. Для запуска приведены настройки Turbo: 8 шагов, CFG 1.0 и разрешение 1280×720; также требуются отдельные файлы текстового энкодера и VAE. Модель распространяется по лицензии KREA 2, условия которой необходимо соблюдать. Это преобразование исходных весов, а не самостоятельная разработка автора репозитория; заявленная цель — снизить требования к памяти, сохранив качество генерации.

ogbeatz415/Krea2Raw_Loras — это LoRA-адаптер для базовой модели Krea-2-Raw, разработанный пользователем ogbeatz415. Модель предназначена для генерации фотореалистичных изображений по текстовому описанию в сценариях text-to-image и интеграции с инструментами на базе Diffusers. По примерам из карточки она ориентирована на создание портретных и сюжетных изображений женщин, в том числе с сохранением узнаваемого сходства с публичными персонами или заданными идентификаторами в промпте. Известно, что адаптер распространяется в формате safetensors и предназначен для работы с Krea-2-Raw, включая варианты, связанные с Krea2 и Krea2-turbo. Заявленный язык — английский. В карточке не указаны размер LoRA, параметры архитектуры, рекомендуемый вес адаптера, максимальный контекст или полный перечень поддерживаемых модальностей; по имеющимся данным, основная модальность — текст и изображение. Сильными сторонами модели являются специализация на фотореалистичной визуализации, портретной тематике и потенциальном воспроизведении внешнего сходства. Ограничения связаны с зависимостью от базовой модели Krea-2-Raw и отсутствием подробных технических рекомендаций по настройке и качественной оценке. Модель распространяется по лицензии bespoke-lora-trained-license; условия следует уточнять по указанной ссылке на multimodal.art и учитывать отдельно для изображений с узнаваемыми персонами.

LibreGemma4e4b — копия весов Gemma 4 E4B Instruct от Google DeepMind, размещённая LibreYOLO для использования в уровне LibreVLM. README сообщает, что репозиторий зеркалирует снимок google/gemma-4-E4B-it и сохраняет файлы для загрузки через обёртку LibreYOLO; обученные параметры не изменялись. Метаданные относят модель к плотной архитектуре Gemma 4 и задаче object-detection. Модель предназначена для обнаружения объектов на изображениях с задаваемыми пользователем классами, например поиска людей или касок. Указаны форматы safetensors и библиотека libreyolo. Лицензия — Apache 2.0. Размер, контекст и языки этой копии в предоставленных сведениях не приведены.

MiVOLO V2 — модель семейства MiVOLO для оценки возраста и пола по изображениям людей, разработанная авторами MiVOLO. Она использует многовходовый трансформер, который анализирует кропы лица и тела; для инференса требуются кропы размером 384 × 384 пикселя. Модель предназначена для задач визуальной оценки демографических характеристик по изображению. Для работы используются библиотека mivolo и точность FP32 или FP16. В карточке указано, что обучение проводилось на проприетарных и открытых наборах данных. Модель опубликована под лицензией Apache-2.0. README называет её передовой, но таблица с метриками опущена, поэтому точность по карточке оценить нельзя.

Modern MobileNetV1 — компактная модель классификации изображений на основе архитектуры MobileNetV1, опубликованная пользователем kd13. Она предназначена для классификации на периферийных и мобильных устройствах, встроенных системах, роботах и в низколатентных сервисах. Модель использует глубинно-разделимые свёртки, активации SiLU, нормализацию GroupNorm(1, C) с вычислениями FP32 и обучаемое масштабирование остаточных связей. Для Tiny-ImageNet с разрешением 64 × 64 указаны точность Top-1 44,38% и Top-5 67,26%. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

NyteTydeNoobAIXLvpred1.0EqB7-1024-with-protectedtags-withoutfaces — дообученная модель StarkEater для генерации изображений по текстовому описанию. Она основана на StarkEater/NoobAIXLvpred10EQB7 и предназначена для создания изображений без необходимости использовать специальные триггерные слова. Модель обучалась на разрешении 1024 пикселя. Некоторые теги в обучении сохранялись, но перемешивались; в наборе данных не было папки с кадрированными лицами. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Это экспериментальная дообученная модель Qwen3-ASR-0.6B для распознавания вьетнамской речи с ценами на продукты и разговорными обозначениями денежных сумм. Разработчик адаптировал её на синтетическом аудио, созданном VieNeu TTS, и примерах денежных сокращений от 1k до 999k; архитектура — Qwen3-ASR плотного типа, веса сохранены в safetensors. Модель предназначена для транскрибации вьетнамских высказываний о ценах и денежных суммах, включая варианты записи с суффиксом k. На тестовом наборе kvariants1184 указаны WER 18,28%, CER 6,51% и точность распознавания сумм 90,32%; проверка на VIVOS ещё не завершена. Перед применением на реальных записях разработчик рекомендует провести валидацию. Лицензия указана как other, поэтому условия её использования следует уточнить у автора.

Это извлечённый из Qwen3.8-Flash-Next визуальный энкодер Qwen ViT, преобразованный в формат timm без дополнительного обучения. Модель содержит энкодер изображений, пространственный объединитель токенов и проекцию в размерность исходной языковой модели; весов языковой модели и обученной классификационной головы в репозитории нет. Вариант рассчитан на извлечение признаков изображений, а не на генерацию текста или классификацию готовыми метками. Энкодер имеет около 448 млн параметров, ширину backbone 1152 и размерность проекции 2560; указанный размер изображения — 768 × 768. Поддерживаются прямоугольные RGB-изображения: размеры сторон должны делиться на 16, а для вариантов с объединителем 2 × 2 — на 32. В архитектуре используются MLP с GELU-tanh, обучаемые абсолютные позиционные представления и двумерный осевой RoPE. Для изображений временное ядро Conv3d свёрнуто в Conv2d суммированием весов. Модель подходит для получения визуальных признаков и пространственных токенов как компонента мультимодального конвейера; сама по себе она не включает языковую модель для диалога или анализа изображений. Лицензия — Qwen Community License 1.0.

Acly публикует веса Real-ESRGAN в формате GGUF F16 для запуска через vision.cpp. Real-ESRGAN — семейство моделей повышения разрешения изображений, обученных восстанавливать изображения с распространёнными искажениями; в репозитории представлены конвертированные веса оригинального проекта xinntao/Real-ESRGAN. Модель принимает изображение и создаёт его увеличенную версию. Пример из карточки использует вариант x4plus_anime-6B, однако сведения о составе всех вариантов и их точных характеристиках отсутствуют. Указана лицензия BSD-3-Clause. Формат GGUF F16 предназначен для облегчённого инференса на потребительском оборудовании с vision.cpp.

Realism Engine Ideogram 4 + Krea 2 v3.1 — модель типа LoRA для генерации изображений по текстовому описанию в экосистеме Diffusers. Модель опубликована пользователем или организацией uzumix и предназначена для использования поверх базовой модели krea/Krea-2-Turbo. Название указывает на ориентацию на реалистичную визуальную стилистику и совместимость с подходами Ideogram 4 и Krea 2, однако README не содержит подробного описания принципов работы или подтверждённых результатов. Из известных характеристик: это текстово-изобразительная diffusion-модель в формате LoRA, с базовой моделью krea/Krea-2-Turbo. Данные о количестве параметров, архитектуре адаптера, поддерживаемых языках, размере контекста, требованиях к памяти, настройках силы LoRA и конкретных ограничениях отсутствуют. Лицензия и условия коммерческого или иного использования в README не указаны; перед применением необходимо проверить условия базовой модели и страницы репозитория.