IV.1Ритейл, электронная коммерция и fashion-tech

Модель madhav512/nppe3-swin2sr-lowlight-denoise — дообученная модель Swin2SR на основе предварительно обученного чекпойнта caidas/swin2SR-realworld-sr-x4-64-bsrgan-psnr. Она предназначена для улучшения изображений при слабом освещении: подавляет шум и восстанавливает изображение с увеличением разрешения в 4 раза. Архитектура использует Swin Transformer V2; указаны размер окна 8, размер эмбеддинга 180, шесть блоков глубиной по 6 слоёв и по 6 голов внимания. Модель доступна через Transformers и сохраняет веса в формате safetensors. В README приведён показатель PSNR 39,4857 дБ на валидации и описана функция потерь Charbonnier с сохранением границ. Модель принимает RGB-изображения и выдаёт восстановленное изображение. Карточка указывает английский язык, однако задача обработки изображений не зависит от естественного языка. Лицензия и ограничения применения в предоставленных данных не приведены.

PiEa — самостоятельный декодер диффузии в пиксельном пространстве, разработанный Dl26. Это компонент для восстановления и уточнения изображений: он принимает зашумлённое изображение и изображение с ухудшенным качеством, а затем предсказывает сигнал шума, который используется для реконструкции более чистого изображения высокого разрешения. Модель не создаёт изображения по текстовому запросу и не является обёрткой над другим опубликованным декодером. Модель содержит около 1,01 млрд параметров и использует пользовательскую архитектуру свёрточного U-Net с остаточными блоками, путями понижения и повышения разрешения и эмбеддингом уровня шума или шага диффузии. Она работает непосредственно с пикселями и выдаёт предсказание шума в RGB. Релиз ориентирован на реконструкцию изображений размером 512 пикселей; для запуска нужны совместимая пользовательская реализация загрузчика и окружающий конвейер восстановления. PiEa предназначена для экспериментов с восстановлением изображений, шумоподавлением, уточнением деталей и системами реконструкции с увеличением разрешения. Модель обучалась на смешанном наборе изображений, включая материалы в стиле WikiArt и дополнительные естественные изображения, с синтетическим ухудшением качества и добавлением шума. Качество зависит от процесса деградации, расписания шума и интеграции в конвейер; на изображениях, отличающихся от обучающих данных, возможны артефакты. Лицензия в предоставленных данных не указана.

Realistic-Skin-Style — экспериментальная DreamBooth-модель Saleh (shindi), дообученная на базе Stable Diffusion v2.1 с разрешением 768 пикселей. Она предназначена для генерации изображений людей с более выраженной текстурой кожи по текстовым запросам; для активации изученного стиля в примерах используются триггерные слова «jqkz» и «jqkz style». Модель можно запускать через Diffusers. Автор описывает её как первую версию эксперимента и основу для дальнейшей тонкой настройки. Модель ориентирована на фотореалистичные изображения людей, но качество и реалистичность результата зависят от запроса. Лицензия — CreativeML OpenRAIL-M.

Это предварительно обученные веса swsl для архитектуры ResNeXt-101 32x4d, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Репозиторий предоставляет веса в формате Safetensors; метаданные указывают задачу классификации изображений. Модель может служить визуальным энкодером в конвейерах компьютерного зрения и применяться для классификации изображений. README не описывает обучение или происхождение весов подробнее, а также не приводит сведения о поддерживаемых наборах данных и ограничениях качества. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

Это экспериментальная конверсия модели Flux для генерации изображений по текстовому описанию. Модель создана TheGreatOne321 на основе оригинальной модели, однако её идентификатор и метаданные не раскрывают точную базовую модель.

numz/SeedVR2_comfyUI — выпуск SeedVR2 для ComfyUI и автономного CLI, предназначенный для повышения разрешения видео и изображений. Репозиторий включает интеграцию с ComfyUI и инструменты обработки, а метаданные связывают веса со слитыми моделями ByteDance-Seed/SeedVR2-3B и ByteDance-Seed/SeedVR2-7B. Указанный формат весов — safetensors; библиотека — diffusers. Модель применяет одношаговую диффузионную обработку для улучшения кадров с сохранением временной согласованности между ними. Поддерживаются RGB и RGBA, пакетная обработка, управление перекрытием кадров и запуск на нескольких GPU через CLI. В README также описана интеграция с torch.compile для ускорения на совместимом оборудовании. Ограничение архитектуры: размер пакета кадров должен соответствовать формуле 4n+1, например 1, 5 или 9 кадров; параметры перекрытия помогают смешивать соседние пакеты. Для использования нужны совместимое окружение ComfyUI или CLI и ресурсы оборудования, достаточные для загрузки модели. Лицензия — Apache-2.0.

SegFormer B0 — модель семантической сегментации изображений, разработанная командой NVIDIA и дообученная на наборе ADE20K с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; энкодер предварительно обучен на ImageNet-1k, затем модель дообучена для сегментации сцен. Модель назначает пиксели изображениям классам объектов и элементов сцены. Её можно применять для семантической сегментации фотографий и разбора сцен; карточка приводит ADE20K и Cityscapes как ориентиры для таких задач. Вход — изображение, выход — карта сегментации. В метаданных указаны PyTorch, TensorFlow и safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

Это набор ONNX-моделей ControlNet для Stable Diffusion 3.5 Large, подготовленный Stability AI совместно с NVIDIA и оптимизированный для инференса с TensorRT. Базовая модель — мультимодальный диффузионный трансформер MMDiT для генерации изображений по тексту; ControlNet добавляет управление структурой или деталями по входному изображению. Доступны варианты Canny, Depth и Blur. Модели предназначены для генерации изображений с заданной структурой по карте границ Canny или карте глубины, а также для высокоточного увеличения разрешения с помощью Blur ControlNet. Примеры применения включают создание иллюстраций по контурам, архитектурных визуализаций по глубине и текстурирование 3D-объектов. Репозиторий содержит ONNX-экспорт в BF16; для Depth и Canny также доступны FP8-варианты. В README приведены замеры на NVIDIA H100 при разрешении 1024×1024. Для работы требуется TensorRT и совместимый ускоритель NVIDIA; приведённые показатели производительности относятся к H100 и конкретным настройкам шагов генерации. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели.

TernaryCore SST-2 Student — разработанная TernaryCore компактная причинно-языковая модель на базе Qwen3-0.6B, дообученная с дистилляцией для бинарного определения тональности отзывов из набора SST-2. Она формулирует классификацию как генерацию ответа «positive» или «negative» по шаблону с отзывом. Модель содержит около 508 млн параметров, использует трансформер-декодер с групповым вниманием, трёхзначные веса {-1, 0, +1} формата W1.58A8 и 8-битные активации. Контекст — до 40 960 токенов; карточка указывает английский язык. Модель предназначена прежде всего для воспроизведения измерений ускорителя TernaryCore на FPGA и экспериментов с энергоэффективным выводом и трёхзначной арифметикой. В описанном авторами тесте SST-2 точность составила 91,4% против 94,4% у учителя. Для загрузки требуется Transformers и доверенный пользовательский код модели из репозитория. Это специализированный чекпойнт, а не универсальная чат-модель; авторы не рекомендуют применять его для открытой генерации или задач, чувствительных к безопасности, без отдельной проверки. Лицензия — Apache-2.0.

CustomViT-Nano — компактная модель классификации изображений, разработанная автором репозитория kd13. Она предназначена для классификации изображений природных объектов в стиле ImageNet-1K, а также для экспериментов с небольшими визуальными энкодерами и их переносом на смежные задачи. Модель содержит 4,24 млн обучаемых параметров и принимает изображения размером 224 × 224 пикселя; архитектура объединяет многоступенчатый сверточный stem, 2D Rotary Positional Embeddings, Pre-RMSNorm, блоки SwiGLU и внимание PyTorch SDPA. На валидационном наборе ImageNet-1K автор сообщает точность Top-1 63,60% и Top-5 84,93% для 1000 классов. Небольшой размер делает модель подходящей для ограниченных по ресурсам сценариев и учебных экспериментов. Она ориентирована на классификацию и не предназначена для обнаружения объектов, сегментации или генерации подписей. Качество может снижаться на изображениях, отличающихся от естественных изображений ImageNet; перед применением в критичных сценариях требуется отдельная оценка. Лицензия — MIT.

QuantStack/Wan2.1_T2V_14B_LightX2V_StepCfgDistill_VACE-GGUF — это квантизированная версия модели для генерации и преобразования видео, опубликованная в формате GGUF. Она создана на основе lightx2v/Wan2.1-T2V-14B-StepDistill-CfgDistill с добавлением компонентов VACE из Wan-AI/Wan2.1-VACE-14B. Интеграцию VACE выполняли с использованием скриптов wsbagnsv1, а конвертацию FP16-модели в GGUF — средствами проекта ComfyUI-GGUF от city96. Модель предназначена для сценариев text-to-video, image-to-video и video-to-video, то есть может использоваться для генерации видео по текстовому описанию, а также для преобразования изображений и видеоматериалов. Указан размер класса 14B; точная архитектура, максимальная длина контекста и полный набор поддерживаемых языков в карточке не описаны. В экосистеме ComfyUI модель используется через дополнительный узел ComfyUI-GGUF и требует отдельные text encoder umt5-xxl-encoder и VAE Wan2_1_VAE_bf16. Ключевые преимущества — поддержка нескольких видеосценариев, сочетание базовой Wan2.1 T2V-модели с VACE и возможность запуска в квантизированном формате GGUF, потенциально более удобном для систем с ограниченными ресурсами. Ограничения связаны с необходимостью настраивать ComfyUI и устанавливать дополнительные компоненты; требования к памяти и производительности зависят от выбранного типа квантизации и в README не указаны. Для репозитория заявлена лицензия Apache-2.0, однако также отмечено, что исходные лицензии и ограничения базовых моделей продолжают действовать.

Wan2.2-Distill-Loras — набор дистиллированных LoRA-весов, разработанный командой LightX2V на базе Wan2.2-I2V-A14B от Wan-AI. Модель предназначена для генерации видео из изображений (image-to-video) и поддерживает использование в LightX2V и ComfyUI. Для работы необходима базовая модель Wan2.2 I2V; LoRA не является самостоятельной полноразмерной моделью. В набор входят варианты для режима высокого и низкого уровня шума, каждый с рангом 64. Высокий уровень шума ориентирован на более творческие и разнообразные результаты, низкий — на большую стабильность и соответствие входному изображению. Дистилляция позволяет выполнять генерацию за 4 шага инференса, что сокращает время работы при сохранении заявленного качества. LoRA-веса занимают меньше места, могут загружаться динамически или предварительно объединяться с базовой моделью, а также сочетаться с квантованием. Ограничение модели заключается в необходимости совместимой базовой Wan2.2 I2V и соответствующей настройки высоко- или низкошумового варианта. В README не указаны языки, точный размер базовой модели, поддерживаемые разрешения, длительность видео и другие параметры контекста. Распространение заявлено по лицензии Apache 2.0.

Wan2.2-Fun-5B-Control-Camera — модель генерации видео с управлением движением камеры из семейства Wan-Fun, разработанного Alibaba PAI. Это дообученная версия Wan-AI/Wan2.2-TI2V-5B, предназначенная для создания видео по исходному изображению с управлением камерой. В README семейство описано как поддерживающее видеогенерацию с несколькими разрешениями и обучение на роликах длиной до 81 кадра при 16 кадрах в секунду; карточка этой версии указывает задачу image-to-video и архитектуру TI2V. Модель можно использовать для анимации изображения и создания видеокадров с заданным движением камеры. Она распространяется в формате safetensors, для работы предусмотрена библиотека VideoX-Fun. README отмечает значительные требования к ресурсам для моделей Wan2.2 и описывает режимы выгрузки слоёв в оперативную память и квантизации float8 для снижения потребления видеопамяти; квантизация может несколько снизить качество. Лицензия — Apache 2.0.

Wan2.2-Fun-5B-Control-GGUF — квантованная версия модели Wan2.2-Fun-5B-Control, разработанной Alibaba PAI и конвертированной в формат GGUF командой QuantStack. Модель предназначена для задач image-to-video, то есть генерации видео на основе изображений и текстовых описаний, и может использоваться в рабочих процессах ComfyUI. Модель имеет размер 5 миллиардов параметров и распространяется как GGUF-файл. В заявленных языках указаны английский и китайский. Для работы требуются отдельные компоненты: текстовый энкодер Umt5-xxl и VAE Wan2.2_VAE. Модель поддерживает использование через пользовательский узел ComfyUI-GGUF, поэтому её применение зависит от совместимой конфигурации ComfyUI и установки необходимых компонентов. Квантование уменьшает требования к хранению и вычислениям, но может влиять на качество по сравнению с исходной версией; конкретный уровень квантования в README не указан. Файл распространяется по лицензии Apache-2.0, при этом для квантованной версии сохраняются исходные лицензионные условия и ограничения использования базовой модели.

Abiray/Wan2.2-LightX2V-260412-4STEP-GGUF — набор GGUF-квантизированных вариантов дистиллированной модели Wan2.2 14B Image-to-Video, основанной на LightX2V/Wan2.2-Distill-Models. Репозиторий разработан пользователем или организацией Abiray; исходный разработчик базовой модели в README не указан. Модель предназначена для генерации видео из изображений и ориентирована на быстрый запуск, включая сценарии на пользовательском оборудовании. Дистилляция LightX2V сокращает генерацию до 4 шагов вместо традиционных 50 и более. Доступны варианты для 720p, а также конфигурации High Noise и Low Noise. Модель имеет около 14 миллиардов параметров и работает в формате GGUF, предназначенном для снижения требований к VRAM и оперативной памяти. Предлагаются уровни квантования от Q3_K_M до Q8_0: размеры файлов составляют примерно от 7,19 до 15,4 ГБ. Более сильное сжатие уменьшает требования к памяти, но может снижать качество, тогда как Q8_0 обеспечивает качество, близкое к исходному, при наличии достаточного объёма VRAM. README не содержит сведений о поддерживаемых языках, точном максимальном контексте, конкретных требованиях к оборудованию и известных ограничениях качества. Лицензия — Apache 2.0.

pmczip/Z-Image-Turbo_Models — адаптер LoRA для генерации изображений по текстовому описанию, разработанный на базе Tongyi-MAI/Z-Image-Turbo. Модель предназначена для задач text-to-image в среде Diffusers и ориентирована на фотореалистичные изображения людей, в частности на воспроизведение внешности и сходства с указанными персонажами или знаменитостями. В README приведены примеры промптов с токенами идентификации, описаниями внешности, одежды и окружения. Из известных характеристик указаны формат safetensors, тип LoRA, поддержка текстовой модальности на входе и генерация изображений на выходе. Заявлен английский язык. Размер адаптера, параметры архитектуры, рекомендуемые настройки генерации, максимальный контекст и требования к вычислительным ресурсам не указаны. Сильной стороной является специализация на фотореалистичных портретных и персонажных сценах с управлением внешностью через специальные токены; универсальность за пределами подобных сценариев по представленным данным не подтверждена. Модель распространяется по лицензии bespoke-lora-trained-license, дополнительная информация доступна по ссылке https://multimodal.art/civitai-licenses. Условия использования базовой модели и возможные ограничения, связанные с генерацией сходства реальных людей или знаменитостей, в README отдельно не раскрыты.

Bedovyy/Anima-INT8 — это INT8-квантизированная версия модели Anima, разработанной circlestone-labs и опубликованной как производная от базовой модели circlestone-labs/Anima. Модель предназначена для генерации изображений по текстовому описанию и интеграции с ComfyUI; в метаданных она обозначена как diffusion-модель в формате одного файла. Ключевая особенность модели — INT8-квантизация, ориентированная на ускорение инференса по сравнению с BF16. README описывает варианты int8rowwise и int8convrot: первый обеспечивает совместимость с нативной поддержкой INT8 в ComfyUI, а второй предлагает более высокое качество за счёт меньшей скорости. Приведены результаты тестирования на видеокартах RTX 3060, RTX 3090 и RTX 5090 при разрешении 832×1216, включая сценарии без LoRA, с Hires LoRA и Turbo LoRA. В отдельных конфигурациях INT8 с компиляцией показывает ускорение относительно BF16, однако динамический вариант INT8 может работать медленнее. Ограничения модели и её README включают зависимость от конкретной конфигурации ComfyUI, драйверов, PyTorch, Triton и дополнительных оптимизаций; заявленная производительность может отличаться на другом оборудовании. Языки, размер модели, точная архитектура, поддерживаемые модальности помимо текста и изображения, а также системные требования в README не указаны. Модель распространяется по лицензии circlestone-labs-non-commercial-license, то есть её использование ограничено некоммерческими условиями.

Bernini-R LightX2V LoRAs (4step) — набор LoRA-адаптеров для базовой модели ByteDance/Bernini-R. Адаптеры предназначены для генерации и преобразования визуального контента в сценариях text-to-video, image-to-video, video-to-video и image-to-image через экосистему Diffusers и совместимые workflow, включая ComfyUI. В комплект входят отдельные файлы для стадий Bernini-R с высоким и низким уровнем шума: Bernini-R_LightX2V_high_noise.safetensors и Bernini-R_LightX2V_low_noise.safetensors. Рекомендуется применять оба адаптера с силой 1.0, выполнить 4 шага сэмплирования, используя sampler dpmpp_2m_sde и scheduler sgm_uniform. По заявлению автора, адаптеры улучшают плавность движения и детализацию, включая резкость рук, по сравнению с конфигурацией на базе одной Wan 2.1 T2V LightX2V LoRA, которая могла давать размытые пальцы и рывки при быстром движении. Языки, поддерживаемые модальностью текста, размер модели и размер контекста в README не указаны. Модель разработана пользователем rzgar; в качестве источника подхода и кредитов указан проект LightX2V. Ограничения, связанные с конкретными типами сцен, совместимостью версий и качеством результатов, отдельно не описаны. Лицензия — Apache 2.0.

BEYOND REALITY Z IMAGE — модель генерации изображений по текстовому описанию, созданная автором сообщества на основе Z-Image Turbo. Это дообученный чекпойнт с объединёнными весами LoRA, рассчитанный прежде всего на портретную фотографию. Модель улучшает передачу текстур кожи и окружения, высокочастотных деталей и эстетики плёночной фотографии, сохраняя фотореалистичную подачу базовой модели. Подходит для создания портретов и художественных изображений; автор также отмечает улучшения в поддержке ряда художественных стилей и аниме. В README для версии 3.0 рекомендованы CFG 1 и 10–15 шагов генерации. Основное ограничение связано с данными обучения, ориентированными на синтетические портреты: сложные позы и некоторые текстуры объектов вне портретной тематики могут передаваться хуже. Репозиторий распространяется по лицензии Apache-2.0; для работы указана библиотека Diffusers.

thibaud/controlnet-openpose-sdxl-1.0 — это набор весов ControlNet, опубликованный под идентификатором thibaud и обученный для совместной работы с базовой моделью stabilityai/stable-diffusion-xl-base-1.0. Модель использует сигналы управления OpenPose v2 и предназначена для генерации изображений по текстовому описанию с сохранением заданной позы человека или композиции скелета. Она рассчитана на применение в экосистеме Hugging Face Diffusers и совместима с StableDiffusionXLControlNetPipeline. Ключевая сильная сторона модели — управляемая генерация персонажей и сцен по OpenPose-разметке, что подходит для задач вроде создания изображений танцоров, персонажей в определённых позах и визуальных вариаций с фиксированной композицией тела. В README не указаны точный размер модели, поддерживаемые языки, максимальная длина текстового контекста и результаты количественной оценки. Для работы требуется отдельно получить изображение позы с помощью OpenPose, а также использовать базовую SDXL-модель; качество зависит от корректности conditioning-изображения и текстового запроса. Обучение проводилось в течение 15 000 шагов на LAION 6a с использованием одной NVIDIA A100, batch size 2 с накоплением градиента 8, постоянной скоростью обучения 8e-5 и смешанной точностью fp16. Лицензия указана как other и ссылается на лицензию OpenPose.

Cosmos3-Super-Image2Video-4Step — модель NVIDIA для генерации видео по входному изображению и необязательному текстовому запросу. Она создаёт временно согласованный видеоролик; рекомендованный выходной формат — MP4, разрешение 480p (832×480), по умолчанию 189 кадров. Это дистиллированная четырёхшаговая версия Cosmos3-Super-Image2Video: фиксированное расписание из четырёх шагов работает без classifier-free guidance. По данным карточки, такой режим сокращает число вычислений диффузионной модели до 25 раз по сравнению с рекомендованной настройкой базовой модели на 50 шагов с CFG. Размер модели составляет 64 млрд параметров; для запуска требуется узел с несколькими GPU H100/H200 либо один B200. Разработчик заявляет готовность модели к коммерческому и некоммерческому использованию. В метаданных лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензионными файлами репозитория. Модель предназначена для image-to-video; приведённые в карточке сведения о качестве основаны на заявленном рейтинге открытых моделей, а аппаратные требования высоки.

city96/FLUX.2-dev-gguf — это прямое квантованное преобразование модели FLUX.2-dev, разработанной Black Forest Labs. Модель предназначена для генерации и редактирования изображений, включая сценарии image-to-image, и может использоваться в ComfyUI через пользовательский узел ComfyUI-GGUF. Модель распространяется в формате GGUF и требует отдельного текстового энкодера Mistral-Small-3.2-24B-Instruct-2506 и VAE flux2 VAE. В README не указаны точный размер модели, поддерживаемые языки, длина контекста и полный набор архитектурных характеристик. Для некоторых вариантов квантования применяются дополнительные правила сохранения отдельных блоков в повышенной точности; эти правила частично основаны на экспериментальных предположениях и подборе методом проб и ошибок. К сильным сторонам относятся совместимость с экосистемой ComfyUI-GGUF и возможность использовать квантованные варианты базовой модели. Ограничения связаны с зависимостью от совместимых компонентов — текстового энкодера и VAE, а также с тем, что квантование может влиять на качество и поведение модели. Поскольку это не дообученная версия, на неё распространяются исходные ограничения и условия лицензии FLUX.2-dev. Указана лицензия flux-dev-non-commercial-license, поэтому коммерческое использование не разрешено, если иное не предусмотрено её условиями.

Модель для анализа тональности норвежских отзывов: по предложению определяет оценку от отрицательной до положительной. Её разработали Simen Aabol и Marcus Dragsten, дообучив NorBERT2 на объединённом наборе норвежских отзывов и данных о тональности. Это BERT-модель для классификации последовательностей объёмом 151,7 млн параметров; она принимает текст, использует контекст длиной до 512 токенов и выдаёт метку класса. Модель предназначена для проверки тональности норвежских предложений и отзывов. Авторы обозначают её как тестовую, поэтому качество для практических задач не гарантируется. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

PiD (Pixel Diffusion Decoder) — модель-декодер для восстановления изображений из латентного пространства в высоком разрешении. Разработана авторами Yifan Lu, Qi Wu, Jay Zhangjie Wu, Zian Wang, Huan Ling, Sanja Fidler и Xuanchi Ren. Репозиторий содержит контрольные точки декодера и необходимые веса VAE; метаданные связывают модель с семействами FLUX, PixelDiT, Scale-RAE и Z-Image. PiD выполняет декодирование и увеличение разрешения единым модулем: условная диффузионная модель очищает изображение непосредственно в пиксельном пространстве высокого разрешения и формирует результат за один проход. Варианты 2k предназначены для вывода изображения до 2048 пикселей, а варианты 2kto4k — для увеличения до 4K. Для ряда семейств доступны дистиллированные чекпойнты на четыре шага; веса для инференса представлены, в частности, в формате bfloat16. Модель подходит для высококачественного декодирования и суперразрешения изображений, созданных совместимыми латентными диффузионными моделями. Чекпойнт привязан к латентному пространству и требует совместимого backbone и соответствующих VAE-весов, поэтому его нельзя считать универсальным декодером для произвольных латентов. Лицензия в предоставленных данных не указана.

fast-sam — набор моделей FastSAM, экспортированных командой Software Mansion для библиотеки React Native ExecuTorch. Модели представлены в формате ExecuTorch .pte и предназначены для сегментации изображений непосредственно на мобильных и других периферийных устройствах. Доступны варианты размеров S и X, а также сборки для backend Core ML с точностью FP16 и XNNPACK с точностью FP32. Репозиторий содержит готовые программы для запуска на устройстве через React Native ExecuTorch; языковые возможности не применимы, поскольку это модель компьютерного зрения. Вариант X значительно больше варианта S, поэтому, вероятно, требует больше памяти и вычислительных ресурсов, однако README не приводит сравнительных показателей качества или производительности. Модели опубликованы под лицензией AGPL-3.0. Файлы предназначены для ExecuTorch версии 1.4.1; обратная совместимость с более старыми версиями не гарантируется, а гарантия совместимости с будущими версиями отсутствует. Backend MLX экспортирован, но не опубликован из-за проблем, описанных в репозитории.

Карточка модели Franxy789/SeedVR2_comfyUI на Hugging Face совпадает с карточкой numz/SeedVR2_comfyUI, поэтому описание составлено по ней. numz/SeedVR2_comfyUI — выпуск SeedVR2 для ComfyUI и автономного CLI, предназначенный для повышения разрешения видео и изображений. Репозиторий включает интеграцию с ComfyUI и инструменты обработки, а метаданные связывают веса со слитыми моделями ByteDance-Seed/SeedVR2-3B и ByteDance-Seed/SeedVR2-7B. Указанный формат весов — safetensors; библиотека — diffusers. Модель применяет одношаговую диффузионную обработку для улучшения кадров с сохранением временной согласованности между ними. Поддерживаются RGB и RGBA, пакетная обработка, управление перекрытием кадров и запуск на нескольких GPU через CLI. В README также описана интеграция с torch.compile для ускорения на совместимом оборудовании. Ограничение архитектуры: размер пакета кадров должен соответствовать формуле 4n+1, например 1, 5 или 9 кадров; параметры перекрытия помогают смешивать соседние пакеты. Для использования нужны совместимое окружение ComfyUI или CLI и ресурсы оборудования, достаточные для загрузки модели. Лицензия — Apache-2.0.

Stable Cascade Prior — текстово-изобразительная диффузионная модель Stability AI на архитектуре Würstchen, предназначенная для генерации изображений по текстовому запросу. Она формирует компактное латентное представление изображения, которое затем декодируется каскадом Stage B и Stage A. Сжатие с коэффициентом 42 позволяет снизить стоимость обучения и ускорить инференс по сравнению с подходом Stable Diffusion с коэффициентом сжатия 8. В семействе Stable Cascade Stage C отвечает за генерацию латентов по тексту; доступны варианты на 1 и 3,6 млрд параметров. Для полного цикла генерации нужны также декодирующие стадии: Stage B на 700 млн или 1,5 млрд параметров и Stage A на 20 млн параметров. Репозиторий распространяет веса в форматах Diffusers и safetensors. Модель подходит для экспериментов с генеративными моделями, художественной генерации и творческих инструментов. Разработчик рекомендует модель для исследовательского использования. Среди ограничений — возможные ошибки при генерации лиц и людей, а также потери из-за lossy-автокодирования. Модель не предназначена для достоверного изображения реальных людей или событий. Метаданные указывают лицензию other; следует соблюдать Acceptable Use Policy Stability AI.

google/tipsv2-g14-dpt — модель плотного предсказания на изображениях, разработанная Google: DPT-головы для оценки глубины, предсказания нормалей поверхности и семантической сегментации поверх замороженного визуального энкодера TIPSv2 g/14. Модель принимает изображения в диапазоне значений [0, 1]; рекомендуется разрешение, кратное 14. Головы содержат около 185 млн параметров и используют библиотеку Transformers. Головы для глубины и нормалей обучены на NYU Depth V2, а голова сегментации — на ADE20K для 150 классов. Модель предназначена для анализа геометрии сцены и выделения объектов на изображениях: она предсказывает карту глубины, нормали поверхности и карту семантических классов. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0. В метаданных основной задачей указана оценка глубины; для нормалей поверхности и сегментации README описывает обученные головы, но качество и ограничения этих выходов не уточняет.

Google TIPSv2 L/14 DPT — модель плотного предсказания изображений с головами Dense Prediction Transformer для оценки глубины, предсказания поверхностных нормалей и семантической сегментации. Она использует замороженную визуальную основу TIPSv2 L/14, которая загружается автоматически; число параметров визуальной основы составляет 303 млн, а три головы содержат около 102 млн параметров. Для глубины и нормалей использованы данные NYU Depth V2, для сегментации — ADE20K с 150 классами. Модель принимает изображения в диапазоне значений от 0 до 1 при любом разрешении; рекомендуется, чтобы размеры были кратны 14. Основной сценарий — получение пространственных карт по изображению, например для анализа помещений и сцен. Модель распространяется по лицензии Apache-2.0. В README описана реализация для Transformers.

TokForge выпустил эту модель для локальной генерации изображений в приложении TokForge. Это Stable Diffusion 1.5 на базе DreamShaper-7 от Lykon, объединённая с LCM-LoRA от Latent Consistency и преобразованная в единый файл GGUF с точностью f16 для stable-diffusion.cpp. В файл входят текстовый энкодер CLIP, UNet и VAE; размер файла составляет около 2,1 ГБ. Модель предназначена для создания реалистичных изображений по текстовым запросам на устройствах, включая CPU и OpenCL. LCM позволяет получать результат за несколько шагов без обычного guidance: в карточке рекомендуются 6 шагов, масштаб CFG 1,5 и разрешение 512×512; доступны также пресеты 256 и 384 пикселя. Разработчик позиционирует её как быстрый маршрут генерации изображений и отмечает более связное изображение людей и рук по сравнению с используемой им базовой SD-Turbo. Модель ориентирована на реалистичную генерацию; заявленное качество зависит от запросов и настроек, а разрешение и небольшой бюджет шагов ограничивают детализацию. Для основы DreamShaper-7 и LCM-LoRA указаны лицензии CreativeML OpenRAIL-M и OpenRAIL++-M соответственно; репозиторий модели указывает CreativeML OpenRAIL-M. В README также приведены условия автора DreamShaper-7, включая запрет на продажу модели и её слияний.