IV.1Ритейл, электронная коммерция и fashion-tech

TowerInstruct-WMT24-Chat-7B — языковая модель Unbabel, полученная дообучением TowerBase на наборе TowerBlocks и обучающих данных общей задачи WMT24 Chat MT. Она предназначена для контекстно-зависимого перевода диалогов службы поддержки. В общей задаче WMT24 Chat MT модель заняла первое место по оценке людей на всех десяти языковых парах. Модель построена на плотной архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текст и генерирует текст в формате чата; заявленная длина контекста — 4096 токенов. Метаданные указывают английский, немецкий, французский, китайский, португальский, нидерландский, русский, корейский, итальянский и испанский языки. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

TRELLIS Text XL — крупная модель генерации 3D-объектов по текстовому описанию, представленная в работе «Structured 3D Latents for Scalable and Versatile 3D Generation». Модель разработана Microsoft и относится к семейству TRELLIS; её вариант XL принимает текстовые условия и создаёт 3D-результат. Модель предназначена для генерации 3D-объектов по текстовым запросам, например для создания заготовок объектов в творческих и экспериментальных рабочих процессах. Репозиторий содержит веса в формате safetensors, библиотека — TRELLIS. Модель рассчитана на английские запросы. Лицензия — MIT. Карточка не сообщает конкретную архитектуру, число параметров, формат выдаваемого 3D-объекта и ограничения качества или применения.

Это конвертированная в формат Diffusers версия Wan2.1-Fun-V1.1-1.3B-InP от Alibaba PAI. Модель использует архитектуру WanTransformer3DModel с 1,3 млрд параметров и конвейер WanImageToVideoPipeline; веса преобразованы из формата VideoX-Fun с сопоставлением ключей без изменения архитектуры. Для работы указаны Diffusers и файлы safetensors, лицензия — Apache 2.0. Модель предназначена для генерации видео на основе изображения. Рекомендуемое разрешение — 480 × 832, длина ролика — 49 кадров при 16 кадрах в секунду, около трёх секунд. В составе репозитория также используются VAE и текстовый энкодер UMT5-XXL из Wan2.1-T2V-1.3B-Diffusers. Архитектура рассчитана на обработку шума, маски и латентного представления изображения, что соответствует варианту InP. Карточка не описывает качество генерации или поддерживаемые языки текстовых запросов; характеристики нельзя переносить с базовой модели без подтверждения.

DFloat11/Wan2.1-T2V-14B-Diffusers-DF11 — сжатая версия модели Wan-AI/Wan2.1-T2V-14B-Diffusers, подготовленная проектом DFloat11. Модель предназначена для генерации видео по текстовому описанию и распространяется в формате, совместимом с Diffusers; в карточке также указан тег text-to-image, однако название и базовая модель указывают на сценарий text-to-video. Модель использует lossless-сжатие DFloat11: экспонентные биты весов BFloat16 кодируются методом Huffman coding, а веса распаковываются непосредственно на GPU во время работы. По данным README, размер уменьшен с 28,64 до 19,39 ГБ, при этом выходы бит-идентичны исходной модели. Для генерации двухсекундного видео в разрешении 480p пиковое потребление GPU-памяти снижается с 30,79 до 22,22 ГБ, тогда как время генерации на A100 составляет 348 секунд против 339 секунд у исходной версии. Ключевое преимущество модели — существенное снижение требований к памяти без потери точности результатов. Ограничения включают небольшое увеличение времени генерации и необходимость GPU-ресурсов, достаточных для запуска крупной модели. Архитектура, число параметров, поддерживаемые языки и максимальная длина контекста в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять отдельно.

Wan2.2-Fun-5B-Control — разработанная Alibaba PAI модель для генерации видео с управляемым содержимым. Это дообученная версия Wan2.2-TI2V-5B с архитектурой TI2V; веса опубликованы в формате safetensors и предназначены для использования с библиотекой VideoX-Fun. Модель принимает исходное изображение и управляющий видеоряд, например карту контуров Canny, глубину или позу, и генерирует видео, согласованное с этими условиями. Базовая модель Wan2.2-TI2V-5B также поддерживает текстовую генерацию видео, однако карточка этой версии указывает основную задачу image-to-video. README описывает варианты контроля и оптимизации использования видеопамяти; квантизация float8 может снизить качество, а последовательная выгрузка слоёв на CPU замедляет генерацию. В метаданных указаны английский и китайский языки, лицензия Apache 2.0 и дата публикации 19 августа 2025 года. README проекта приводит примеры работы на GPU с 12–80 ГБ видеопамяти и сообщает о потребности примерно в 60 ГБ свободного места на диске; фактические требования зависят от выбранного режима выгрузки и конкретного сценария.

Wan2.2-Fun-A14B-InP — дообученная модель Alibaba PAI для генерации видео по изображению. Она основана на Wan-AI/Wan2.2-I2V-A14B и рассчитана на сценарии image-to-video; карточка проекта также указывает обучение с несколькими разрешениями и поддержку предсказания по начальному и конечному кадрам. Базовая модель Wan2.2-I2V-A14B предназначена для создания видео в разрешении 480p или 720p. Модель распространяется в формате safetensors и используется через библиотеку VideoX-Fun; веса занимают около 47 ГБ. Для работы требуются значительные ресурсы GPU и около 60 ГБ свободного места. README описывает режимы выгрузки модели на CPU и вариант с float8-квантизацией для экономии видеопамяти, при этом float8 может снизить качество. Указана лицензия Apache 2.0.

Wan2.2-I2V-A14B-LowNoise-Q4_K_M — это квантизированная версия модели Wan2.2-I2V-A14B, разработанной Wan-AI. Модель предназначена для генерации видео на основе изображений (image-to-video): она преобразует исходное изображение в видеосцену, вероятно с использованием текстовых или иных управляющих параметров, однако подробности поддерживаемых сценариев в предоставленных данных не указаны. Модель распространяется в формате GGUF и представляет собой прямую конверсию базовой модели. Известно, что она относится к варианту LowNoise с квантизацией Q4_K_M; сведения о точном размере, архитектуре, количестве параметров, длине контекста, поддерживаемых модальностях и характеристиках качества не приведены. В метаданных указаны английский и китайский языки. Для работы модель может использоваться с пользовательским узлом ComfyUI-GGUF в ComfyUI; файлы модели размещаются в каталоге ComfyUI/models/unet. Указана лицензия Apache-2.0, при этом для квантизированной версии сохраняются исходные условия лицензирования и ограничения базовой модели. Ключевое ограничение — отсутствие в предоставленном README подробной информации о требованиях к оборудованию, производительности и возможных ограничениях применения.

Rin247/Wan2.2-TI2V-5B-FP4 — квантизированная в FP4 версия Wan2.2-TI2V-5B, подготовленная MECHA Forge. Репозиторий содержит компоненты Denoiser, Text Encoder и VAE в формате safetensors для работы с библиотекой Diffusers. Модель предназначена для генерации видео по изображению. В карточке также указаны теги text-to-video и image-to-video, однако метаданные каталога подтверждают только задачу image-to-video. Для использования требуется исходная модель Wan-AI/Wan2.2-TI2V-5B; квантизация весов снижает их точность до FP4. Лицензия — Apache-2.0.

forME — это LoRA-адаптер для генерации изображений по текстовому описанию, опубликованный пользователем ench100. Модель предназначена для использования с диффузионными пайплайнами Diffusers и базовой моделью lodestones/Chroma. По названию и идентификатору можно предположить, что адаптер ориентирован на генерацию изображений тела и лица, однако README не содержит подробного описания специализации или примеров сценариев применения. Известно, что модель относится к классу text-to-image и LoRA, но сведения о размере адаптера, архитектуре, поддерживаемых языках, максимальном контексте, рекомендуемых параметрах, качестве и ограничениях отсутствуют. Лицензия и условия использования также не указаны, поэтому их необходимо уточнять на странице модели. README не содержит данных, достаточных для оценки сильных сторон адаптера или его совместимости за пределами базовой модели lodestones/Chroma.

ChronoEdit-GGUF — квантованная версия ChronoEdit-14B, разработанная NVIDIA; данный GGUF-релиз опубликован пользователем VantageWithAI. Модель относится к мультимодальным foundation-моделям и предназначена для физически правдоподобного редактирования изображений с учётом временной динамики, а также для моделирования мира по заданным действиям. Она может использоваться исследователями и разработчиками для image editing, action-conditioned world simulation и бенчмаркинга мультимодальных моделей. В основе лежит diffusion transformer с пользовательским temporal denoising transformer, дистиллированный из предварительно обученной видеогенеративной модели примерно на 14 млрд параметров. Архитектура разделяет обработку на этап видеорассуждения с подавлением шума латентной траектории и этап редактирования в контексте с сокращением токенов траектории. На вход подаются RGB-изображение и текстовая инструкция; заявлена поддержка английского и китайского языков. Текст может содержать до примерно 300 токенов, рекомендуемое разрешение изображения — до 1024×1024, также указаны форматы 1280×720, 720×1280 и 960×960. Выходом является RGB-изображение с настраиваемым разрешением. Модель рассчитана на запуск через PyTorch и Diffusers, опционально Triton Inference Server, преимущественно на Linux и NVIDIA GPU архитектур Ampere, Blackwell, Hopper и Lovelace. Сильной стороной является ориентация на temporal reasoning, физическую согласованность редактирования и сценарии PhysicalAI. Ограничения включают зависимость от мощного GPU-оборудования, отсутствие в README подробных результатов оценки, требований к памяти и характеристик квантования GGUF. Использование регулируется NVIDIA Open Model License Agreement; также указана Apache License 2.0.

diffusers/controlnet-depth-sdxl-1.0 — модель ControlNet для Stable Diffusion XL Base 1.0, опубликованная в экосистеме Hugging Face Diffusers. Она использует условие глубины сцены, чтобы направлять генерацию изображений по пространственной структуре исходного изображения. Разработчик в README явно не указан; базовая модель создана Stability AI. Модель предназначена для text-to-image генерации с сохранением композиции и относительной глубины объектов, например для преобразования исходных сцен по текстовому описанию с контролем перспективы и расположения элементов. Для построения карты глубины в рекомендуемом сценарии используется Intel/dpt-hybrid-midas, после чего ControlNet подключается к StableDiffusionXLControlNetPipeline. Указаны разрешение обработки 1024×1024 и рекомендуемый controlnet_conditioning_scale 0.5. Ключевые характеристики включают архитектуру ControlNet поверх SDXL, текстовую и визуальную обусловленность через карту глубины, поддержку fp16 и safetensors. При обучении использовались 3 млн пар изображение–текст из LAION-Aesthetics V2, 700 GPU-часов на GPU A100 с памятью 80 ГБ и постоянной скоростью обучения 1e-5. Сильная сторона модели — управляемая генерация с опорой на геометрию сцены; ограничения включают зависимость от качества оценки глубины и необходимость совместного использования с совместимой базовой моделью SDXL и дополнительным depth-эстиматором. Лицензия указана как openrail++.

lllyasviel/control_v11p_sd15_normalbae — это модель ControlNet v1.1, разработанная Lvmin Zhang и Maneesh Agrawala. Она предназначена для управления генерацией изображений диффузионными моделями посредством дополнительного условного входа и является конвертацией исходного checkpoint в формат diffusers. Модель обучена для совместной работы со Stable Diffusion v1.5 от RunwayML. Данный вариант использует в качестве условия изображения нормалей, подготовленные, например, с помощью NormalBaeDetector. Он подходит для сценариев image-to-image и управляемой text-to-image генерации, когда требуется сохранить или передать в результат пространственную структуру и геометрию исходного изображения, одновременно задавая содержание текстовым описанием. В README указано, что языком модели является английский; размер и точные параметры архитектуры не приведены. К сильным сторонам относятся управляемая генерация на основе дополнительного визуального условия и совместимость с экосистемой Diffusers. Модель обучалась на Stable Diffusion v1.5, поэтому прежде всего рекомендуется использовать её с этой базовой моделью; совместимость с другими диффузионными моделями возможна экспериментально. Для извлечения условного изображения требуются внешние зависимости, включая controlnet_aux. Модель распространяется по лицензии CreativeML OpenRAIL M.

ControlNet v1.1 seg — это дополнительная нейросетевая модель для управления генерацией изображений на базе Stable Diffusion. Модель разработали Lvmin Zhang и Maneesh Agrawala; данный вариант представляет собой конвертацию исходного чекпойнта в формат diffusers и предназначен для совместной работы с runwayml/stable-diffusion-v1-5. Модель принимает карту сегментации как условие и помогает сохранять заданную структуру сцен и расположение объектов при текстовой генерации или преобразовании изображений. Она относится к диффузионным моделям генерации изображений, поддерживает сценарии image-to-image и условной text-to-image генерации. В README указан английский язык; сведения о размере модели, максимальном контексте, точной архитектуре базовой модели и других модальностях не приведены. Сильная сторона модели — дополнительный пространственный контроль генерации с помощью сегментационных карт, что подходит для управляемого создания и редактирования изображений. Для работы требуется совместимая диффузионная модель, прежде всего Stable Diffusion v1.5; совместимость с другими моделями не гарантируется. Если карту сегментации нужно извлекать из исходного изображения, потребуются внешние зависимости. Лицензия — CreativeML OpenRAIL M.

Depth Pro — модель Apple для оценки метрической глубины по одному изображению. Она строит карту глубины с абсолютным масштабом без необходимости знать внутренние параметры камеры. Модель предназначена для компьютерного зрения, реконструкции сцены и анализа геометрии объектов по фотографиям. Архитектура использует многошкальный Vision Transformer для плотного предсказания. По README, модель формирует карту глубины разрешением 2,25 мегапикселя примерно за 0,3 секунды на стандартном GPU; среди заявленных особенностей — чёткие границы глубины и оценка фокусного расстояния по одному изображению. В репозитории размещена повторно обученная эталонная реализация: её результаты близки к опубликованной модели, но не полностью совпадают с ними. Модель принимает изображения и выдаёт карты глубины. Лицензия репозитория — apple-amlr; условия её применения следует учитывать при использовании модели.

Dog-Breed-120 — модель компьютерного зрения, разработанная prithivMLmods на основе google/siglip2-base-patch16-224 и дообученная для классификации изображений собак. Она использует архитектуру SiglipForImageClassification и относит изображение к одному из 121 классов, включающих породы собак, а также класс «test». Модель предназначена для распознавания пород на фотографиях: её можно использовать для помощи владельцам животных, в каталогах товаров для питомцев, образовательных приложениях и исследованиях собак. В README указана точность 86,81% на оценочном наборе; этот результат не гарантирует такую же точность на других изображениях. Модель принимает изображения и выдаёт метки классов. В метаданных указан английский язык карточки; языковая генерация не заявлена. Распространяется по лицензии Apache-2.0.

EffectErase — модель удаления объектов и связанных с ними визуальных эффектов из видео, разработанная Yang Fu, Yike Zheng, Ziyun Dai и Henghui Ding из Института больших данных Колледжа компьютерных наук и искусственного интеллекта Фуданьского университета. Чекпойнт опубликован для метода, представленного как Highlight на CVPR 2026, и обучен на наборе VOR с 60 тысячами пар видео и соответствующими масками объектов. Модель предназначена для удаления движущихся объектов вместе с их деформациями, тенями и отражениями и восстановления цельного фона. Метод использует взаимное обучение удаления и вставки объектов, с учетом областей, затронутых эффектами. Репозиторий предоставляет чекпойнт PyTorch для использования с библиотекой Diffusers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. В карточке не приведены ограничения по разрешению или длине входного видео.

strangerzonehf/Flux-Super-Portrait-LoRA — адаптер LoRA для генерации изображений на основе black-forest-labs/FLUX.1-dev. Модель предназначена для создания портретов крупным планом по текстовому описанию: можно задавать внешность персонажа, одежду, аксессуары, выражение лица и цвет фона. Для активации адаптера в запросе требуется использовать триггерную фразу «Super Portrait». Модель работает в сценарии text-to-image и рассчитана на использование вместе с базовой моделью FLUX.1-dev через Diffusers. Адаптер обучен на 19 плоских изображениях разрешения 4K с разметкой на английском языке, созданной с помощью Florence-2. Указаны параметры LoRA: network dimension 64 и network alpha 32. Рекомендуемые размеры генерации — 1280×832 с соотношением сторон 3:2 и 1024×1024 как стандартный вариант; рекомендуемый диапазон — 30–35 шагов инференса. Веса доступны в формате Safetensors. Сильная сторона модели — специализация на выразительных портретах и возможность управлять деталями персонажа с помощью текстового описания. Ограничения связаны с узкой портретной специализацией, небольшим объёмом обучающего набора и необходимостью использовать совместимую базовую модель FLUX.1-dev; качество и соответствие запросу могут зависеть от выбранных параметров и формулировки промпта. Лицензия указана как CreativeML Open RAIL-M.

HyperMotion — модель генерации видео с управлением по позе человека, представленная в работе HyperMotionX. Она предназначена для анимации человека на исходном изображении по последовательности поз, в том числе для сложных и динамичных движений. Модель построена на архитектуре DiT и основана на Wan2.1-I2V-14B; в описании также упоминается пространственное низкочастотное улучшение RoPE. Размер модели — 14,7 млрд параметров. Веса размещены в формате safetensors и предназначены для работы с библиотекой Diffusers. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. HyperMotion ориентирована на создание временно согласованных анимаций человека при сложных, нестандартных движениях. README отсылает к скриптам вывода в официальном репозитории GitHub; конкретные ограничения качества и аппаратные требования в доступных данных не описаны.

Krea2 Photorealistic Style LoRA Collection — набор адаптеров LoRA, разработанный пользователем WarmBloodAban для базовой модели krea/Krea-2-Turbo. Коллекция предназначена для генерации фотореалистичных изображений, включая портреты, косплей-фотографию, кинематографическое освещение, реалистичные текстуры кожи и материалов, а также профессиональные студийные композиции. В набор входят варианты Krea2_GrainGaze-portrait с плёночным эффектом, Krea2_DreamCos_Realism для реалистичной передачи света и теней в косплей-сценах и Krea2_Coser_portrait_photography для портретов в высоком разрешении. Модели ориентированы на использование в ComfyUI и согласованы с параметрами Krea2 Turbo. Рекомендуются вес LoRA 0,8–1, sampler Euler или DPM++ 2M Karras, 8 шагов и CFG 1. Точные сведения о размере, поддерживаемых языках, максимальном контексте и модальностях, кроме генерации изображений по тексту, не указаны. Сильные стороны коллекции — акцент на детализации кожи, естественных переходах теней, бликах, материальной фактуре и быстром инференсе. Ограничения включают зависимость от совместимой базовой модели и рабочего процесса ComfyUI, а также отсутствие подробных данных о датасете, оценках качества и границах применимости. В README одновременно указаны лицензии Apache-2.0 и OpenRAIL, поэтому перед использованием необходимо уточнить, какая лицензия относится к конкретным файлам и условиям распространения.

tomerRest/line_item_categories — модель классификации текстовых последовательностей на базе DistilBERT, опубликованная на Hugging Face. По названию репозитория можно предположить, что она предназначена для присвоения категорий позициям в строках, однако карточка модели или другие первоисточники с описанием этой задачи не найдены. Метаданные указывают архитектуру DistilBertForSequenceClassification, библиотеку Transformers, формат safetensors и контекстное окно 512 токенов.

Olivia V1.0 — модель генерации изображений по текстовому описанию, опубликованная ShibaDeveloper. Она использует конвейер Stable Diffusion в библиотеке Diffusers и принимает текстовый запрос, чтобы создать изображение. Репозиторий содержит веса в форматах Diffusers и PyTorch; карточка приводит пример запуска через StableDiffusionPipeline на CUDA. Автор указывает образовательное и тестовое назначение модели. В метаданных указан английский язык и лицензия CreativeML OpenRAIL-M. Количество параметров и длина контекста не приведены.

Карточка модели Dxf3316/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.

Xenova/segformer-b0-finetuned-ade-512-512 — это версия модели NVIDIA SegFormer B0, дообученной на наборе данных ADE, с весами в формате ONNX для работы в библиотеке Transformers.js. Репозиторий Xenova адаптирует исходную модель nvidia/segformer-b0-finetuned-ade-512-512 к использованию в JavaScript и веб-средах. Модель предназначена для семантической сегментации изображений: она анализирует изображение и выделяет области, соответствующие различным классам объектов или сцен, например стенам и зданиям. Запуск выполняется через pipeline image-segmentation в Transformers.js, а результат содержит метки классов и маски изображений. Архитектура SegFormer B0, точное число параметров, список поддерживаемых языков и размер контекстного окна в README не указаны; модель работает с визуальными данными и не является текстовой или мультимодальной моделью в диалоговом смысле. Ключевые преимущества — поддержка ONNX и возможность запуска через JavaScript-инструменты, включая сценарии, ориентированные на веб-среду. Ограничения включают зависимость от классов и качества исходного обучения на ADE, а также отсутствие в README подробностей о точности, производительности, аппаратных требованиях и полном перечне распознаваемых категорий. Лицензия в предоставленных данных не указана.

Spatial-SSRL-7B — мультимодальная модель для понимания пространственных отношений на изображениях и видео, разработанная командой Spatial-SSRL на основе Qwen2.5-VL-7B-Instruct. Модель с архитектурой Qwen2.5-VL и 7,1 млрд параметров дообучена методом Spatial-SSRL — лёгким подходом самообучения с подкреплением. Она принимает изображения и текстовые запросы и формирует текстовые ответы; поддерживает контекст до 128 000 токенов. Модель предназначена для пространственного анализа сцен и ответов на визуальные вопросы. По данным карточки, обучение улучшило пространственные способности на семи бенчмарках в сценариях с изображениями и видео, сохранив общие возможности базовой модели для работы с изображениями. В README описаны обучение на обычных RGB- и RGB-D-изображениях и пять вспомогательных задач самообучения, но это не означает, что модель принимает глубинные данные отдельным входным форматом. Модель опубликована в формате Safetensors и предназначена для использования через Transformers. Лицензия — Apache-2.0. README не приводит численных результатов бенчмарков и подробного перечня ограничений, поэтому качество на конкретных задачах следует проверять отдельно.

Это экспериментальная конверсия модели Stoiqo Afrodite FluxXL F1Dalpha в формате FP8, созданная ALIENHAZE на базе оригинальной модели. Она предназначена для генерации изображений по текстовым описаниям и относится к семейству Flux; репозиторий подготовлен для Diffusers и содержит веса Safetensors в формате float8_e4m3fn. Автор карточки не подтвердил корректность конверсии. Указано, что формат float8_e4m3fn не поддерживается serverless Inference API Hugging Face, поэтому через этот API модель не работает. Лицензия обозначена как other, без уточнения условий в доступных сведениях.

Shilin-LU/VINE-R-Enc — модель преобразования изображений, опубликованная на Hugging Face. Она дообучена на основе stabilityai/sdxl-turbo и предназначена для задач image-to-image. В метаданных указаны формат safetensors, связь с датасетом BleachNick/UltraEdit и лицензия MIT. Карточка не раскрывает конкретный способ преобразования изображений, архитектурные детали, размер модели, настройки контекста или условия применения. Метаданные указывают английский язык, но модель работает с изображениями; сведений о текстовом вводе или генерации текста нет. README содержит только техническую заметку о публикации через интеграцию PytorchModelHubMixin.

QuantStack/Wan2.2-Fun-A14B-InP-GGUF — это GGUF-квантизированная версия модели Wan2.2-Fun-A14B-InP, разработанной Alibaba PAI. Модель предназначена для генерации видео из текстовых описаний и ориентирована на использование в ComfyUI через пользовательский узел ComfyUI-GGUF. В карточке указано, что модель поддерживает английский и китайский языки и относится к конвейеру text-to-video. Размер и точная архитектура не раскрыты, однако для работы требуются отдельные компоненты: текстовый энкодер UMT5-XXL и VAE Wan2.1. Квантизация в формате GGUF может упростить запуск и снизить требования к ресурсам по сравнению с полноразмерной версией, но конкретные характеристики качества и совместимости зависят от варианта квантизации и конфигурации среды. Модель распространяется по лицензии Apache-2.0; при этом сохраняются исходные условия лицензирования и ограничения базовой модели. Для использования необходимо разместить компоненты в соответствующих каталогах ComfyUI и установить совместимый узел ComfyUI-GGUF.

CornLogic/10EROS-INT8 — репозиторий файлов для моделей генерации видео из изображения. По карточке, это вариант с INT8-свёрточными компонентами; в README также указано, что для вариантов DMD используется LTX2.3_DMD_hybrid_v2 с LoRA, встроенной с силой 1.0, если не оговорено иное. Модель предназначена для создания видео на основе входного изображения. Репозиторий использует библиотеку Diffusers и формат safetensors. В README не приведены сведения о разработчике, размере, контексте или поддерживаемых языках. Лицензия в предоставленных данных не указана.

Argus — многозадачная модель компьютерного зрения от phanerozoic на замороженном backbone EUPE-ViT-B. Она содержит 103 млн параметров, включая 17 млн параметров выходных голов, и принимает изображения. В карточке описаны классификация ImageNet, семантическая сегментация, оценка глубины и обнаружение объектов; для каталога основная задача модели — оценка глубины. Глубина предсказывается для внутренних сцен на расстоянии до 10 м; результат включает карту глубины, а по запросу — уверенность и стандартное отклонение. Для классификации указана точность top-1 85,53% на валидационной выборке ImageNet-1k, для сегментации — 52,72 mIoU на ADE20K. Для глубины на тестовом наборе NYU Depth V2 приведены RMSE 0,452 и abs rel 0,117. Модель также имеет варианты меньшего размера argus-lite и argus-edge. Репозиторий использует PyTorch и формат safetensors; лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Bernini v2 ComfyUI — модель ByteDance для редактирования и создания видео по текстовым запросам и визуальным исходникам. Репозиторий содержит веса в формате safetensors и предназначен для использования как пользовательский узел ComfyUI. Архитектура Bernini включает два совместно обученных диффузионных трансформера Wan 2.2 для этапа рендеринга и отдельный этап семантического планирования на дообученной Qwen2.5-VL с коннектором и декодером ViT. Модель поддерживает генерацию видео по тексту и изображениям, преобразование исходного видео и работу с референсными изображениями и видео. Исходные визуальные материалы используются как входы планирования и кодируются в контекстные латенты для рендеринга. В README рекомендуются CFG 3 и 16, 23 или 50 шагов с сэмплерами UniPC, DPMPP_2M или EULER. Репозиторий указывает лицензию Apache-2.0. Языковые возможности и длина контекста в доступных данных не описаны.